没有合适的资源?快使用搜索试试~ 我知道了~
3688自然图像拼接中的几何结构保持翘曲Peng Du1,Jifeng Ning1†,Jiguang Cui1,Shaoli Huang2,Xinchao Wang3 and Jiaxin Wang11西北农林科技大学,中国,2腾讯AI实验室,3新加坡国立大学,新加坡{peng-du,jiaxinwang123}@ nwafu.edu.cn,njf@nwsuaf.edu.cn,cuijiguang1997@163.com,shaolihuang@tencent.com,xinchao@nus.edu.sg摘要保持场景中的几何结构在图像拼接中起着至关重要的作用。然而,现有的大多数方法忽略了由直线或曲线反映的大规模布局为了解决这个问题,这项工作提出了一种结构保持拼接方法,产生的图像具有自然的视觉效果和较少的失真。我们的方法首先采用基于深度学习的边缘检测来提取各种类型的大规模边缘。然后,对提取的边进行采样,构造多组三角形来表示几何结构.同时,引入几何结构保持能量项,使三角形进行相似变换.提出了一种优化的GES能量项,合理确定采样点在几何结构上的权重,并将其加入到全局相似性先验(GSP)拼接模型GES-GSP中,实现了局部对齐与几何结构保持之间的平滑过渡.GES-GSP的有效性通过缝合数据集上的综合实验进行了验证。实验结果表明,该方法在保持几何结构方面优于现有的几种方法,并能获得更自然的拼接效果。代码和数据集可在https://github.com/flowerDuo/GES-GSP-Stitching上获得。1. 介绍随着智能手机、数码相机等多媒体设备的普及,获取高质量全景图像的要求也在不断提高[9,20]。尽管图像拼接[24]已经取得了巨大的进步,但是由于复杂拼接场景下的宽基线、大视差和低纹理[24],产生高质量的全景图像[23†通讯作者:宁吉峰,njf@nwsuaf.edu.cn整体自然度是影响图像拼接质量的一个重要因素。现有的拼接方法大致可以分为基于单特征的对齐和基于多特征的对齐。该算法依赖于点特征估计的单应性变换。AutoStitch [1]使用全局同态变换进行图像映射 , 但 无 法 处 理 多 平 面 场 景 。 在 双 单 应 性 扭 曲(DHW)[4]中,场景被简单地认为是由透视平面和地平面组成的。此外,尽可能投影(APAP)扭曲[27]将图像划分为网格,并为每个网格估计一组平滑变换,以改善局部对齐。鲁棒弹性扭曲(ELA)[10]应用贝叶斯模型来改善具有视差的图像的局部对齐。然而,仅使用一个或多个单应变换可能导致过度的透视变换,并影响拼接结果的整体自然度。因此,一些工作,如平滑变化仿射(SVA)缝合[16],形状保持半投影(SPHP)[2],自适应尽可能自然(AANAP)扭曲[14]和全局相似性先验(GSP)模型[3]试图通过探索局部或全局相似性变换的优点来获得更自然的缝合结果另一方面,点特征和线特征的联合对齐[8,12,13,25]可以更好地估计单应性变换,这归因于其对图像拼接的强约束。Li等首先提出了双特征,包括用于基于扭曲的运动模型估计(DFW)的点和线特征[12], 以 处 理 拼 接 期 间 的 特 征 缺 失 。 单 透 视 扭 曲(SPW)[13]在一定程度上解决了投影失真,Xiang等人。[25]提出了一种具有全局相似性约束的线引导局部扭曲方法。Jia等人[8]提出利用线点一致性(LPC)来保持结构,其引入全局共线结构来增强图像变形所需的特征。然后,Zhang等人,[30]将LPC应用于拼接结果的正则化[6]。一般来说,特征配准方法主要是去3689图1.拼接10张图像的示例。(a)AutoStitch(b)右边的人在APAP[ 27 ]的结果中被扭曲了(c)ELA[ 10 ]结果中的几个错位(红色和绿色特写)(d)SPW(e)有一些扭曲,例如,在GSP [3]获得的结果中,红框中的地板和地毯变得弯曲。(f)我们的结果保留了显着的几何结构在场景中。取决于更多的单应性变换和局部或全局相似性约束以提高拼接质量。然而,没有考虑有效地反映场景的关键结构的曲线约束。虽然基于双特征的拼接方法[8,13,25]比基于单特征的方法更好地保持了场景结构,但它需要找到拼接图像中点和线特征之间的此外,当它扩展到多个图像时,找到对应关系变得更加复杂。此外,场景的几何结构不仅包含直线,还包含完整性较好的曲线。有趣的是,用于视差容差图像拼接的缝引导局部对齐(Seagull)[15]在边缘上执行相似性变换以提高拼接质量[5],这表明几何结构信息的重要性。在这项工作中,曲线结构被引入到基于单个特征的拼接模型中,以比基于点和线特征的方法更好地保留几何结构[8,12,13,25]。与Seagull [15]仅处理接缝线附近的局部对齐不同,这项工作不仅确保了对齐精度,而且保护了所有重叠和非重叠区域的几何结构。我们的方法是建立在GSP [3],因为它的拼接结果的整体自然。为了获得更自然的拼接效果,本文设计了一种特殊的方案来保护重叠区域和非重叠区域中的直线和曲线结构图1示出了具有挑战性的拼接结果。例如[19]。可以看出,AutoStitch [1]的拼接结果严重失真。在APAP [27]的拼接结果中,右侧的人是扭曲的。在ELA [10]的拼接结果中,突出的几何结构没有被破坏,但有几个未对齐(红色和绿色特写)。在SPW [13]的拼接结果GSP [3]解决了有限视场的问题,但局部几何结构存在畸变,红色盒子中的地板和地毯变得弯曲,并且玩具轨道在比例上比真实场景太小。我们的方法的拼接结果保持地毯,玩具和地板的几何结构很好,它也看起来更自然的局部和全局。我们的方法明显 优 于 AutoStitch 、 APAP 、 SPW 和 GSP , 略 优 于ELA。一般来说,这项工作的贡献总结如下:• 该方法充分利用拼接图像中的线和边缘特征来表征大尺度几何结构,从而获得高质量的准噪声图像。• 在GSP拼接模型中加入几何结构保持能量项,合理设置采样点在几何结构上的权值,保证局部对齐和几何结构保持之间的平滑过渡,达到自然的拼接效果.• 对50组图像的实验表明,3690所提出的方法优于几种现有技术的结构保持方法。2. 相关工作主要是对齐。 它通常可以被认为是在全球对齐和接缝引导缝合方面。DHW [4]将场景划分为透视平面,地平面,并通过两个单应性变换的组合来SVA[16]使用仿射变换和平滑变换对齐图像,以提高局部对齐精度。APAP [27]通过估计每个网格的一组平滑变换来ELA [10]应用贝叶斯模型去除不正确的局部匹配以改善对齐。上述方法属于基于单特征的对齐方法。此外,一些工作[8,12,13,25]在图像缺乏点特征时,通过使用点和线特征以及从不同方面估计变换矩阵来提高拼接质量。同时,缝引导的图像拼接方法只需要找到一个无视差的局部区域进行局部对准,就可以产生一条好的缝进行拼接,这对于大视差图像拼接更有利。Gao等人[5]选择了一个稀疏特征匹配的子集,便于找到用于拼接的局部区域。Zhang和Liu [28]使用有效的随机特征选择算法来假设单应性候选以获得良好的缝合接缝。Seagull [15]使用估计的接缝来指导优化局部对齐的过程,以便可以迭代地提高接缝质量。主要是为了自然。 SPHP [2]将图像分为三部分,使得非重叠区域具有较小的失真。AANAP [14]通过结合局部单应性和全局相似性变换,比SPHP缝合得更好。GSP [3]使用网格顶点对齐作为对齐项,并结合局部相似性项和全局相似性项来优化网格变形。Li等[11]提出了一种准单应性扭曲来平衡非重叠区域中的透视失真和投影失真。Zhang等人[29]提出了一种扭曲,以产生宽基线场景的正交投影。Liu等[17]通过约束网格相似性变换实现内容保持[7]。DFW [12]、SPW [13]和LPC[8]以双特征为指导,在特征点缺失的情况下实现了较好的图像拼接效果,并在一定程度上解决了投影失真。LPC引入了全局共线结构来平衡图像变形所需的特征,它既能保持局部直线结构,又能保持全局直线结构。然而,由双特征引导的方法[8,12,13]需要准确地找到对应的线特征,这对于具有视差的场景是具有挑战性的[15]。此外,他们忽视了在复杂的真实场景中,曲线结构一般来说,场景中曲线结构的保存研究较少,尽管曲线结构比直线结构更常见。在这项工作中,缝合模型,提出了保留不同类型的几何结构提取的图像,以获得高质量的拼接结果。3. 该方法在这一部分中,首先分析了GSP [3]的局限性,然后详细介绍了所提出的方法,包括大规模边缘提取、几何结构保持项和我们的拼接模型。3.1. GSP拼接方法GSP [3]是一种基于网格优化[7]的拼接方法,它构造了一个多约束的能量函数令Vi和Ei分别表示图像Ii的网格中的顶点和边的集合。V表示所有图像中所有顶点的集合. GSP方法试图找到一组变形的顶点x位置,使能量函 数 V(V )最小化。 能量函数由三个项组成:比对项α(Vα)、局部相似性项α1(Vα)和全局相似性项αg(Vα)。它被定义为V=argmina(V)+λll(V)+g(V)。(一)V在等式(1)中,对准项α(V)确保图像变换后的对准精度,局部相似项α1(V)确保每个网格在r下进行相似变换,并且全局相似项αg(V)确保每个网格在r下进行确保每个图像都经历了一个整体的相似性转换,形成,以获得自然的缝合结果。详情请参阅[3]可以看出,GSP [3]方法的局部相似项和全局相似项在一定程度上保护了场景结构。同时,GSP以网格为优化单元,可以保护每个网格然而,当一个局部几何结构跨越多个网格时,由于每个网格的变换不同,其结构可能会被破坏。如图1(e)所示,与图1(f)所示的具有几何结构约束的拼接结果相比,3.2. 大规模几何边缘提取真实场景中存在明显的直线、平滑曲线等边缘结构,平滑曲线更为常见。如果这些突出结构在拼接过程中发生变形,则拼接结果的自然度将无法达到3691我我Vb −Va我Vb −Va得到保证。因此,图像中大尺度边缘的提取和保护对拼接性能有着重要的影响.物体的几何结构并不完全由直线组成,曲线也是重要的组成部分。在图2(a)所示的场景中存在大量的短线和相对完整的曲线结构。因此,在图像变形中忽略曲线的完整几何结构将导致非最优结果。尽管人们已经研究了具有内容保持的图像拼接[6,8,13,17,30],但是这些工作中的图像结构提取方法没有充分利用图像中的非线性结构,并且忽略了几何结构完整性的重要性。受计算机视觉深度学习进展的启发,我们使用整体嵌套边缘检测(HED)[26] 提出了一种基于卷积神经网络(CNN)的大尺度边缘提取方法。HED解决了边缘和目标边界检测中的模糊性问题,滤除了许多弱边缘,突出了目标的轮廓边缘结构。然后,对分支进行裁剪和角点断开处理,得到初步表征场景几何结构的轮廓边缘结构HED [26]从图2(a)中提取的场景的大尺度边缘如图2(b)所示,它们代表图像中明显的曲线和直线。然而,仍然存在边缘的不连续性和线结构的部分缺失。为了解决这个问题,我们将LSD [22]提取的线添加到所获得的边缘结构中。通过折线重连、共线约束等后处理,进一步细化场景的大尺度边缘如图2(c)所示,大多数物体的几何结构都可以用几条简洁而完整的等高线很好地表示出来(a)(b)(c)图2.一个大规模边缘提取的例子(a)原讼法庭─3.3. 基于三角形采样的几何结构保持在得到反映图像中几何结构的连续大尺度边缘结构与[15]类似,采样点在几何边缘上等距设置。每个采样点与几何结构的端点形成三角形。几何结构的变换间接地受到每个采样点对应的三角形上的相似变换约束[7]的约束,这也适用于直线结构。如图3(a)所示,以相等的间隔对表示几何结构的连续曲线进行采样,并且由曲线上的两个端点和采样点显然,如果这些三角形仅在图像变形中经历相似性变换,则几何结构也可以被有效地保护,如图3(d)所示。(a)(b)第(1)款(c)(d)其他事项图3.曲线边中三角形采样的插图。(a)曲线边缘被等距地采样。 (b)中的三角形(一). (c)(b)中的三角形分别经过相似变换和投影变换,得到三角形(V_desi_d,V_a,V_b)和三角形(V_i,V_a,V_b)。(d)对(a)中的所有三角形进行相同的相似变换,得到该轮廓的相似变换结果,从而对结构进行保护,可用于线路结构的保护。在图3(a)中,Vi的坐标可以由另外两个端点Va、Vb和(ui,hi)表示,Σ0 1Σ−10最终图像 (b)提取的大尺度边缘结构,HED [26]. (c)在(b)中加入线结构后,通过线重连和共线处理,得到更简洁完整的几何结构,其中相同颜色的线段属于同一几何结构。完整地提取了屋面的曲线结构,并对屋面的门、窗、平、纵结构的几何结构进行了分析。这座建筑物的轮廓用几条轮廓线很好地表示出来其中(ui,hi)是局部坐标系内的已知坐标,其值在三角形经过相似变换后将不会改变[7]。(ui,hi)可以通过三个顶点坐标来计算,h=H。,u=U。√∥Vi−Va∥2−hi 2Σ(3)Vi=Va+ui(Vb−Va)+hi(Vb−Va),(2)3692.我2(7)第二节Vi−VaX else我−1 0(V)=wiEi0哪里H(x)= xif(Vi−Va)×(Vb−Va)0<−x else.−xif(Vi−Va)·(Vb−Va)0.( 四)P0、P1和P2表示右图(绿色)中曲线结构上的三个采样点。 P0位于右图像的非重叠区域中,并且几何结构约束完全由右图像主导,因此P0的权重为1。P1倾向于集中在右图像的中心位置,但它位于左图像的边缘(红色)。因此,据认为,认为该位置如图3(c)所示,假设V,V,V反式-都是由右图像支配的。 同样,形成了一种ia bˆdesired ˆ ˆP2的权重小于P1。Vi,Va,Vb和经过投影变换和相似变换后的Vi,Va,Vb分别为零和零。 V_ desi_ed计算为,V^desi red=V^a+ui.V^b−V^a+hi01。V^b−V^a(五)10.5为了尽可能间接地保护结构,可以最小化后续成本以鼓励相似性(一)(b)第(1)款在给定三角形上的变换,E=。(六)图4. (a)采样点在两个拼接图像的几何曲线中。(b)权方程的函数曲线。i¨ii¨所有几何结构采样点的误差方程可以得到,NcNs因此,我们分别利用采样点到重叠区域边界和图像边界的最小距离来计算权值。注意,当两个图像的重叠区域是ges(V^)J我j=1i =1平方,获得最优解,并且期望两个采样点的权重之和在其中,Nc是图像中所有几何结构的总数,Ns是几何结构i中所有采样点的数量。重叠区域中的相同位置是1。因此,我们使用中心对称函数,例如。余弦(图4(b)),重叠区域采样点权重计算公式为3.4. 基于几何结构保持的GSP拼接方法w i= max. (cos(γ × π)+1),ε12我、(8)结果表明,添加Equa.条件(7)作为GSP [3]模型的一个新的约束条件是不好的。这是因为对每个样本三角形使用相同的相似性变换,而不管它们是在重叠区域中还是在非重叠区域中。在添加几何结构约束后,在非重叠区域中,需要保持强几何约束;在重叠区域中,需要保持几何约束,并且需要保证图像对齐。因此,需要合理地设置几何边缘上采样点的权值,并在保持图像变形和其中γ i= do(Vi)/(db(Vi)+do(Vi)),do(Vi)为采样点所在网格到重叠区域边界的最小距离,db(Vi)为采样点所在网格到图像边界的最小距离,如图4(a)所示。 在所有实验中,ε=0。01.最后,几何结构的保存是一体化的到GSP模型中,以获得我们的GES-GSP拼接模型,V^= ar gmin.你好V^l+λlV^N+Ng.V^+λge sge s。V^V结构保护为了确保拼接结果的整体自然度,非重叠区域中采样点的权重V^其中,ΣNc ΣNs(九)jj. 在我们所有的实验中,区域和重叠区域设置为1且小于1。图4(a)示出了当两个图像被预拼接时采样点的权重图的示例。λ 1= 0。75,λ ges=1。五、我们的拼接方法试图找到一组变形的顶点x位置Vx,使得总能量项是最小的。P02POBDD1P1ε1U(x)=j=1i=1ψ3693(V).ges^^ ^您的位置:迷乱了在局部,每个网格进行相似性变换,使全景图像具有更好的细节信息。在全局上,为每个图像找到适当的缩放和旋转,以保持良好的结构。在几何学上,图像中的显著几何结构被保护免于失真。因此,能量函数由四项组成:对准项α(V)、局部相似性项α1(V)、全局相似性项αg(V)和几何形状。该方法可以看作是一个线性优化问题,最优网格顶点集可以通过求解一个稀疏线性矩阵方程得到一个封闭解。详细过程见补充材料。4. 实验实验在配备有2.9GHz CPU和16GB内存的计算机上进行,并运行Windows10和Ubuntu 18操作系统。SIFT[18]使用VLFeat [21]提取特征,并通过HED [26]和LSD[22]提取边缘。对于基于网格的方法,网格大小为40×40像素默认情况下,最小采样点间隔设置为网格大小,根据几何结构的总长度获取尽可能多的采样点为了全面检验该方法的效果和稳定性,我们构建了50个多样化和挑战性的数据集(其中26个来自[2- 图像的数量范围从2到35,并且图像之间的空间关系是1D和2D。与GSP [3]相比,本文方法在图像预处理上花费了一定的时间,但时间消耗仍然是可以接受的。对于800×600的分辨率,GSP方法拼接两幅图像需要2.37 s(图5),20.27 s拼接21幅图像(图7),而提出的方法分别需要4.418 s和31.168 s。由于篇幅有限,请参阅补充材料,以了解更详细的比较和讨论。4.1. 与最新方法的我们的GES-GSP方法与AutoStitch [1],APAP [27],ELA [10],SPW [13],LPC [8]进行了比较(仅支持拼接两个图像)和GSP [3]在各种真实场景上。图5显示了在办公室场景中拼接两张图像的结果(数据来自LPC [8])。在通过APAP、SPW和LPC获得的结果中,车门显示出具有弯曲和不均匀变形的伪影(蓝色框)。在APAP和SPW获得的结果中,时钟表现出未对准(红色特写)。在获得的ELA结果中,存在失真和未对准(红色圆圈)。在LPC获得的结果中,门表现出伪影,整体的视角是不自然的。在GSP得到的结果中,红、黄、绿三条线所表示的墙壁是弯曲的,不符合视觉透视效果。在我们的GES-GSP得到的结果中,左边的桌子和门都没有被拉伸,墙壁也没有弯曲,整体视觉效果更加自然。图5.在办公室场景中拼接两幅图像的示例。图6显示了在具有平滑曲线几何形状的商场场景中拼接五个图像的结果。为了更好地表示结果之间的差异,将绿色曲线添加到具有相同曲率的结果中,这些曲线更接近真实场景。在AutoS- titch和GSP获得的结果中,如绿色曲线所示,顶部的弧线在APAP、ELA和SPW获得的结果中,顶部的弧明显收缩,由于过度投影,图像的部分严重倾斜和在我们的方法得到的结果中,顶部圆的尺度和弧度更自然,其他凸点的几何结构也得到了很好的保护。图7显示了拼接21张图像的结果,它们之间的空间关系是2D的(数据来自GSP [3])。在AutoStitch获得的结果中,建筑物的水平和垂直方向存在明显的在ELA得到的结果中,存在由球面投影引起的失真。APAP和SPW(红圈)获得的结果存在偏差在GSP得到的结果中,中间的建筑物(红、绿、黄线)的边缘被弯曲,右边的在通过我们的方法获得的结果中,建筑物的文物(红、绿、黄线)被很好地保存,并且右边的广告牌的几何结构被保护。总而言之,AutoStitch [1]和ELA(球面投影)[10]会受到球面投影3694图6.商场场景中五幅图像拼接的实例图7.场景中拼接21个图像的示例投影APAP [27]和ELA [10]遭受严重的形状和面积失真,特别是在非重叠区域。SPW [13]和LPC [8]保护线结构并抑制失真,形状和面积在一定程度上被拉伸和非均匀放大。然而,由于仅使用直线特征对于复杂的真实场景来说是不够的,所以效果仍然不是很好。GSP [3]为每个图像选择适当的缩放和旋转虽然它很好地解决了上述问题,但图像中的几何结构被破坏了。至于我们的方法,要保存不受限制,因此它可以保持提取的不同几何结构,并在图像变形和结构保持之间获得最佳平衡。因此,我们的方法得到的结果是更自然的。4.2. 讨论分析了采样间隔、采样点权值和失真度评价对拼接结果的影响4.2.1采样间隔如前所述,几何结构通常跨越多个网格。因此,我们为几何结构上的每个网格设置不同数量的具体地说,建立了五种方案,即:每个网格采样四点、两点、一点,每两个网格采样一点,每四个网格采样一点。如图8所示,在建筑物上存在跨越多个网格的近似水平边缘当每个网格的采样点数大于1时然后,为了简化采样过程,我们在实验中每个网格只采样一个点。图8.不同采样方案下几何结构保持的实例。3695图9.有/无自适应权重的影响示例。4.2.2采样点几何结构上采样点的权值设置对拼接过程中的对齐精度和自然度至关重要。文中讨论了自适应权和等权的影响图9示出了三种拼接方法的示例,包括GSP [3]、所提出的具有相等权重和自适应权重的方法。GPS获得的结果等重的提议方法有一定的效果(黄线),但红框中的部分与GSP的相应部分相比是弯曲的。这种形状弯曲是由于几何结构上的采样点的权重相同,这使得重叠区域中的拼接难以在局部对齐和几何结构保留之间平衡。最后,如红色框和线所示,我们的方法可以通过为每个采样点调整权重来获得更自然的拼接结果,同时失真更小。4.2.3几何结构保持与GSP的比较文中给出了用本文方法和GSP [3]方法保持几何结构的两个例子。图10示出了图6中的原始图像的局部变形。图像中曲线部分(红框)所示的网格变形表明,通过不保留几何结构的GSP方法获得的结果表现出拱形弯曲。同时,本文的GES-GSP方法所得结果的失真度比GSP方法所得结果的失真度小得多。同样,在图11中,垂直路灯(红框)中的网格显示出明显的弯曲,而桥梁(绿框)在GSP获得的结果中也是拱形的。图10.来自图6的图像的扭曲。图11.具有明显曲线结构的图像的扭曲5. 结论提出了一种不受特定边缘类型限制的几何结构引导的图像拼接方法。首先,使用基于深度学习的大规模边缘检测方法和传统的直线检测方法,提取反映场景结构信息的各种类型的边缘。然后,对结构执行三角形采样以获得表示对应结构的三角形集合最后,利用得到的三角形构造几何结构保持项,进行相似性变换以实现内容保持。在所提出的GES-GSP方法中,采样点的自适应权重在对齐和几何结构保留之间进行平衡,以获得更自然的缝合结果。与现有方法相比,本文提出的GES-GSP方法能够最大限度地保留不同类型的未来我们将探讨不同几何结构并进一步获得更引人注目的拼接效果。鸣谢。国家自然科学基金项目:61876153和新加坡国立大学教师研究委员会(FRC)资助(WBS:A-0009440-00-00)。3696引用[1] 马修·布朗和大卫·G·洛。使用不变特征的自动全景图像拼接。国际计算机视觉杂志,74(1):59-73,2007.一、二、六[2] Chehan Chang,Yoichi Sato,and Yung-Yu Chuang.用于图像拼接的保形半投影变形在IEEE计算机视觉和模式识别会议的Proceedings,第3254-3261页一、三、六[3] 陈宇生和庄永玉。基于全局相似性先验的自然图像拼接.欧洲计算机视觉会议论文集,第186施普林格,2016年。一二三五六七八[4] Junhong Gao,Seon Joo Kim,and Michael S Brown.利用双单应性变形构造图像灰度图IEEE计算机视觉与模式识别会议论文集,第49-56页。IEEE,2011年。一、三、六[5] Junhong Gao , Yu Li , Tat-Jun Chin , and Michael SBrown.图像拼接。在Eurographics(Short Papers)中,第45-48页,2013年。二、三[6] Kaiming He,Huiwen Chang,and Jian Sun.通过扭曲矩形 全 景 图 像 。 ACM Transactions on Graphics , 32(4):1-10,2013。1、4[7] Takeo Igarashi,Tomer Moscovich,and John F Hughes.尽 可 能 刚 性 的 形 状 操 作 。 ACM transactions onGraphics,24(3):1134-1141,2005。三、四[8] Qi Jia,Zhengjun Li,Xin Fan,Haotian Zhao,ShiyuTeng,Xinchen Ye,and Longin Jan Latecki.利用线点一致性来保留宽视差图像拼接的结构。在IEEE计算机视觉和模式识别会议论文集,第12186-12195页,2021年。一二三四六七[9] Kyu-Yul Lee和Jae-Young Sim。基于变形残差的大视差图像拼接。在IEEE计算机视觉和模式识别会议论文集,第8198-8206页,2020年。1[10] Jing Li , Zhengming Wang , Shiming Lai , YongpingZhai,and Maojun Zhang.基于鲁棒弹性变形的容忍视差图 像 拼 接 。 IEEE Transactions on Multimedia , 20(7):1672-1687,2017。一二三六七[11] 李南,徐一方,王超。图像拼接中的准单应性扭曲IEEE Transactions on Multimedia , 20 ( 6 ) : 1365-1375,2017。3[12] 李世伟、陆渊、孙坚、龙泉。基于双特征变形的运动模型估计。 在IEEE计算机视觉国际会议论文集,第4283-4291页,2015年。一、二、三[13] 廖天利和李南。自然图像拼接中的单透视扭曲。IEEETransactions on Image Processing , 29 : 724-735 ,2019。一二三四六七[14] Chung-ChingLin , SharathchandraUPankanti ,Karthikeyan Natesan Ramamurthy , and Aleksandr YAravkin.自适应尽可能自然的图像拼接。在2015年IEEE计算机视觉和模式识别会议论文集,第1155-1163页中一、三、六[15] Kaimo Lin,Nianjuan Jiang,Loong-Fah Cheong,MinhDo,and Jiangbo Lu. Seagull:导航定位,视差容忍图像拼接。欧洲计算机视觉会议,第370-385页施普林格,2016年。二、三、四[16] Wenyan Lin,Siying Liu,Yasuyuki Matsushita,Tian-Tsong Ng,and Loong-Fah Cheong.平滑变化的仿射缝合。在IEEE计算机视觉和模式识别集,第345IEEE,2011年。第1、3条[17] Feng Liu , Michael Gleicher , Hailin Jin , and AseemAgar-wala.用于3d视频稳定的内容保持扭曲。ACM Transactions on Graphics,28( 3): 1-9, 2009.三、四[18] 大卫·G·洛从尺度不变关键点中提取独特的图像特征。国际计算机视觉杂志,60(2):91-110,2004. 6[19] Yoshikuni Nomura,Li Zhang,and Shree K Nayar.场景拼贴和灵活的相机阵列。在2007年关于渲染技术的欧洲图形会议,第127二、六[20] 理 查 德 · 塞 利 斯 基 。 图 像 对 齐 和 拼 接 : 教 程 。Foundations and Trends® in Computer Graphics andVision,2(1):1-104,2006。1[21] 安德里亚·维达尔迪和布莱恩·富尔克森Vlfeat:一个开放的、可移植的计算机视觉算法库。在Proceedings ofthe 18th ACM international conference on Multime-dia,pages 1469-1472,2010中。6[22] 拉法·埃尔·格罗彭五世在《基艾》、《杰·雷·米·雅各布·奥维奇》、《让·米歇尔·莫雷尔》和《格雷戈里·兰德尔》中。线段检测器。Image Processing On Line,2:35-55,2012. 四、六[23] 王兆斌,杨泽坤。图像拼接技术综述多媒体系统,26(4),2020。1[24] 吕威、周中、陈朗、周毅。图像与视频拼接综述。虚拟现实智能硬件,1(1):55-83,2019。1[25] 向天柱、夏桂松、向白、张良培。全局相似性约束下的线引导局部变形图像拼接。模式识别,83:481- 497,2018。一、二、三[26] 谢 赛 宁 、 涂 卓 文 。 整 体 嵌 套 边 缘 检 测 。 IEEEInternational Conference on Computer Vision , 第 1395-1403页,2015年。四、六[27] Julio Zaragoza、Tat-Jun Chin、Michael S Brown和DavidSuter。尽可能投影的移动dlt图像拼接。在IEEE计算机视觉和模式识别会议论文集,第2339-2346页一二三六七[28] 范章和凤琉。视差容忍图像拼接。在IEEE计算机视觉和模式识别会议论文集,第3262-3269页3[29] 张国风,何毅,陈伟峰,贾佳雅,包虎军.宽基线图像的 多 视 点 全 景 图 构 建 IEEE Transactions on ImageProcessing,25(7):3099-3111,2016。3[30] 张云,赖玉坤,张方略。具有分段矩形边界约束的内容保持图像拼接。IEEE transactions on visualization andcomputer graphics,27(7):3198-3212,2020。1、4
下载后可阅读完整内容,剩余1页未读,立即下载
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 电力电子系统建模与控制入门
- SQL数据库基础入门:发展历程与关键概念
- DC/DC变换器动态建模与控制方法解析
- 市***专有云IaaS服务:云主机与数据库解决方案
- 紫鸟数据魔方:跨境电商选品神器,助力爆款打造
- 电力电子技术:DC-DC变换器动态模型与控制
- 视觉与实用并重:跨境电商产品开发的六重价值策略
- VB.NET三层架构下的数据库应用程序开发
- 跨境电商产品开发:关键词策略与用户痛点挖掘
- VC-MFC数据库编程技巧与实现
- 亚马逊新品开发策略:选品与市场研究
- 数据库基础知识:从数据到Visual FoxPro应用
- 计算机专业实习经验与项目总结
- Sparkle家族轻量级加密与哈希:提升IoT设备数据安全性
- SQL数据库期末考试精选题与答案解析
- H3C规模数据融合:技术探讨与应用案例解析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)