CN114882079A - 图像配准检测方法、电子设备及存储介质 - Google Patents
图像配准检测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114882079A CN114882079A CN202210379455.3A CN202210379455A CN114882079A CN 114882079 A CN114882079 A CN 114882079A CN 202210379455 A CN202210379455 A CN 202210379455A CN 114882079 A CN114882079 A CN 114882079A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- registration
- pixel point
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010068977 Golgi membrane glycoproteins Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开一种图像配准检测方法、电子设备及存储介质,该方法包括:接收已完成配准的第一图像和第二图像,其中,所述第一图像的解析力大于所述第二图像的解析力;计算所述第一图像中各像素点与所述第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第三图像;根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果。
Description
技术领域
本申请涉及机器视觉技术领域,特别涉及一种图像配准检测方法、电子设备及存储介质。
背景技术
图像配准技术,是一种使用某种方法,基于某种评估标准,将一个或多个图像最优映射到目标图像上的技术,是图像融合的基础。图像融合在目标检测、模型重建、运动估计、特征匹配,肿瘤检测、病变定位、血管造影、地质勘探、航空侦察等领域都有广泛的应用。由于图像配准结果的正确与否,直接影响后续图像融合的质量,因此需要对图像配准结果进行检测。目前,现有的图像配准检测方法只适用于解析力基本一致的两个配准图像,而对于解析力有差异的两个配准图像不适用,无法实现检测。
发明内容
本申请实施例提供一种图像配准检测方法、电子设备及存储介质,以解决现有技术中存在的对于解析力有差异的两个配准图像无法实现配准检测的技术问题。
根据本申请的第一方面,公开了一种图像配准检测方法,所述方法包括:
接收已完成配准的第一图像和第二图像,其中,所述第一图像的解析力大于所述第二图像的解析力;
计算所述第一图像中各像素点与所述第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第三图像;
根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果。
根据本申请的第二方面,公开了一种图像配准检测装置,所述装置包括:
接收模块,用于接收已完成配准的第一图像和第二图像,其中,所述第一图像的解析力大于所述第二图像的解析力;
第一计算模块,用于计算所述第一图像中各像素点与所述第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第三图像;
确定模块,用于根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果。
根据本申请的第三方面,公开了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现如第一方面中的图像配准检测方法。
根据本申请的第四方面,公开了一种计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现如第一方面中的图像配准检测方法。
根据本申请的第五方面,公开了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如第一方面中的图像配准检测方法。
本申请实施例中,对于解析力有差异的两个配准图像,可以根据两个配准图像中各像素之间的相似度所构成的第三图像,确定两个配准图像之间的配准是否存在问题。与现有技术相比,本申请实施例中,由于像素点的相似度可以在很大程度上反应出解析力有差异的两个图像的配准程度,因此可以实现对解析力有差异的两个配准图像的检测。
附图说明
图1是本申请实施例提供的一种图像配准检测方法的流程图;
图2是本申请实施例提供的第三图像的一个示例图;
图3是本申请实施例提供的第三图像的另一个示例图;
图4是本申请实施例提供的另一种图像配准检测方法的流程图;
图5是本申请实施例提供的第四图像的一个示例图;
图6是本申请实施例提供的第四图像的另一个示例图;
图7是本申请实施例提供的图像配准检测装置的结构示意图;
图8是本申请实施例提供的一种电子设备的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
近年来,基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科,涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支,具体是让机器识别世界,计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步,该项技术在众多领域展开了应用,例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
本申请实施例提供了一种图像配准检测方法、电子设备及存储介质。
为了便于理解,首先对本申请实施例中涉及到的一些概念进行解释。
解析力,也被称为解像力,是一种分辨被摄原物细节的能力,用来描述缩微摄影系统再现被摄原件细微部分能力的物理量,是影像解像力量评价的重要指标。相机的焦段越长,解析力越高,图像的分辨率越高;反之,相机的焦段越短,解析力越低,图像的分辨率越低。
高斯模糊,也被称为高斯平滑,是在Adobe Photoshop、GIMP以及Paint.NET等图像处理软件中广泛使用的处理效果,通常被用于减少图像噪声以及降低细节层次,这种模糊技术生成的图像,其视觉效果就像是经过一个毛玻璃在观察图像。
SSIM(Structural Similarity,结构相似性),是一种衡量两幅图像相似度的指标。
接下来对本申请实施例提供的一种图像配准检测方法进行介绍。
图1是本申请实施例提供的一种图像配准检测方法的流程图,如图1所示,该方法可以包括以下步骤:步骤101、步骤102和步骤103,其中,
在步骤101中,接收已完成配准的第一图像和第二图像,其中,第一图像的解析力大于第二图像的解析力。
本申请实施例中,对于解析力有差异的两个待配准图像,可以由高解析力的图像向低解析力的图像配准,也可以由低解析力的图像向高解析力的图像配准。
本申请实施例中,对于解析力有差异的两个待配准图像,可以来源于两个摄像头,例如,一个待配准图像来源于广角摄像头,另一个待配准图像来源于长焦摄像头,由于两个摄像头的焦段不一样,拍摄出来的两个图像的解析力差异也比较大,在对同一对象进行拍照时,长焦摄像头拍摄出来的图像的解析力高,图像中的纹理能很清晰地看到,而广角摄像头拍摄出的图像的解析力低,拍摄出来的图像中只能看到大概轮廓、看不清纹理。
对于解析力有差异的两个待配准图像,在完成配准后,得到已完成配准的第一图像和第二图像,第一图像为高解析力图像,第二图像为低解析力图像,本申请实施例中,会检测第一图像与第二图像之间配准结果的准确性。
本申请实施例中,第一图像的解析力可以远大于第二图像的解析力,也可以稍微大于第二图像的解析力。
在步骤102中,计算第一图像中各像素点与第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第三图像。
在一些实施例中,为保证两个图像之间相似度计算的准确度,可以采用结构相似度计算方法,计算第一图像中各像素点与第二图像中对应位置像素点的相似度。或者,也可以采用其他的相似度计算方法例如直方图的计算方式,在此不做限定。
在一些实施例中,第三图像中每个像素点的像素值为:第一图像中对应位置像素点与第二图像中对应位置像素点的相似度值。
当采用结构相似度计算方法,计算第一图像中各像素点与第二图像中对应位置像素点的相似度时,第三图像为灰度图,第三图像中每个像素点的像素值为:第一图像中对应位置像素点与第二图像中对应位置像素点的SSIM值。
对于第三图像中的某个像素点,若该像素点的SSIM值越高,表示第一图像与第二图像在这个像素点位置处越相似,相反越不相似,不相似的位置往往表示没有配准,也就是配准之后会出现错误。SSIM在第三图像中的表现为:某个像素点的SSIM值越高,这个像素点处位置的颜色越亮,反之越暗。
在一些实施例中,由于以第一图像中对应位置像素点与第二图像中对应位置像素点的相似度值,直接构建的灰度图,其各像素点的像素值的分布比较广泛(0~255),处理起来比较困难,为了便于处理,在计算得到第一图像中各像素点与第二图像中对应位置像素点的相似度之后,可以对计算得到的各像素点的相似度进行二值化处理,得到第一图像中各像素点与第二图像中对应位置像素点的相似度二值化结果,以各像素点的相似度二值化结果构建第三图像。
相应地,第三图像为二值图,第三图像中每个像素点的像素值为:第一图像中对应位置像素点与第二图像中对应位置像素点的相似度二值化结果。
在对第一图像中各像素点与第二图像中对应位置像素点的相似度进行二值化处理时,可以设定一个阈值thr1(例如为0.5),相似度小于thr1的像素点的二值化结果设置为255,相似度不小于thr的像素点的二值化结果设置为0。或者,也可以采用相反的处理思路:相似度小于thr1的像素点的二值化结果设置为0,相似度不小于thr的像素点的二值化结果设置为255,本申请实施例对此不做限定。为了后续便于描述,后续二值化处理均以前一种二值化处理策略处理得到的图像为例进行说明。
为了便于理解以上两种不同形式的第三图像,结合附图中的示例图进行描述。当采用结构相似度计算方法,计算第一图像中各像素点与第二图像中对应位置像素点的相似度时,第三图像中每个像素点的像素值为:第一图像中对应位置像素点与第二图像中对应位置像素点的SSIM值,如图2所示,第三图像为灰度图。
当第三图像中每个像素点的像素值为:第一图像中对应位置像素点与第二图像中对应位置像素点的相似度二值化结果时,如图3所示,第三图像为二值图。
在步骤103中,根据第三图像,确定第一图像与第二图像的配准检测结果。
在一些实施例中,可以通过图像中的连通区域信息确定配准检测结果,上述步骤103具体可以包括以下步骤:
检测第三图像中是否存在连通区域,若第三图像中存在连通区域,则确定第一图像与第二图像之间的配准存在错误,其中,配准错误区域为连通区域。
以第三图像为图3所示图像为例,对图3所示的第三图像进行连通区域检测,检测发现第三图像中存在多个连通区域(即多个白色区域),确定第一图像与第二图像之间的配准存在错误,配准错误区域为第三图像中的白色区域。
由上述实施例可见,该实施例中,对于解析力有差异的两个配准图像,可以根据两个配准图像中各像素之间的相似度所构成的第三图像,确定两个配准图像之间的配准是否存在问题。与现有技术相比,本申请实施例中,由于像素点的相似度可以在很大程度上反应出解析力有差异的两个图像的配准程度,因此可以实现对解析力有差异的两个配准图像的检测。
图4是本申请实施例提供的另一种图像配准检测方法的流程图,本申请实施例中,为了提高配准检测的准确性,可以对已完成配准的图像进行模糊处理,通过模糊后的图像指导配准检测结果,以降低解析力差异带来的误检测,如图4所示,该方法可以包括以下步骤:步骤401、步骤402、步骤403、步骤404和步骤405,其中,
在步骤401中,接收已完成配准的第一图像和第二图像,其中,第一图像的解析力大于第二图像的解析力。
在步骤402中,计算第一图像中各像素点与第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第三图像。
本申请实施例中的步骤401、402与图1所示实施例中的步骤101、102类似,在此不再赘述。
在步骤403中,至少对第一图像进行模糊处理。
为降低第一图像与第二图像之间解析力的差异,从而降低配准后两个图像纹理不相似对检测结果的干扰,本申请实施例中,需要至少对高解析力的第一图像进行模糊处理。
在一些实施例中,可以仅对高解析的第一图像进行模糊处理。
在一些实施例中,可以对第一图像和第二图像均进行模糊处理,其中,第一图像的模糊程度不低于第二图像的模糊程度。
在图像进行模糊处理时,为了达到均匀模糊的效果,可以采用高斯模糊算法进行模糊处理。或者,也可以采用其他模糊算法,例如均值模糊算法,在此不做限定。
在步骤404中,若对第一图像进行模糊处理,则计算模糊处理得到的图像中各像素点与第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第四图像;若对第一图像和第二图像均进行模糊处理,则计算模糊处理得到的两个图像中各像素点之间的相似度,得到用于表征各像素点的相似度的第四图像,第一图像的模糊程度不低于第二图像的模糊程度。
本申请实施例中,与第三图像的两种表现形式类似,第四图像也可以有两种表现形式,一种表现形式为灰度图如图5所示,另一种表现形式为二值图如图6所示。
需要说明的是,当第三图像和第四图像均为二值图时,其对应的二值化策略应是相同的。
在步骤405中,根据第三图像和第四图像,确定第一图像与第二图像的配准检测结果。
在一些实施例中,由于第四图像进一步消除了因解析力差异所造成的纹理不相似的影响,因此可以通过第四图像指导第三图像的配准检测结果,此时,上述步骤405具体可以包括以下步骤(图中未示出):步骤4051和步骤4052,其中,
在步骤4051中,检测第三图像中是否存在连通区域,若第三图像中存在连通区域,则获取第四图像中对应位置的各像素点的像素值;
在步骤4052中,根据第三图像中的连通区域和第四图像中对应位置的各像素点的像素值,确定第一图像与第二图像的配准检测结果。
本申请实施例中,以第三图像和第四图像均为二值图为例,第三图像(即清晰的第一、二图像对应的二值图)中的连通区域为可能存在配准错误的区域,为了确定该区域是真实的配准错误,还是本身配准正确但由于纹理不相似导致的误检测,会结合第四图像(即模糊的第一、二图像对应的二值图)中对应位置的像素点进行进一步地判断。
在一些实施例中,在结合第四图像(即模糊的第一、二图像对应的二值图)中对应位置的像素点进行进一步地判断时,上述步骤4052具体可以包括以下步骤:
对于第三图像中的至少一个连通区域,根据第四图像中对应位置的各像素点的像素值,调整第一图像与第二图像之间的配准检测结果。
其中,若第四图像中对应位置的各像素点的像素值与连通区域内像素点的像素值相同,则确定连通区域为配准错误区域;
若第四图像中对应位置的各像素点的像素值与连通区域内像素点的像素值不相同,则确定连通区域为配准正确区域。
本申请实施例中,由于第四图像已经消除了纹理不相似造成的干扰,因此如果第四图像中对应位置的区域也被检测到是配准错误区域,则确定第三图像中的连通区域是真实的配准错误区域。如果第四图像中对应位置的区域被检测到不是配准错误区域,则确定第三图像中的连通区域是本身配准正确但由于纹理不相似导致的误检测。
在一些实施例中,为了降低检测本身导致的一些干扰,例如图像中可能会存在一些面积非常小的连通区域(也称为干扰点),为了降低这部分对检测结果的干扰,可以对图像进行去小岛操作,去除图像中的干扰点,此时,第四图像是对模糊处理后计算得到的两个图像中各像素点的相似度所构成的图像,进行去小岛处理后得到的图像;其中,去小岛处理包括:消除图像中孤立的小区域,小区域内像素点的像素值与连通区域内像素点的像素值相同,小区域内像素点的数量小于预设数量。
在一些实施例中,为维护人员可以对配准错误的情况进行直观了解,则可以对图像中的配准错误区域进行标记输出,下面结合一个例子进行说明。
在获取到如图3所示的第三图像和如图6所示的第四图像后,对第三图像进行连通区域检测,检测到第三图像中存在多个白色区域,即连通区域,以第三图像中的某一面积较大的白色区域A为例,该白色区域A为可能存在配准错误的区域,为了确定该区域A是真实的配准错误,还是本身配准正确但由于纹理不相似导致的误检测,需要结合第四图像进行进一步地判断,由于第四图像已经消除了纹理不相似造成的干扰,因此如果第四图像中对应位置的区域内也有白色像素点,则说明区域A确实是真实的配准错误区域。如果第四图像中对应位置的区域没有白色像素点,则说明区域A本身配准正确但由于纹理不相似导致的误检测,此时,将区域A内像素点的像素值由255更改为0。针对第三图像中的每个白色区域均进行以上处理,得到最终的输出图像,其中,若输出图像中仍然存在白色区域,则白色区域为配准错误区域。
由上述实施例可见,该实施例中,由于对两个已配准图像中解析力大的图像进行模糊处理,可以拉近两个图像的解析力差异,降低配准后两个图像纹理不相似对检测结果的干扰,因此结合模糊后的图像,对两个已配准图像的配准结果进行检测,可以解决由于两个已配准图像解析力差异较大所造成的误检测问题,提高了图像配准检测的准确度。
为了提高配准检测结果的准确性,消除解析力差异导致的误检测,在本申请实施例提供的另一个实施例中,可以首先对已配准的两个图像进行模糊处理,之后基于模糊处理后的两个图像进行配准检测,配准检测过程与图1所示实施例中的步骤102和103类似,在此不再赘述。
在一些实施例中,第一图像为经过模糊处理的图像,也就是,可以只对已配准的两个图像中高解析力的图像进行模糊处理。
在一些实施例中,第一图像和第二图像均为经过模糊处理的图像,也就是,可以对已配准的两个图像均进行模糊处理。
图7是本申请实施例提供的图像配准检测装置的结构示意图,如图7所示,图像配准检测装置700,可以包括:接收模块701、第一计算模块702和确定模块703,其中,
接收模块701,用于接收已完成配准的第一图像和第二图像,其中,所述第一图像的解析力大于所述第二图像的解析力;
第一计算模块702,用于计算所述第一图像中各像素点与所述第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第三图像;
确定模块703,用于根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果。
由上述实施例可见,该实施例中,对于解析力有差异的两个配准图像,可以根据两个配准图像中各像素之间的相似度所构成的第三图像,确定两个配准图像之间的配准是否存在问题。与现有技术相比,本申请实施例中,由于像素点的相似度可以在很大程度上反应出解析力有差异的两个图像的配准程度,因此可以实现对解析力有差异的两个配准图像的检测。
可选地,作为一个实施例,所述确定模块703,可以包括:
检测子模块,用于检测所述第三图像中是否存在连通区域;
第一确定子模块,用于若所述第三图像中存在连通区域,则确定所述第一图像与所述第二图像之间的配准存在错误。
可选地,作为一个实施例,所述图像配准检测装置700,还可以包括:
模糊处理模块,用于至少对所述第一图像进行模糊处理;
第二计算模块,用于若对所述第一图像进行模糊处理,则计算模糊处理得到的图像中各像素点与所述第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第四图像;
第三计算模块,用于若对所述第一图像和所述第二图像均进行模糊处理,则计算模糊处理得到的两个图像中各像素点之间的相似度,得到用于表征各像素点的相似度的第四图像,所述第一图像的模糊程度不低于所述第二图像的模糊程度;
所述确定模块703,可以包括:
第二确定子模块,用于根据所述第三图像和所述第四图像,确定所述第一图像与所述第二图像的配准检测结果。
可选地,作为一个实施例,所述第二确定子模块,可以包括:
检测单元,用于检测所述第三图像中是否存在连通区域;
获取单元,用于若所述第三图像中存在连通区域,则获取所述第四图像中对应位置的各像素点的像素值;
确定单元,用于根据所述第三图像中的连通区域和所述第四图像中对应位置的各像素点的像素值,确定所述第一图像与所述第二图像的配准检测结果。
可选地,作为一个实施例,所述确定单元,可以包括:
确定子单元,用于对于所述第三图像中的至少一个连通区域,根据所述第四图像中对应位置的各像素点的像素值,调整所述第一图像与所述第二图像之间的配准检测结果。
可选地,作为一个实施例,所述确定子单元,具体用于:
若所述第四图像中对应位置的各像素点的像素值与所述连通区域内像素点的像素值相同,则确定所述连通区域为配准错误区域;
若所述第四图像中对应位置的各像素点的像素值与所述连通区域内像素点的像素值不相同,则确定所述连通区域为配准正确区域。
可选地,作为一个实施例,所述第四图像是对模糊处理后计算得到的两个图像中各像素点的相似度所构成的图像,进行去小岛处理后得到的图像;
其中,所述去小岛处理包括:消除图像中孤立的小区域,所述小区域内像素点的像素值与所述连通区域内像素点的像素值相同,所述小区域内像素点的数量小于预设数量。
可选地,作为一个实施例,所述第一图像为经过模糊处理的图像。
本申请提供的图像配准检测方法的实施例中的任意一个步骤和任意一个步骤中的具体操作均可以由图像配准检测装置中的相应的模块完成。图像配准检测装置中的各个模块完成的相应的操作的过程参考在图像配准检测方法的实施例中描述的相应的操作的过程。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图8是本申请的一个实施例的一种电子设备的结构框图。电子设备包括处理组件822,其进一步包括一个或多个处理器,以及由存储器832所代表的存储器资源,用于存储可由处理组件822执行的指令,例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件822被配置为执行指令,以执行上述方法。
电子设备还可以包括一个电源组件826被配置为执行电子设备的电源管理,一个有线或无线网络接口850被配置为将电子设备连接到网络,和一个输入输出(I/O)接口858。电子设备可以操作基于存储在存储器832的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
根据本申请的再一个实施例,本申请还提供了计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现如上述任意一个实施例所述的图像配准检测方法中的步骤。
根据本申请的再一个实施例,本申请还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如上述任意一个实施例所述的图像配准检测方法中的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种图像配准检测方法、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种图像配准检测方法,其特征在于,所述方法包括:
接收已完成配准的第一图像和第二图像,其中,所述第一图像的解析力大于所述第二图像的解析力;
计算所述第一图像中各像素点与所述第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第三图像;
根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果,包括:
检测所述第三图像中是否存在连通区域;
若所述第三图像中存在连通区域,则确定所述第一图像与所述第二图像之间的配准存在错误。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果之前,所述方法还包括:
至少对所述第一图像进行模糊处理;
若对所述第一图像进行模糊处理,则计算模糊处理得到的图像中各像素点与所述第二图像中对应位置像素点的相似度,得到用于表征各像素点的相似度的第四图像;
若对所述第一图像和所述第二图像均进行模糊处理,则计算模糊处理得到的两个图像中各像素点之间的相似度,得到用于表征各像素点的相似度的第四图像,所述第一图像的模糊程度不低于所述第二图像的模糊程度;
所述根据所述第三图像,确定所述第一图像与所述第二图像的配准检测结果,包括:
根据所述第三图像和所述第四图像,确定所述第一图像与所述第二图像的配准检测结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第三图像和所述第四图像,确定所述第一图像与所述第二图像的配准检测结果,包括:
检测所述第三图像中是否存在连通区域;
若所述第三图像中存在连通区域,则获取所述第四图像中对应位置的各像素点的像素值;
根据所述第三图像中的连通区域和所述第四图像中对应位置的各像素点的像素值,确定所述第一图像与所述第二图像的配准检测结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第三图像中的连通区域和所述第四图像中对应位置的各像素点的像素值,确定所述第一图像与所述第二图像的配准检测结果,包括:
对于所述第三图像中的至少一个连通区域,根据所述第四图像中对应位置的各像素点的像素值,调整所述第一图像与所述第二图像之间的配准检测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第四图像中对应位置的各像素点的像素值,调整所述第一图像与所述第二图像之间的配准检测结果,包括:
若所述第四图像中对应位置的各像素点的像素值与所述连通区域内像素点的像素值相同,则确定所述连通区域为配准错误区域;
若所述第四图像中对应位置的各像素点的像素值与所述连通区域内像素点的像素值不相同,则确定所述连通区域为配准正确区域。
7.根据权利要求3-6任一项所述的方法,其特征在于,所述第四图像是对模糊处理后计算得到的两个图像中各像素点的相似度所构成的图像,进行去小岛处理后得到的图像;
其中,所述去小岛处理包括:消除图像中孤立的小区域,所述小区域内像素点的像素值与所述连通区域内像素点的像素值相同,所述小区域内像素点的数量小于预设数量。
8.根据权利要求1所述的方法,其特征在于,所述第一图像为经过模糊处理的图像。
9.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述的方法。
11.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379455.3A CN114882079B (zh) | 2022-04-12 | 2022-04-12 | 图像配准检测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379455.3A CN114882079B (zh) | 2022-04-12 | 2022-04-12 | 图像配准检测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882079A true CN114882079A (zh) | 2022-08-09 |
CN114882079B CN114882079B (zh) | 2025-01-17 |
Family
ID=82669339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210379455.3A Active CN114882079B (zh) | 2022-04-12 | 2022-04-12 | 图像配准检测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882079B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186897A (zh) * | 2011-12-29 | 2013-07-03 | 北京大学 | 获取图像差异度量结果的方法及装置 |
CN108682025A (zh) * | 2018-05-23 | 2018-10-19 | 沈阳东软医疗系统有限公司 | 一种图像配准方法及装置 |
CN112465886A (zh) * | 2020-12-09 | 2021-03-09 | 苍穹数码技术股份有限公司 | 模型生成方法、装置、设备和可读存储介质 |
-
2022
- 2022-04-12 CN CN202210379455.3A patent/CN114882079B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186897A (zh) * | 2011-12-29 | 2013-07-03 | 北京大学 | 获取图像差异度量结果的方法及装置 |
CN108682025A (zh) * | 2018-05-23 | 2018-10-19 | 沈阳东软医疗系统有限公司 | 一种图像配准方法及装置 |
CN112465886A (zh) * | 2020-12-09 | 2021-03-09 | 苍穹数码技术股份有限公司 | 模型生成方法、装置、设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114882079B (zh) | 2025-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alhashim et al. | High quality monocular depth estimation via transfer learning | |
CN109426782B (zh) | 对象检测方法和用于对象检测的神经网络系统 | |
CN112581379B (zh) | 图像增强方法以及装置 | |
CN107274445B (zh) | 一种图像深度估计方法和系统 | |
US9303525B2 (en) | Method and arrangement for multi-camera calibration | |
CN109300151B (zh) | 图像处理方法和装置、电子设备 | |
KR20210025942A (ko) | 종단간 컨볼루셔널 뉴럴 네트워크를 이용한 스테레오 매칭 방법 | |
US9767383B2 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
US10853631B2 (en) | Face verification method and apparatus, server and readable storage medium | |
CN107025660A (zh) | 一种确定双目动态视觉传感器图像视差的方法和装置 | |
Wu et al. | Single-shot face anti-spoofing for dual pixel camera | |
Nguyen et al. | ROI-based LiDAR sampling algorithm in on-road environment for autonomous driving | |
KR20110021500A (ko) | 이동객체의 실시간 추적과 거리 측정 방법 및 그 장치 | |
Zhao et al. | DQN-based gradual fisheye image rectification | |
CN114648604A (zh) | 一种图像渲染方法、电子设备、存储介质及程序产品 | |
Wang et al. | LBP-based edge detection method for depth images with low resolutions | |
WO2024198475A1 (zh) | 人脸活体识别方法、装置、电子设备及存储介质 | |
Min et al. | Inferring segmented dense motion layers using 5D tensor voting | |
CN114882079A (zh) | 图像配准检测方法、电子设备及存储介质 | |
CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
CN115631296A (zh) | 一种3d目标检测方法、计算机程序产品及电子设备 | |
Javan Hemmat et al. | Real-time planar segmentation of depth images: from three-dimensional edges to segmented planes | |
CN115810033A (zh) | 图像配准方法、计算机程序产品、存储介质及电子设备 | |
CN115620403A (zh) | 活体检测方法、电子设备及存储介质 | |
CN113592777A (zh) | 双摄拍照的图像融合方法、装置和电子系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |