科研之友
微信
新浪微博
Facebook
分享链接
摘要
对不同成像条件下拍摄的硬币图像进行配准是硬币表面缺陷算法的前置任务。然而，基于互信息的传统多模态配准方法速度慢、精度低，现有的通过基于深度学习的单应性矩阵预测方法实现的图像配准只适用于单模态的任务。为此，提出一种基于深度学习的适用于多模态硬币图像的单应性矩阵预测方法，进而使用预测的单应性矩阵完成图像配准。首先，使用单应性矩阵预测层预测输入图像对间的单应性矩阵，使用单应性矩阵对待配准图像进行透视变换；然后，使用图像转换层将透视变换后的待配准图像和目标图像映射到同一域，图像转换层可在推理时去除从而减少推理时间；最后，计算同一域下的图像间的损失，并进行训练。实验表明，该方法在测试集上的平均距离误差为3.417像素，相较于基于互信息的传统多模态配准方法 5.575像素的平均距离误差降低38.71%。且配准单对图像耗时为17.74 ms，远低于基于互信息的传统多模态配准方法的6 368.49 ms。
-
单位中国科学院成都计算机应用研究所; 中国科学院大学; 深圳市中钞科信金融科技有限公司
