Unsupervised Deep Image Stitching代码

已于 2022-04-01 19:43:42 修改
阅读量639 收藏 3
点赞数
分类专栏： 代码调试记录 文章标签： python 机器学习 深度学习 图像处理
于 2021-10-22 21:46:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46111316/article/details/120900659
版权
本文介绍了无监督深度图像拼接的代码实现，重点关注`synthetic_dataset.py`和`train_H.py`两个文件。`synthetic_dataset.py`中涉及凸四边形定义、字符串填充`zfill()`、PIL库的`Image.fromarray`、图像模式转换`convert('RGB')`以及图像保存方法。`train_H.py`则涵盖了TensorFlow的命名空间`tf.name_scope`、路径组合`os.path.join()`和文件路径匹配`glob.glob()`。
摘要由CSDN通过智能技术生成

文章目录

一、ImageAlignment

Ⅰ、synthetic_dataset.py

该文件主要是用来产生实验所需数据集的函数。

1、何为凸四边形？

凸四边形是没有角度数大于180°的四边形。

性质1（判断）： 凸四边形就是没有角度数大于180° 的四边形，把四边形的任何一边向两方延长，其他各边都在延长所得直线的同一旁，这样的四边形叫做凸四边形。
性质2： 任意一边所在直线不经过其他的线段，即其他三边在第四边所在直线的一边，任意三边之和大于第四边。
区别于凹四边形。
举例： 像平行四边形、矩形、菱形、正方形等图形，都是凸四边形。

2、zfill() 给字符串前面自动填充数值

  1. 说明
    返回原字符串的副本，在左边填充 ASCII ‘0’ 数码使其长度变为 width，原字符串右对齐。
    正负值前缀（’+’/’-’）的处理方式是在正负符号之后填充而非在之前。
    如果 width 小于等于原字符串长度，则返回原字符串的副本。

  2. 语法

string.zfill(number)

  1. 参数
    number – 指定字符串的长度。原字符串右对齐，前面填充0。

  2. 返回值
    返回指定长度的字符串。

  3. 实例

str = 'hello world ........'
print(str.zfill(30)
最低0.47元/天 解锁文章
小李不会编程啊
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
[代码调试]Unsupervised Deep Image Stitching代码调试（完结）
qq_46111316的博客
10-11 830
论文及代码下载地址1 论文及代码下载地址2 论文及代码下载地址3 文章目录一、论文阅读二、代码1、IndexError: list index out of range 一、论文阅读 二、代码 1、IndexError: list index out of range 出错程序：utils.py ...
【论文精读】Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images（无监督的深度图像拼接）
qq_46111316的博客
10-16 5931
论文下载链接 文章目录前言摘要一、介绍二、相关工作2.1 基于特征的图像拼接2.2 基于学习的图像拼接2.3深度单应方法==》研究动机三、无监督图像拼接Ⅰ、无监督图像对齐Ⅱ、无监督图像重建四、实验Ⅰ、数据集Ⅱ、实验细节五、总结和未来工作Ⅰ、总结Ⅱ、局限和未来工作 前言 图像拼接(Image Stitching)可以说是计算机视觉领域中一个非常经典且完备的体系，由于其包含如特征点检测、映射估计、匹配对齐、投影变换和图像融合等重要算法（其中每一个小点都可单独拿出来研究）。自2007年Matthew Brown在
Unsupervised Deep Image Stitching：首个无监督图像拼接框架（TIP2021）
3D视觉工坊
07-08 2329
作者丨廖康@知乎来源丨https://zhuanlan.zhihu.com/p/386863945编辑丨3D视觉工坊一、写在前面图像拼接(Image Stitching)可以说是计算机视觉...
【图像拼接 精读】Parallax-Tolerant Unsupervised Deep Image Stitching
一只大憨憨的博客
01-29 1679
这些方法主要依赖于越来越复杂的几何特征（如点、线、边缘等）来提高性能。但是，这些手工制作的特征通常只适用于具有充足几何结构的特定自然场景。这意味着，当场景缺乏明显的几何特征或纹理时，这些方法的效果可能会大大降低。
Unsupervised Deep Image Stitching: ReconstructingStitched Features to Images
moonlightpeng的博客
10-16 389
深度学习
（ICCV 2023）Parallax-Tolerant Unsupervised Deep Image Stitching
03-19
### ICCV 2023：Parallax-Tolerant Unsupervised Deep Image Stitching #### 概述 本文介绍了一种新的图像拼接方法——Parallax-Tolerant Unsupervised Deep Image Stitching（UDIS++），该方法针对现有的图像拼接...
Unsupervised-Intent:无监督意图检测的代码和资源
03-30
无监督意图无监督意图检测的代码和资源安装pip install -r requirements.txtconda install faiss-cpu -c pytorc跑步： python unit_test.py --ranker_method transformer --random_shuffle 1帮助： --ranker_method:...
Unsupervised Deep Transfer Feature Learning for Medical Image Classification
07-01
Unsupervised Deep Transfer Feature Learning for Medical Image Classification Unsupervised Deep Transfer Feature Learning for Medical Image Classification Unsupervised Deep Transfer Feature Learning ...
Learning pixel-wise alignment for unsupervised image stitching
03-24
在计算机视觉领域，图像拼接技术（Image Stitching）旨在将两张或更多张具有部分重叠区域的图像精确地拼接在一起，形成一张完整的、视角更广的全景图像。这一过程面临的挑战在于如何在没有更广阔的视野图像作为参考...
deep unsupervised learning
01-28
a very useful tutorial document for deep learning.
Unsupervised-Deep-Keyphrase-Generation:“无监督的深度关键字生成”的主要代码
04-17
无监督的深度关键字生成 “无监督的深度关键字生成”的主要代码
图像拼接的文献综述 共8篇，包含经典的Image alignment and stitching- A tutorial
01-08
图像拼接的文献综述 共8篇,两篇中午，6篇英文，包含经典的Image alignment and stitching- A tutorial，值得一读。综述基本详细介绍和分析了图像拼接的整个流程、原理：包括特征检测、匹配（配准）、运动模型（相机模型估计、绑定捆绑），投影变换、图像融合等。非常丰富！
【深度图像拼接】Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images（UDIS）阅读笔记
最新发布
weixin_47100795的博客
04-09 1213
L1损失即 求各个元素预测值和真实值差值的绝对值之和，再求平均值。计算公式为L1 Loss = (1/n) * Σ |预测值 - 真实值|。Lp感知损失通常通过将预训练模型的特征提取层嵌入到损失函数中来实现，然后通过梯度下降等优化方法来最小化这种损失，从而训练模型。具体计算方式需看文献《“Perceptual losses for real-time style transfer and super-resolution》。
【论文翻译0921】UnsuperDeepImageStitching:ReconstructingStitchedFeaturesToImages
weixin_42306148的博客
09-21 278
摘要 摘要——传统的基于特征的图像拼接技术在很大程度上依赖于特征检测质量，往往无法拼接特征较少或分辨率低的图像。由于缺乏标记数据，很少研究基于学习的图像拼接解决方案，这使得监督方法不可靠。为了解决上述限制，我们提出了一个无监督的深度图像拼接框架，包括两个阶段：无监督的粗略图像对齐和无监督的图像重建。在第一阶段，我们设计了一个基于消融的损失来约束一个无监督的单应网络，它更适合大基线场景。此外，引入了一个转换器层来扭曲拼接域空间中的输入图像。在第二阶段，基于可以在一定程度上消除特征水平的像素级错位的见解，我们设
阅读笔记（TIP 2021）Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images
小秋在路上~
02-01 261
传统的基于特征的图像拼接技术严重依赖于特征检测质量，往往无法拼接特征较少或分辨率较低的图像。基于学习的图像拼接方法由于缺乏标记数据而很少被研究，使得监督方法不可靠。针对上述问题，提出了一种无监督的深度图像拼接框架，该框架由两个阶段组成：无监督的图像粗对齐和无监督的图像重建。在第一阶段，我们设计了一个基于消融（ablation-based）的损失来约束一个无监督单应性网络，它更适合于大基线场景。此外，还引入了一个Transformer层，用于在拼接域空间中变形输入图像。
【论文精读】Pixel-wise Deep Image Stitching
qq_46111316的博客
04-01 2738
文章目录一、论文题目：像素级深度图像拼接0摘要1引言2相关工作3像素级深度图像拼接3.1总体框架3.2像素扭曲模块（PWM）3.3缝合图像生成模块（SIGMo）4实验4.1提出的数据集4.2实验设置4.3实验结果5局限性6结论附录A数据集细节二、论文总结 一、论文 题目：像素级深度图像拼接 0摘要 图像拼接的目的是将从不同视角拍摄的图像拼接成视野较宽的图像。现有的方法使用估计的扭曲函数将目标图像扭曲到参考图像，单应性是最常用的扭曲函数之一。然而，当图像由于非平面场景和相机的平移运动而具有大视差时，单应性不能
Unsupervised Deep Image Fusion With Structure Tensor Representations论文笔记
方悔读书迟
09-05 1313
一、Abstract 1、题目 基于结构张量表示的无监督深层图像融合(光/热成像融合、远焦/近焦融合，欠曝/过曝融合，RGB/NIR图像融合) 2、现有问题 缺乏用于监督学习的标记数据 3、提出了一个deep image fusion network (DIF-Net) 一个无监督的损失函数使用结构张量表示的多通道图像对比度，通过特征提取、特征融合和图像重建来融合图片。 二、Introduction 1、图像融合 提取各自信道中的有利信息，从多幅图像中生成包含重要特征的融合图，最后综合成高质量的图像 2、结
【论文笔记】Unsupervised Deep Features for Privacy Image Classification
weixin_51547366的博客
12-23 1983
摘要 由于对隐私信息的不了解，在线共享图像对广泛的用户构成了安全威胁。深度特征已被证明是图像的强大表示。然而，深度特征通常存在尺寸大和需要大量数据进行微调的问题。与普通图像（例如场景图像）相比，隐私图像通常由于敏感信息而受到限制。在本文中，我们提出了一种新方法，可以在有限的数据上工作并生成更小尺寸的深度特征。对于训练图像，我们首先从预训练的模型中提取初始深度特征，然后采用 K-means 聚类算法来学习这些初始深度特征的质心。我们使用从训练特征中学习到的质心来提取每个测试图像的最终特征，并...
【论文笔记】无监督图像拼接
prask的博客
05-19 1237
传统的基于特征的图像拼接技术严重依赖于特征检测质量，往往无法拼接特征少或分辨率低的图像。由于缺乏标记数据，基于学习的图像拼接解决方案很少被研究，使得监督方法不可靠。无监督粗图像对齐和无监督图像重建。在第一阶段，我们设计了一个基于消融的损失来约束一个更适合大型基线场景的无监督单应性网络。此外，在拼接域空间中引入一个空间变换层对输入图像进行翘曲处理。在第二阶段，基于像素级的图像错位可以在特征级上得到一定程度的消除，我们设计了一个无监督图像重建网络来消除从特征到像素的伪影。
Feature Representation Learning for Unsupervised Cross-domain Image Retrieval
05-11
One common approach to unsupervised feature representation learning is to use deep neural networks, such as convolutional neural networks (CNNs), to extract high-level features from images. These ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值