专利汇可以提供一种大规模无序图像快速运动恢复结构的方法及系统专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种大规模无序图像快速运动恢复结构的方法及系统,首先,提出了一种多层图贪心策略从图像集合中选择多个核;其次,将所有图像按照它们到核的最优重建路径进行聚类,并提出了一种分层最 短路 径 算法 寻找最优重建路径;最后,提出了一种径向融合聚类方法将一个图像聚类中的非核图像划分成平衡的子类,使其在不降低 精度 的同时,可以并行处理,数据划分结束后,按照分层的策略对其进行重建,重建完成后,对得到的若干个独立的子模型进行合并,最后将合并了叶子聚类模型的基模型进行合并,得到完整的模型。可以显著提高重建效率,还可以解决由图像分布不均、场景重叠不连续导致的重建精确度和完整度问题。,下面是一种大规模无序图像快速运动恢复结构的方法及系统专利的具体信息内容。
1.一种大规模无序图像快速运动恢复结构的方法,其特征在于,包括以下步骤:
(1)对于包含N幅图像的大规模无序图像集合,在每幅图像上提取特征点并对图像间的特征点进行匹配,根据匹配结果生成相似性匹配关系图S和差异性匹配关系图D,其中,N在
103以上;
(2)在相似性匹配关系图S中,采用多层贪心策略寻找多个核,在每个核中选择一幅起点图像,作为图像重建的起点;
(3)在差异性匹配关系图D中,采用分层最短路径算法求取图像集合中核之外的每幅图像到核的最优重建路径,并根据最优重建路径将所有图像以核为中心划分成多个图像聚类,其中,每个图像聚类由两部分组成:一部分是位于中心的核,另一部分是核周围的图像,称为叶子图像,图像聚类的数目与核的数目一致;
(4)采用径向融合聚类算法对各图像聚类中的叶子图像进一步划分,得到多个叶子图像聚类;
(5)所有核独立地并行重建,每个核重建得到场景的一个基模型;
(6)所有叶子图像聚类独立地并行重建,将每个叶子图像聚类加到其所属的核重建的基模型中,得到多个独立的子模型;
(7)合并所有包含相同基模型的子模型,得到不同图像聚类的模型;
(8)合并步骤(7)得到的图像聚类的模型,得到完整的场景模型;
其中,所述步骤(3)具体包括如下子步骤:
(3.1)计算一组递增的边权阈值 将差异性匹配关系图D分
成L层,第i层中只加入边权值小于φi的边,其中,c为差异性匹配关系图D中的最小边权值,d为差异性匹配关系图D中的最大边权值;
(3.2)初始化层次标号i=1;
(3.3)对于第i层,在该层中计算每个顶点到每个核中起点图像的最短路径;
(3.4)如果存在最短路径,则将该顶点分配到最短路径长度最小的核所在的图像聚类中,并将该顶点从后面所有的层中移除;
(3.5)如果i
(1.1)从N幅图像中的每幅图像上提取图像特征点,计算这些特征点的特征描述符,其中,N在103以上;
(1.2)将每一幅图像I作为查询图像,利用图像检索方法检索I的K幅近邻图像,将图像I分别和这K幅图像进行特征点的匹配,并剔除误匹配的特征点,其中,I、K为正整数;
(1.3)构建相似性匹配关系图S:生成N个顶点表示N幅图像,如果两幅图像之间的匹配特征点对数大于预设阈值,则在这两幅图像对应的顶点之间添加1条边,其中,边的权值nij表示图像i与图像j之间的匹配特征点对数,ni表示图像i与其他图像有匹
配关系的特征点的数量,nj表示图像j与其他图像有匹配关系的特征点的数量;
(1.4)构建差异性匹配关系图D:生成N个顶点表示N幅图像,如果两幅图像之间的匹配特征点对数大于预设阈值,则在这两幅图像对应的顶点之间添加1条边,边的权值dij=1-sij。
3.根据权利要求2所述的方法,其特征在于,步骤(2)具体包括如下子步骤:
(2.1)计算一组递减的边权阈值 将相似性匹配关系图S分成k
层,第i层中只加入边权值大于θi的边,其中,a设置为大于或等于差异性匹配关系图S中的最小边权值的一个固定阈值,b为差异性匹配关系图S中的最大边权值,Ω为预设值;
(2.2)从第1层至第k层,依次在每一层中寻找核,对于在第i层中找到的核,将核中包含的图像所对应的顶点从所有大于i的层中删除;
(2.3)在每一个核中,寻找一幅图像作为重建的起点图像。
4.根据权利要求3所述的方法,其特征在于,步骤(2.2)具体包括如下子步骤:
(2.2.1)初始化层次标号i=1,核中包含的理想图像数量为m;
(2.2.2)在第i层中求连通分量,并将第i层中所有连通分量按连通分量的大小进行降序排序,并初始化连通分量标号j=1,其中,连通分量的大小表示连通分量包含的顶点的数量;
(2.2.3)若第j个连通分量的大小大于ξ*m,则将第j个连通分量中的所有顶点对应的图像按照步骤(2)所述的方法寻找核,其中,ξ为预设值;
(2.2.4)若第j个连通分量的大小大于m但是小于ξ*m,则将该连通分量中的所有顶点对应的图像组成一个核,并将该连通分量中的所有顶点从所有大于i的层中删除,标号j加1,并执行步骤(2.2.3);
(2.2.5)若第j个连通分量的大小小于m,则终止该层中寻找核的操作,并判断i<k是否成立,若成立则将i加1,并执行步骤(2.2.2),若不成立则执行步骤(2.3)。
5.根据权利要求3所述的方法,其特征在于,步骤(2.3)具体包括如下子步骤:
(2.3.1)采用近邻传播聚类AP算法对核中的图像进行初始聚类,其中,AP聚类算法需要的吸引子系数根据相似性匹配关系图S中的边权值得到;
(2.3.2)由AP聚类算法得到的所有初始聚类的中心,以及这些初始聚类的中心在相似性匹配关系图S上的邻接点集合,构成起点图像的候选集合;
(2.3.3)对每一个候选集合中的图像v,计算该图像v的置信度:δ(v)=hdeg(v)+β1·hsim(v)+β2·hndeg(v),其中,hdeg(v)表示v在相似性匹配关系图S上的度,hsim(v)表示v在相似性匹配关系图S上和v邻接顶点的平均相似度,hndeg(v)表示v在相似性匹配关系图S上邻接顶点的度的平均值,β1和β2是权重系数;
(2.3.4)将候选集合中置信度δ(v)最大时对应的图像作为核的起点图像。
6.根据权利要求4或5所述的方法,其特征在于,步骤(4)具体包括如下子步骤:
(4.1)对于每个图像聚类,判断M>r*m是否成立,若成立则执行步骤(4.2),否则不执行该图像聚类中的叶子图像划分操作,其中,M为一个图像聚类中包含的叶子图像的数量,r为大于1的膨胀系数,m为核中包含的图像数量;
(4.2)通过公式: 计算该图像聚类中的叶子图像聚类的个数;
(4.3)设置初始状态,将每个叶子图像单独作为一个叶子图像聚类;
(4.4)对任意两个叶子图像聚类c1和c2构成的一对聚类p,计算聚类p的合并系数
其中,gd(p)表示两个聚类c1和c2之间的
距离,gk(p)表示若将c1和c2合并,得到的新聚类到核的距离,gr(p)表示c1到核的距离和c2到核的距离的差值的绝对值,gc(p)表示若将c1和c2合并,得到的新聚类的大小,σ1、σ2、σ3、σ4为大于零的权重系数;
(4.5)选取合并系数最大的两个叶子图像聚类进行合并,将叶子图像聚类个数减1;
(4.6)如果叶子图像聚类个数大于Kc,则执行步骤(4.4),反之,则终止。
7.根据权利要求6所述的方法,其特征在于,步骤(5)具体包括如下子步骤:
(5.1)每个核在独立的线程上进行并行处理,对于每一个核,将该核中的起点图像作为增量式重建的第一幅图像,然后在该核中的所有图像和起点图像之间分别估计一个单应矩阵,在满足单应矩阵内点率小于预设内点率阈值的图像中,选择和起点图像之间匹配点数最多的一幅图像,作为第二幅图像,利用五点法计算第一幅图像和第二幅图像之间的相对姿态和三维点,生成初始模型;
(5.2)迭代地将该核中的剩余图像添加到初始模型中,在每一次迭代中,从当前剩余图像中寻找一幅和当前模型重叠程度最大的图像,利用n点透视算法PnP求其相对参数和三维点,并通过集束调整算法BA对相对参数和三维点进行优化,重复执行迭代过程直到该核中所有的剩余图像都被加入初始模型或者无法找到可以加入的图像,得到该核的一个基模型。
8.根据权利要求7所述的方法,其特征在于,步骤(6)具体包括如下子步骤:
(6.1)用多个线程独立地并行重建所有叶子图像聚类,每个线程采用迭代的方式将一个叶子图像聚类中的图像加入到其所属的核对应的基模型中,在每一次迭代中,从叶子图像聚类中当前剩余的叶子图像中寻找一幅和当前模型重叠程度最大的图像,利用n点透视算法PnP求其相对参数和三维点,并通过集束调整算法BA对相对参数和三维点进行优化,重复执行迭代过程直到该叶子图像聚类中的所有图像都被加入当前模型或者无法找到可以加入的图像,得到与该叶子图像聚类对应的子模型。
9.一种大规模无序图像快速运动恢复结构的系统,其特征在于,包括:
匹配关系图建立模块,用于对于包含N幅图像的大规模无序图像集合,在每幅图像上提取特征点并对图像间的特征点进行匹配,根据匹配结果生成相似性匹配关系图S和差异性匹配关系图D,其中,N在103以上;
核寻找模块,用于在相似性匹配关系图S中,采用多层贪心策略寻找多个核,在每个核中选择一幅起点图像,作为图像重建的起点;
图像聚类生成模块,用于在差异性匹配关系图D中,采用分层最短路径算法求取图像集合中核之外的每幅图像到核的最优重建路径,并根据最优重建路径将所有图像以核为中心划分成多个图像聚类,其中,每个图像聚类由两部分组成:一部分是位于中心的核,另一部分是核周围的图像,称为叶子图像,图像聚类的数目与核的数目一致;
叶子图像聚类生成模块,用于采用径向融合聚类算法对各图像聚类中的叶子图像进一步划分,得到多个叶子图像聚类;
基模型生成模块,用于将所有核独立地并行重建,每个核重建得到场景的一个基模型;
子模型生成模块,用于将所有叶子图像聚类独立地并行重建,将每个叶子图像聚类加到其所属的核重建的基模型中,得到多个独立的子模型;
图像聚类模型生成模块,用于合并所有包含相同基模型的子模型,得到不同图像聚类的模型;
场景模型生成模块,用于合并所述图像聚类模型生成模块得到的图像聚类的模型,得到完整的场景模型;
其中,所述图像聚类生成模块具体用于:
一、计算一组递增的边权阈值 将差异性匹配关系图D分成L
层,第i层中只加入边权值小于φi的边,其中,c为差异性匹配关系图D中的最小边权值,d为差异性匹配关系图D中的最大边权值;
二、初始化层次标号i=1;
三、对于第i层,在该层中计算每个顶点到每个核中起点图像的最短路径;
四、如果存在最短路径,则将该顶点分配到最短路径长度最小的核所在的图像聚类中,并将该顶点从后面所有的层中移除;
五、如果i
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
大规模并行处理器数据库系统和方法 | 2020-05-08 | 834 |
用于油气二次运移的大规模高分辨率模拟的侵入渗流的并行处理 | 2020-05-08 | 296 |
面向暂态电能质量综合评估的大数据分析系统 | 2020-05-15 | 732 |
一种数据驱动的用户透明的可扩展编程方法 | 2020-05-16 | 15 |
一种大规模无序图像快速运动恢复结构的方法及系统 | 2020-05-14 | 166 |
一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 | 2020-05-16 | 520 |
灵活的分布式大规模并行处理(MPP)系统和方法 | 2020-05-17 | 252 |
一种图形处理器的设计模型及设计方法 | 2020-05-11 | 842 |
分布式数据处理方法、装置、系统及电子设备 | 2020-05-12 | 677 |
一种全链路数据管理系统及其管理方法 | 2020-05-11 | 465 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。