图像配准(Image Registration)—

一、论文一：Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Features
1.论文链接：

https://ieeexplore.ieee.org/document/8404075

2.GitHub：

https://github.com/yzhq97/cnn-registration

3.Motivation：

多时相遥感图像被广泛应用于军事和民用领域，比如地面目标识别、城市发展评估以及地理变化评估。地面变化对特征点在数量和质量上的检测具有一定的挑战，这是基于特征点检测的配准算法所面临的常见的困难。

4.Method：

提出了一种基于特征的图像配准方法，两个关键贡献：

使用预训练的VGG网络构建基于卷积神经网络的特征提取方法。针对卷积神经网络在图像配准中的有效利用，该特征描述符利用高级卷积信息保留一些定位功能。

提出了一种特征点配准方法，该方法使用逐渐扩大的内点选择机制，以便在配准的早期阶段通过最可靠的特征点快速确定粗略变换参数。之后，通过增加特征点的数量来优化配准细节，同时限制不匹配。

5.Result：

二、论文2：DocUNet: Document Image Unwarping via A Stacked U-Net
1.论文链接：

https://openaccess.thecvf.com/content_cvpr_2018/html/Ma_DocUNet_Document_Image_CVPR_2018_paper.html

2.GitHub1：

https://github.com/mhashas/Document-Image-Unwarping-pytorch

3.GitHub2：

https://github.com/teresasun/docUnet.pytorch

2018旷视科技发表在CVPR上

4.Motivation：

文档数字化是保存现有打印文档的一种重要方式，随着移动摄像头日益增多，拍摄物理文档成为最便捷的一种文档扫描方式，一旦拍摄，图像可由文本检测和识别技术进一步处理，实现内容分析和信息提取。

拍摄文档图像常见的一个实际问题是文档页的扫描条件不理想：它们可能弯曲、折叠、弄皱，或者放在非常复杂的背景上。因此存在数字化平整拍摄图像中扭曲文档的需求。

5.Method：

本文给出一种基于学习的全新方法，来复原任意弯曲和折叠的文档拍摄图像。

不同于先前方法，本文提出首个端到端学习方法，可以直接预测文档扭曲。

先前方法只使用学习提取特征，而最后的图像复原仍基于传统的优化技术；本文方法则借助卷积神经网络（CNNs）端到端复原图像。

该方法把这一问题转化为寻找合适的 2D 映射，以复原失真图像文档。它预测一个映射域，把扭曲的源图像 S(u, v) 中的像素移动到结果图像 D 中的 (x, y) 。

6.Model：

选择 U-Net 作为基础模型，它基本上是一个全卷积网络，包含一系列的下采样层和随后的上采样层，特征映射在上、下采样层之间连接。

该网络由两个 U-Net 堆叠而成。该网络从第一个 U-Net 的输出中分割和输出一个前向映射 y_1。应用在 y_2 的同一损失也应用在 y_1。接着 y_1 连接到第一个 U-Net 的输出特征映射，并作为第二个U-Net 的输入。y_2 可直接用于生成复原图像。

7.Result：

其他参考：

https://www.cnblogs.com/carsonzhu/p/11188574.html

https://www.sicara.ai/blog/2019-07-16-image-registration-deep-learning

https://blog.csdn.net/paopaovae/article/details/87933600

https://blog.csdn.net/weixin_41876817/article/details/83056331

图像配准(Image Registration)——深度学习方法相关推荐

图像配准(image registration)与图像融合(image fusion)
在ISP多帧图像降噪过程中第一步就是对采集到的n帧图像进行帧间配准,然后根据各帧的像素值进行时域噪声判断.正确的配准是准确判断时域噪声的关键,否则会因为误判造成去噪过多或去噪不够的问题.而且帧间配准出 ...
【计算机视觉】图像配准(Image Registration)
(Source:https://blog.sicara.com/image-registration-sift-deep-learning-3c794d794b7a) 图像配准方法概述图像配准广泛 ...
基于强化学习的图像配准 - Image Registration: Reinforcement Learning Approaches
配准定义给定参考图像 I_f 和浮动图像 I_m ,所谓的配准就是寻找一个图像变换T,将浮动图像I_m变换到和 I_f 相同的坐标空间下,使得两个图像中对应的点处于同一坐标下,从而达到信息聚合的目的 ...
【CV】用于图像恢复的深度学习方法综述论文（2022年）
论文名称:A survey of deep learning approaches to image restoration 论文下载:https://www.sciencedirect.com/sc ...
三维点云体素滤波python_一种基于点云的Voxel（三维体素）特征的深度学习方法...
兰州大学在读硕士研究生,主要研究方向无人驾驶,深度学习:兰大未来计算研究院无人车团队负责人,自动驾驶全栈工程师. 之前我们提到使用SqueezeSeg进行了三维点云的分割,由于采用的是SqueezeN ...
图像配准的前世今生：从人工设计特征到深度学习
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达机器之心编译参与:Nurhachu Null,Geek AI 作 ...
机器学习笔记 - 基于传统方法/深度学习的图像配准
一.图像配准图像配准是将一个场景的不同图像变换到同一坐标系的过程.这些图像可以在不同的时间(多时间配准).由不同的传感器(多模态配准)和/或从不同的视点拍摄.这些图像之间的空间关系可以是刚性的 ...
图像配准：从SIFT到深度学习
图像配准(Image Registration)是计算机视觉中的基本步骤.在本文中,我们首先介绍基于OpenCV的方法,然后介绍深度学习的方法. 什么是图像配准图像配准就是找到一幅图像像素到另一幅图 ...
基于深度学习的图像配准
人的眼睛或者相机的FOV(视场)有限,所以很难将景色尽收眼底,医疗影像设备同样受限于FOV的大小,很难同时扫描整个解剖部位,这时就需要拼接算法将不同角度拍摄的部分图像拼成一幅全景图. 我之前写过一篇关 ...

图像配准(Image Registration)——深度学习方法

一、论文一：Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Features

1.论文链接：

2.GitHub：

3.Motivation：

4.Method：

5.Result：

二、论文2：DocUNet: Document Image Unwarping via A Stacked U-Net

1.论文链接：

2.GitHub1：

3.GitHub2：

4.Motivation：

5.Method：

6.Model：

7.Result：

图像配准(Image Registration)——深度学习方法相关推荐

最新文章

热门文章