首页 / 专利库 / 信号处理 / 滤波器组 / 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法

基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法

阅读:517发布:2024-01-14

专利汇可以提供基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法专利检索,专利查询,专利分析的服务。并且基于光照均衡化和改进surf 算法 的隧道衬砌图像拼接方法,该方法包括:(1)、拟合光照曲线分布的算法将隧道图片进行处理,突出特征并减少光照不均的影响;(2)、使用sruf特征匹配算法寻找sruf特征,并使用FlannBasedMatcher匹配器将上述检测到的特征点进行匹配;(3)、使用对称性匹配策略,距离匹配限定算法,对极线约束等方法进行匹配约束;(4)、使用数学方式求取图像的期望距离,将图像将图像进行分割拼接。本 发明 能够去除高光亮的同时,保留裂缝边缘细节。可以将分离的隧道各部分连接成一个整体,可准确检测较长裂缝的长度,并提供一副较完整隧道板 块 图像,方便各种问题的准确 定位 。,下面是基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法专利的具体信息内容。

1.一种基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:该方法包括:
(1)、拟合光照曲线分布的算法将隧道图片进行处理,突出特征并减少光照不均的影响;
(2)、使用sruf特征匹配算法寻找sruf特征,并使用FlannBasedMatcher匹配器将上述检测到的特征点进行匹配;
(3)、使用对称性匹配策略,距离匹配限定算法,对极线约束等方法进行匹配约束;
(4)、使用数学方式求取图像的期望距离,将图像将图像进行分割拼接。
2.根据权利要求1所述的基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:
(1)步骤中,减少光照不均的影响即均衡不均匀光照的算法步骤如下:
改进的均值滤波去噪、高斯金字塔压缩去噪和改进的高斯滤波拟合光照曲线分布。
3.根据权利要求1所述的基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:(3)步骤中特征匹配限制采用以下三种方案:
对称性匹配策略、距离匹配限定算法和随机采样一致性算法。
4.根据权利要求1所述的基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:
该方法步骤如下:
(1)拟合光照曲线分布的算法将隧道图片进行处理,突出特征并减少光照不均的影响;
(1.1)改进的均值滤波去噪:
为去除杂散的亮噪点,采用(2*t+1)*(2*t+1)模板对原图像进行均值滤波,将均值滤波后的图像与原图像各像素灰度值进行比较,取每个对应像素的最小值组成新的图像;在去除高光亮的同时保留裂缝特征;
g(i,j)=min[s(i,j),r(i,j)]
其中n=m=45;i,j是定义在图像上的横纵坐标,s(i,j)为原图像坐标为(i,j)处的像素灰度值,r(i,j)为均值滤波后的图像坐标为(i,j)处的像素灰度值,g(i,j)为改进均值滤波处理后的图像坐标为(i,j)处的像素灰度值;
(1.2)、高斯金字塔压缩去噪:
采用若干分辨率多尺度表达的图像金字塔压缩方式进行图像压缩;不同层级对应不同分辨率的图像;在去除噪声的同时尽可能不丢失图像重要细节,并且能够提高运算速度,在保留裂缝与背景的梯度的同时,消除小波动噪声;
其中,通过对输入原始图像i层迭代以上步骤,得到的图像即为i+1层的图像;w(m,n)为高斯卷积核,gl-1(i,j)为第i层图像坐标为(i,j)处的像素灰度值,gl(i,j)为第i+1层图像坐标为(i,j)处的像素灰度值;
(1.3)、改进的高斯滤波拟合光照曲线分布:
拟合光照曲线分布,相当于对灰度剖面曲线图进行平滑处理,通过把剖面与一个高斯平滑滤波器进行卷积来实现;
x(i,j)=g(i,j)*h(i,j)
x(i,j)是用高斯滤波器h(i,j)与图像g(i,j)做卷积来估计光场分布情况;
令o(i,j)=t(i,j)-x(i,j)
其中i,j是定义在图像上的横纵坐标,t(i,j)为金字塔压缩后图像坐标为(i,j)处的像素灰度值,x(i,j)为高斯滤波后图像坐标为(i,j)处的像素灰度值,o(i,j)为去除光照曲面后图像坐标为(i,j)处的像素灰度值,再与去除光照曲面后的图像均值进行比较,保留低于均值部分的像素值,从而滤出噪声,y(i,j)为预处理后图像坐标为(i,j)处的像素灰度值;
(2)、使用sruf特征匹配算法寻找sruf特征,并使用FlannBasedMatcher匹配器将上述检测到的特征点进行匹配:
(2.1)、创建SurfFeatureDetector特征检测器对图像进行特征点检测,并将检测出来的特征点分别保存在特征点数组keypoints_1,keypoints_2里;
(2.2)、构建SurfDescriptorExtractor特征描述器描述SURF特征;
(2.3)、使用FlannBasedMatcher匹配器即基于可伸缩最近邻算法Flann的描述符匹配器将上述检测到的特征点进行匹配;
(3)、特征匹配限制的三种方案:
(3.1)、对称性匹配策略:去除不稳定的匹配点;
(3.2)、距离匹配限定算法:
算法的具体内容是由外部得到的车速v和摄像头率fps,则车在一帧的时间下行进的距离就是s=v*(1/fps),由于要车辆近似保持匀速运动,那么车行进的距离s与同一位置在图像上的像素位置差x为一一映射的关系,我们设这个关系系数为k,则x=ks,由于误差的存在,我们设定一个x的邻域区间(x±δ)作为阈值区间进行限定;
(3.3)、随机采样一致性算法(RANSAC):
RANSAC从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数;它是一种不确定的算法——它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数;
(4)、使用数学方式求取图像的相对距离将图像进行分割拼接,算法思路为:计算每一条匹配点之间连线的斜率 选取斜率最多的匹配点即斜率的众数,那这些匹配点就是正确的;
5.根据权利要求4所述的基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:
(3.1)步骤中,去除不稳定的匹配点算法的实现过程如下:
1)寻找上述匹配中的各个匹配点的索引;
2)判断两次匹配中的相对索引下的匹配点是不是相对的;
3)保存两次匹配中的相对点;
4)保存匹配点的个各索引号。
6.根据权利要求4所述的基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:
(3.2)步骤中,该算法的实现过程如下:
1)以次遍历每一个相对的匹配点,并计算两个匹配点之间的横向距离;
2)使用阈值限定,经拍照的周期,车的行驶速度还有车辆距离墙壁的距离三项进行拟合计算出合适的距离阈值(x±δ)。
7.根据权利要求4所述的基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:
(3.3)步骤中,RANSAC的基本假设是:
1)数据由“局内点”组成;
2)“局外点”是不能适应该模型的数据;
3)除此之外的数据属于噪声;
局外点产生的原因有:噪声的极值;错误的测量方法;对数据的错误假设;
RANSAC通过反复选择数据中的一组随机子集来达成目标;被选取的子集被假设为局内点,并用下述方法进行验证:
1)有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出;
2)用1中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点;
3)如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理;
4)然后,用所有假设的局内点去重新估计模型,因为它仅仅被初始的假设局内点估计过;
5)最后,通过估计局内点与模型的错误率来评估模型;
这个过程被重复执行固定的次数,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用;该算法的实现过程:
1)变换矩阵,将特征点keypoints转化成坐标形式的points类型;
1)计算图像的基础矩阵;
2)进行内外点的筛选,保存内点,消除外点。
8.根据权利要求4所述的基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:
(4)步骤的实现过程为:
(4.1)寻找上面的特征点并进行匹配;
(4.2)计算两幅图像之中的特征点之间的距离;
(4.3)利用数学算法中的众数将得到的距离进行规划;
(4.4)将第二幅图像之中的影像进行平移;
(4.5)将处理后的图像进行拼接。

说明书全文

基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法

技术领域:

[0001] 本发明属于计算机视觉技术领域,特别涉及一种隧道衬砌图像拼接算法。背景技术:
[0002] 屏蔽轴向是否平衡影响到屏蔽泵能否安全可靠运行。轴向力由推力盘与滑动轴承的轴向端面摩擦副承担,轴向力过大,造成轴承磨损加剧,轴向间隙变大,使屏蔽泵轴承的使用寿命急速降低,甚至导致电泵无法正常运行,造成事故。屏蔽泵发生停机故障,大部分原因都是由于轴向力没有得到有效的平衡或石墨轴承损坏。因而对屏蔽泵轴向力准确、高效的计算,并且有效的将轴向力进行平衡,对于屏蔽泵的使用寿命以及安全可靠的运行有着重要的意义。发明内容:
[0003] 发明目的:
[0004] 本发明提供一种基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其目的是解决以往所存在的问题。
[0005] 技术方案:
[0006] 一种基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,其特征在于:该方法包括:
[0007] (1)、拟合光照曲线分布的算法将隧道图片进行处理,突出特征并减少光照不均的影响;
[0008] (2)、使用sruf特征匹配算法寻找sruf特征,并使用FlannBasedMatcher匹配器将上述检测到的特征点进行匹配;
[0009] (3)、使用对称性匹配策略,距离匹配限定算法,对极线约束等方法进行匹配约束;
[0010] (4)、使用数学方式求取图像的期望距离,将图像将图像进行分割拼接。
[0011] (1)步骤中,减少光照不均的影响即均衡不均匀光照的算法步骤如下:
[0012] 改进的均值滤波去噪、高斯金字塔压缩去噪和改进的高斯滤波拟合光照曲线分布。
[0013] (3)步骤中特征匹配限制采用以下三种方案:
[0014] 对称性匹配策略、距离匹配限定算法和随机采样一致性算法。
[0015] 该方法步骤如下:
[0016] (1)拟合光照曲线分布的算法将隧道图片进行处理,突出特征并减少光照不均的影响;
[0017] (1.1)改进的均值滤波去噪:
[0018] 为去除杂散的亮噪点,采用(2*t+1)*(2*t+1)模板对原图像进行均值滤波,将均值滤波后的图像与原图像各像素灰度值进行比较,取每个对应像素的最小值组成新的图像;在去除高光亮的同时保留裂缝特征;
[0019]
[0020] g(i,j)=min[s(i,j),r(i,j)]
[0021] 其中n=m=45;i,j是定义在图像上的横纵坐标,s(i,j)为原图像坐标为(i,j)处的像素灰度值,r(i,j)为均值滤波后的图像坐标为(i,j)处的像素灰度值,g(i,j)为改进均值滤波处理后的图像坐标为(i,j)处的像素灰度值;
[0022] (1.2)、高斯金字塔压缩去噪:
[0023] 采用若干分辨率多尺度表达的图像金字塔压缩方式进行图像压缩;不同层级对应不同分辨率的图像;在去除噪声的同时尽可能不丢失图像重要细节,并且能够提高运算速度,在保留裂缝与背景的梯度的同时,消除小波动噪声;
[0024]
[0025]
[0026]
[0027] 其中,通过对输入原始图像i层迭代以上步骤,得到的图像即为i+1层的图像。w(m,n)为高斯卷积核,gl-1(i,j)为第i层图像坐标为(i,j)处的像素灰度值,gl(i,j)为第i+1层图像坐标为(i,j)处的像素灰度值。
[0028] (1.3)、改进的高斯滤波拟合光照曲线分布:
[0029] 拟合光照曲线分布,相当于对灰度剖面曲线图进行平滑处理,通过把剖面与一个高斯平滑滤波器进行卷积来实现;
[0030]
[0031] x(i,j)=g(i,j)*h(i,j)
[0032] x(i,j)是用高斯滤波器h(i,j)与图像g(i,j)做卷积来估计光场分布情况;
[0033] 令o(i,j)=t(i,j)-x(i,j)
[0034]
[0035] 其中i,j是定义在图像上的横纵坐标,t(i,j)为金字塔压缩后图像坐标为(i,j)处的像素灰度值,x(i,j)为高斯滤波后图像坐标为(i,j)处的像素灰度值,o(i,j)为去除光照曲面后图像坐标为(i,j)处的像素灰度值,再与去除光照曲面后的图像均值进行比较,保留低于均值部分的像素值,从而滤出噪声,y(i,j)为预处理后图像坐标为(i,j)处的像素灰度值;
[0036] (2)、使用sruf特征匹配算法寻找sruf特征,并使用FlannBasedMatcher匹配器将上述检测到的特征点进行匹配:
[0037] (2.1)、创建SurfFeatureDetector特征检测器对图像进行特征点检测,并将检测出来的特征点分别保存在特征点数组keypoints_1,keypoints_2里;
[0038] (2.2)、构建SurfDescriptorExtractor特征描述器描述SURF特征;
[0039] (2.3)、使用FlannBasedMatcher匹配器即基于可伸缩最近邻算法Flann的描述符匹配器将上述检测到的特征点进行匹配;
[0040] (3)、特征匹配限制的三种方案:
[0041] (3.1)、对称性匹配策略:去除不稳定的匹配点;
[0042] (3.2)、距离匹配限定算法:
[0043] 算法的具体内容是由外部得到的车速v和摄像头率fps,则车在一帧的时间下行进的距离就是s=v*(1/fps),由于要车辆近似保持匀速运动,那么车行进的距离s与同一位置在图像上的像素位置差x为一一映射的关系,我们设这个关系系数为k,则x=ks,由于误差的存在,我们设定一个x的邻域区间(x±δ)作为阈值区间进行限定;
[0044] (3.3)、随机采样一致性算法(RANSAC):
[0045] RANSAC从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数;它是一种不确定的算法——它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数;
[0046] (4)、使用数学方式求取图像的相对距离将图像进行分割拼接,算法思路为:计算每一条匹配点之间连线的斜率 选取斜率最多的匹配点即斜率的众数,那这些匹配点就是正确的;
[0047] (3.1)步骤中,去除不稳定的匹配点算法的实现过程如下:
[0048] 1)寻找上述匹配中的各个匹配点的索引;
[0049] 2)判断两次匹配中的相对索引下的匹配点是不是相对的;
[0050] 3)保存两次匹配中的相对点;
[0051] 4)保存匹配点的个各索引号。
[0052] (3.2)步骤中,该算法的实现过程如下:
[0053] 1)以次遍历每一个相对的匹配点,并计算两个匹配点之间的横向距离;
[0054] 2)使用阈值限定,经拍照的周期,车的行驶速度还有车辆距离墙壁的距离三项进行拟合计算出合适的距离阈值(x±δ)。
[0055] (3.3)步骤中,RANSAC的基本假设是:
[0056] 1)数据由“局内点”组成;
[0057] 2)“局外点”是不能适应该模型的数据;
[0058] 3)除此之外的数据属于噪声;
[0059] 局外点产生的原因有:噪声的极值;错误的测量方法;对数据的错误假设;
[0060] RANSAC通过反复选择数据中的一组随机子集来达成目标;被选取的子集被假设为局内点,并用下述方法进行验证:
[0061] 1)有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出;
[0062] 2)用1中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点;
[0063] 3)如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理;
[0064] 4)然后,用所有假设的局内点去重新估计模型,因为它仅仅被初始的假设局内点估计过;
[0065] 5)最后,通过估计局内点与模型的错误率来评估模型;
[0066] 这个过程被重复执行固定的次数,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用;该算法的实现过程:
[0067] 1)变换矩阵,将特征点keypoints转化成坐标形式的points类型;
[0068] 1)计算图像的基础矩阵;
[0069] 2)进行内外点的筛选,保存内点,消除外点。
[0070] (4)步骤的实现过程为:
[0071] (4.1)寻找上面的特征点并进行匹配;
[0072] (4.2)计算两幅图像之中的特征点之间的距离;
[0073] (4.3)利用数学算法中的众数将得到的距离进行规划;
[0074] (4.4)将第二幅图像之中的影像进行平移;
[0075] (4.5)将处理后的图像进行拼接。
[0076] 优点效果:
[0077] 本发明提供一种基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,本发明能够去除高光亮的同时,保留裂缝边缘细节。可以将分离的隧道各部分连接成一个整体,可准确检测较长裂缝的长度,并提供一副较完整隧道板图像,方便各种问题的准确定位附图说明:
[0078] 图1a为原图;
[0079] 图1b为剖面曲线图;
[0080] 图1c为预处理图像;
[0081] 图1d为匹配图;
[0082] 图1e为拼接图。具体实施方式:
[0083] 本发明涉及一种基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法,如图1所示,该方法包括:提出一种拟合光照曲线分布的算法将隧道图片进行处理,突出特征并减少光照不均的影响;使用sruf特征匹配算法寻找sruf特征,并使用FlannBasedMatcher匹配器将上述检测到的特征点进行匹配;使用对称性匹配策略,距离匹配限定算法,对极线约束等方法进行匹配约束;使用数学方式求取图像的期望距离,将图像将图像进行分割拼接。
[0084] 具体步骤如下:
[0085] 1.在隧道内采集的原始图像图(a)所示,选取其中某一列,根据像素灰度值画出剖面曲线图,如图(b)所示,可见不仅有光照曲线分布的曲率影响,还含有大量的噪声。因此考虑先对图像进行预处理,提出一种均衡不均匀光照的算法。算法实现过程。
[0086] 1.1改进的均值滤波去噪
[0087] 由于裂缝在图像中呈现的是具有低灰度值,高梯度差的特点。因此,图像中高于均值的灰度值一定是噪声,为去除这种杂散的亮噪点,将均值滤波后的图像与原图像各像素灰度值进行比较,取每个对应像素的最小值组成新的图像。因为裂缝的灰度值较低,光照灰度值较高,所以能够在去除高光亮的同时保留裂缝特征。
[0088]
[0089] g(i,j)=min[s(i,j),r(i,j)]
[0090] 其中n=m=45。i,j是定义在图像上的横纵坐标,s(i,j)为原图像坐标为(i,j)处的像素灰度值,r(i,j)为均值滤波后的图像坐标为(i,j)处的像素灰度值,g(i,j)为改进均值滤波处理后的图像坐标为(i,j)处的像素灰度值。
[0091] 1.2高斯金字塔压缩去噪
[0092] 由于裂缝有宽有窄,裂缝与背景之间的梯度差对比度有强有弱,因此,采用若干分辨率多尺度表达的图像金字塔压缩方式进行图像压缩。不同层级对应不同分辨率的图像。该方法在去除噪声的同时尽可能不丢失图像重要细节,并且能够提高运算速度,在保留裂缝与背景的梯度的同时,消除了小波动噪声。
[0093]
[0094]
[0095] 1.3改进的高斯滤波拟合光照曲线分布
[0096] 拟合光照曲线分布,相当于对灰度剖面曲线图进行平滑处理,这可以通过把剖面与一个高斯平滑滤波器进行卷积来实现。该算法处理后的光照分布均匀化效果良好。预处理后的图像如图(c)所示。
[0097]
[0098] x(i,j)=g(i,j)*h(i,j)
[0099] x(i,j)是用高斯滤波器h(i,j)与图像g(i,j)做卷积来估计光场分布情况。
[0100] 令o(i,j)=t(i,j)-x(i,j)
[0101]
[0102] 其中i,j是定义在图像上的横纵坐标,t(i,j)为金字塔压缩后图像坐标为(i,j)处的像素灰度值,x(i,j)为高斯滤波后图像坐标为(i,j)处的像素灰度值,o(i,j)为去除光照曲面后图像坐标为(i,j)处的像素灰度值,再与去除光照曲面后的图像均值进行比较,保留低于均值部分的像素值,从而滤出噪声,y(i,j)为预处理后图像坐标为(i,j)处的像素灰度值。
[0103] 2.使用sruf特征匹配算法寻找sruf特征,并使用FlannBasedMatcher匹配器将上述检测到的特征点进行匹配
[0104] 2.1创建SurfFeatureDetector特征检测器(SURFFeatureDetector是OpenCV2中的通用特征检测器引入了一种新的通用接口用于不同的检测器。该接口定义了一个KeyPoint类以封装每个特征点的属性。对于Harris点,只有位置是有用的),对图像进行特征点检测,并将检测出来的特征点分别保存在特征点数组keypoints_1,keypoints_2里。
[0105] 2.2构建SurfDescriptorExtractor特征描述器(同样是OpenCV 2中的通用特征检测器引入了一种新的通用接口,进行特征描述),描述SURF特征。
[0106] 2.3使用FlannBasedMatcher匹配器(基于可伸缩最近邻算法Flann的描述符匹配器)将上述检测到的特征点进行匹配。
[0107] 3.特征匹配限制的三种方案
[0108] 3.1对称性匹配策略
[0109] 上述的特征点匹配的原理是用一幅图像上的特征点去和另一幅图像上的特征点匹配,寻找匹配概率最大的特征点作为匹配点,那我们猜想,拿第一幅图像去匹配第二幅图得到的匹配点应该和拿第二幅图去匹配第一幅图得到的匹配点应该是一致的,但是,实际上两次匹配的结果并不是一致的,所以根据上面这个一致原理,可以去除那些不稳定的匹配点,该算法的实现过程:
[0110] 5)寻找上述匹配中的各个匹配点的索引。
[0111] 6)判断两次匹配中的相对索引下的匹配点是不是相对的。
[0112] 7)保存两次匹配中的相对点。
[0113] 8)保存匹配点的个各索引号。
[0114] 3.2距离匹配限定算法
[0115] 由广泛的特征点匹配限制改为狭义的隧道特征点匹配限制,于是我们想,根据车速和拍照的帧率之间的联系,估算出一个在图像之上的位移距离,之后进行距离限定,应该可以减少匹配的错误率。算法的具体内容是由外部得到的车速v和摄像头帧率fps,则车在一帧的时间下行进的距离就是s=v*(1/fps),由于要车辆近似保持匀速运动,那么车行进的距离s与同一位置在图像上的像素位置差x为一一映射的关系,我们设这个关系系数为k,则x=ks,由于误差的存在,我们设定一个x的邻域区间(x±δ)作为阈值区间进行限定。该算法的实现过程:
[0116] 1)以次遍历每一个相对的匹配点,并计算两个匹配点之间的横向距离。
[0117] 2)使用阈值限定,经拍照的周期,车的行驶速度还有车辆距离墙壁的距离三项进行拟合计算出合适的距离阈值(x±δ)。
[0118] 3.3随机采样一致性算法(RANSAC)
[0119] RANSAC可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数。
[0120] RANSAC的基本假设是:
[0121] 2)数据由“局内点”组成,例如:数据的分布可以用一些模型参数来解释;
[0122] 2)“局外点”是不能适应该模型的数据;
[0123] 3)除此之外的数据属于噪声。
[0124] 局外点产生的原因有:噪声的极值;错误的测量方法;对数据的错误假设。
[0125] RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点,并用下述方法进行验证:
[0126] 1)有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出。
[0127] 2)用1中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点。
[0128] 3)如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理。
[0129] 4)然后,用所有假设的局内点去重新估计模型,因为它仅仅被初始的假设局内点估计过。
[0130] 5)最后,通过估计局内点与模型的错误率来评估模型。
[0131] 这个过程被重复执行固定的次数,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用。该算法的实现过程:
[0132] 1)变换矩阵,将特征点keypoints转化成坐标形式的points类型。
[0133] 3)计算图像的基础矩阵。
[0134] 4)进行内外点的筛选,保存内点,消除外点。
[0135] 匹配后的图像结果如图(d)。
[0136] 4.使用数学方式求取图像的相对距离,将图像将图像进行分割拼接,算法思路为:由于匹配过程中误匹配出现的概率很高,但是对于大量的匹配数据来说,这一点点已经很小了,为了增大正确率,减小错误的影响,这里我们计算每一条匹配点之间连线的斜率(注:两幅图上相对的特征点分别为(xi,yi)和(xj,yj))由于在这里正确的匹配点之间的连线总是平行的,而错误的匹配点之间的斜率差异很大,既然错误连线很少,那我们选取斜率最多的匹配点即斜率的众数,那这些匹配点就是正确的。实现过程为:
[0137] 4.1寻找上面的特征点并进行匹配。
[0138] 4.2计算两幅图像之中的特征点之间的距离。
[0139] 4.3利用数学算法中的众数将得到的距离进行规划
[0140] 4.4将第二幅图像之中的影像进行平移
[0141] 4.5将处理后的图像进行拼接
[0142] 拼接后的图像效果如图(e)。
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。

申请试用

分析报告

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。

申请试用

QQ群二维码
意见反馈