CN103002206B - 处理变焦采样脉冲的方法及系统 - Google Patents

Abstract

本发明公开了一种处理变焦采样脉冲的方法及系统，涉及摄影摄像技术领域，解决了现有技术中在来回变焦缩放时形成的采样数据散乱，不能正确反映出对应的变焦参数的问题。本发明提供的方案为：一种处理变焦采样脉冲的方法，接收第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据；用聚类分析算法把所述第一组变焦采样脉冲划分为k个类，计算出每个类的聚类中心；合并所述的每个类中的变焦采样脉冲对应的图像数据，计算所述合并后的图像数据的数学期望；将各聚类中心作为第二组变焦采样脉冲，用各类对应的图像数据的数学期望作为所述第二组变焦采样脉冲对应的第二组图像数据。本发明适用于摄影摄像设备等。

Description

处理变焦采样脉冲的方法及系统

技术领域

本发明涉及摄影摄像技术领域，尤其涉及一种处理变焦采样脉冲的方法及系统。

背景技术

在测定摄像机变焦参数的时候，需要对变焦脉冲及其对应的图像进行采样，用于后续的镜头标定。由于变焦齿轮的空程的存在，来回变焦缩放时，同一个变焦值对应的采样脉冲可能不完全相同，但是却相距很近，这样的散乱数据不能正确反映出对应的变焦参数。

发明人发现现有技术中至少存在如下问题：

在来回变焦缩放时形成的采样数据散乱，不能正确反映出对应的变焦参数，致使变焦过程中出现画面的跳跃。

发明内容

针对现有技术中所存在的不足，本发明的目的在于提供一种处理变焦采样脉冲的方法及系统，使在来回变焦缩放时形成的采样数据据平滑有序，并用于测定摄像机的变焦参数。

本发明解决上述技术问题所采用的技术方案如下所描述：

一种处理变焦采样脉冲的方法，包括：

(1)接收第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据；

(2)用聚类分析算法把所述第一组变焦采样脉冲划分为k个类，计算出每个类的聚类中心，k的取值不大于第一组变焦采样脉冲的数量；

(3)合并步骤(2)中所述的每个类中的变焦采样脉冲对应的图像数据，计算所述合并后的图像数据的数学期望；

(4)将步骤(2)中得到的各聚类中心作为第二组变焦采样脉冲，用各类对应的图像数据的数学期望作为所述第二组变焦采样脉冲对应的第二组图像数据。

(5)将所述第二图像数据按所述第二变焦采样脉冲进行排序。

进一步的，步骤(2)中所述聚类分析算法包括K-MEANS算法、K-MEDOIDS算法、CLARANS算法。

进一步的，步骤(1)中所述的第一变焦脉冲及所述第一变焦采样脉冲对应的第一图像数据是通过反复多次变焦缩放形成的。

一种处理变焦采样脉冲的系统，其特征在于，包括：

第一组变焦采样脉冲及图像数据获取模块，用于接收第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据；

脉冲聚类分析模块，用于用聚类分析算法把所述第一组变焦采样脉冲划分为k个类，计算出每个类的聚类中心，k的取值不大于第一组变焦采样脉冲的数量；

合并计算模块，用于合并脉冲聚类分析模块中所述的每个类中的变焦采样脉冲对应的图像数据，计算所述合并后的图像数据的数学期望；

第二组变焦采样脉冲及图像数据获取模块，用各类对应的图像数据的数学期望作为所述第二组变焦采样脉冲对应的第二组图像数据。

第二组图像数据排序模块，用于将所述第二图像数据按所述第二变焦采样脉冲进行排序。

本发明的效果在于：本发明在采取了上述技术方案以后，通过聚类分析合并，使在来回变焦缩放时形成的采样数据据平滑有序，用于准确测定摄像机的变焦参数，消除了变焦齿轮空程的影响，避免了变焦过程中图像出现跳跃的现象，使变焦过程中的图像平滑过渡。

附图说明

图1为本发明实施例中处理变焦采样脉冲的方法的流程示意图；

图2为本发明实施例中，在一个子区间内，图像数据合并前的示意图；

图3为本发明实施例中，在一个子区间内，图像数据合并后的示意图；

图4为本发明实施例中，未经聚类分析合并测得的内参数的示意图；

图5为本发明实施例中，经聚类分析合并测得的内参数的示意图；

图6为本发明实施例中处理变焦采样脉冲的系统的结构示意图。

具体实施方式

下面结合附图和具体实施例来对本发明进行描述。

实施例

在描述本发明实施例之前，需要对聚类分析法做简单介绍。聚类分析法以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。聚类分析法包括很多种，其中包括划分法(partitioning methods)、层次法(hierarchicalmethods)、基于密度的方法(density-based methods)、基于网格的方法(grid-basedmethods)、基于模型的方法(model-based methods)。

在划分法中，给定一个有N个元组或者纪录的数据集，划分法将构造K个分组，每一个分组就代表一个聚类，K＜N。而且这K个分组满足下列条件：(1)每一个分组至少包含一个数据纪录；(2)每一个数据纪录属于且仅属于一个分组(注意：这个要求在某些模糊聚类算法中可以放宽)；对于给定的K，算法首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次好，而所谓好的标准就是：同一分组中的记录越近越好，而不同分组中的纪录越远越好。使用这个基本思想的算法有：K-MEANS算法、K-MEDOIDS算法、CLARANS算法。

本发明实施例以k-means算法(又称K均值算法)对变焦脉冲数据进行处理，但并不限于k-means算法，从上述的描述可以看出，其他的聚类分析法同样可以对变焦脉冲数据进行处理。

k-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”(引力中心)来进行计算的。

k-means算法的工作过程说明如下：首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值)；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数。k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

k-means算法具体为：

假设有一组采样数据X＝{X_i|i＝1，2，L，n}，要把这组数据划分为k(k≤n)个类{C₁，C₂，L，C_k}，使该划分结果的总体方差最小，可以按如下步骤操作：

(1)在样本集合X中随机选取k个数据{M_j∈X|j＝1，2，L，k}，作为初始聚类中心。

(2)对于样本集合X中每一个元素X_i，计算其与各个聚类中心的距离d(X_i，M_j)，找出最小距离对应的聚类中心M_j，并将元素X_i分派给该聚类中心所属的类别C_j。

(3)对于每一个类别C_j，计算其所有元素的均值，作为新的聚类中心M_j＝E(X_i)，(X_i∈C_j)。

(4)重复步骤(2)、(3)，直至聚类中心M_j不再变化。

在采样过程中，不再是单向的从最短焦到最长焦的变焦，而是改为可以反复多次变焦缩放，这样在某些变焦脉冲下，就会产生多个采样数据。由于齿轮空程的原因，来回变焦缩放时，同一个变焦值对应的采样脉冲可能不完全相同，但是却相距很近。所以需要把距离很近的这一组采样脉冲归为一类，对它们相应的图像数据做平均处理，用它们的数学期望作为该脉冲区间的变焦参数。这就要求能够对变焦采样脉冲进行高效合理的分类，为此采用K均值聚类算法。

本发明实施例提供了一种处理变焦采样脉冲的方法，包括：

步骤101、接收第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据；

步骤102、用K均值聚类算法把所述第一组变焦采样脉冲划分为k个类，计算出每个类的聚类中心，k的取值不大于第一组变焦采样脉冲的数量；

具体的计算参照上述的K均值聚类算法。

步骤103、合并步骤102中所述的每个类中的变焦采样脉冲对应的图像数据，计算所述合并后的图像数据的数学期望；

假设经过K均值聚类，将采样数据按变焦脉冲划分成n个区间，落在第i个脉冲区间[z_i，z_i+1](i＝1，2，…，n)中的样本集为{(z_ij，I_ij)|j＝1，2，…，m}，每一个采样脉冲z_ij对应一幅图像I_ij。

我们对每一幅图像I_ij，可以提取I_ij个特征点X_ij＝{x_ijk|k＝1，2，…l_ij}，那么第i个脉冲区间中的样本集就转化为：{(z_ij，X_ij)|j＝1，2，…，m}。现在我们要对该区间的样本进行合并，得到一个新的平均值。

如图2所示，表示该区间中的3幅图及其提取的特征点。(x11，x21，x31)，(x12，x22，x32)，(x13，x23)，(x24，x33)分别是4组匹配点，它们分别对应真实场景中的4个点。我们合并的时候，只选取该区间中在所有图像上都出现的点进行合并(比如第一组和第二组点)。为此，我们先把{X_i1，X_i2，…，X_im}两两进行点匹配，找出所有图像共同的匹配集：

然后计算该匹配集中每一个点的数学期望：

这样可以得到一个点集该点集即是特征点集合X_ij的合并结果。同样，可以得到该区间采样脉冲的数学期望：

于是就是样本集{(z_ij，I_ij)|j＝1，2，…，m}的合并结果，用来表示第i个采样脉冲区间[z_i，z_i+1](i＝1，2，…，n)的平均值。如图4所示，就是图3中所有图像特征点合并后的结果。

步骤104、将步骤(2)中得到的各聚类中心作为第二组变焦采样脉冲，用各类对应的图像数据的数学期望作为所述第二组变焦采样脉冲对应的第二组图像数据；

步骤105、将所述第二图像数据按所述第二变焦采样脉冲进行排序。

进一步的，所述的第一变焦脉冲及所述第一变焦采样脉冲对应的第一图像数据是通过反复多次变焦缩放形成的。

实验结果表明，采用K均值聚类算法，可以很好地对采样脉冲进行自适应划分，且效率非常高。如图4所示，处理前，经过反复推拉变焦采样得到的数据{(z_i，X_i)|i＝1，2，…，s}参差不齐，图4所示的曲线表示直接排序后计算摄像机内参数结果。经过K均值聚类，划分区间合并平均之后，得到计算的结果如图5所示。

本发明实施例提供了一种处理变焦采样脉冲的系统，如图6所示，包括：

第一组变焦采样脉冲及图像数据获取模块601，用于接收第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据；

脉冲聚类分析模块602，用于用聚类分析算法把所述第一组变焦采样脉冲划分为k个类，计算出每个类的聚类中心，k的取值不大于第一组变焦采样脉冲的数量；

合并计算模块603，用于合并脉冲聚类分析模块中所述的每个类中的变焦采样脉冲对应的图像数据，计算所述合并后的图像数据的数学期望；

第二组变焦采样脉冲及图像数据获取模块604，用各类对应的图像数据的数学期望作为所述第二组变焦采样脉冲对应的第二组图像数据。

第二组图像数据排序模块605，用于将所述第二图像数据按所述第二变焦采样脉冲进行排序。

综上所述，本发明在采取了上述技术方案以后，通过聚类分析合并，使在来回变焦缩放时形成的采样数据据平滑有序，用于准确测定摄像机的变焦参数，消除了变焦齿轮空程的影响，避免了变焦过程中图像出现跳跃的现象，使变焦过程中的图像平滑过渡。本发明实施例提供的处理变焦采样脉冲的方法及系统广泛应用于摄影摄像设备等。

需要注意的是，上述具体实施例仅仅是示例性的，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行各种改进和变形，而这些改进或者变形落在本发明的保护范围内。本领域技术人员应该明白，上面的具体描述只是为了解释本发明的目的，并非用于限制本发明。本发明的保护范围由权利要求及其等同物限定。

Claims (4)

1.一种处理变焦采样脉冲的方法，其特征在于，包括：

(1)接收第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据；

(2)用聚类分析算法把所述第一组变焦采样脉冲划分为k个类，计算出每个类的聚类中心，k的取值不大于第一组变焦采样脉冲的数量；

(3)合并步骤(2)中所述的每个类中的变焦采样脉冲对应的图像数据，计算所述合并后的图像数据的数学期望；

(4)将步骤(2)中得到的各聚类中心作为第二组变焦采样脉冲，用各类对应的图像数据的数学期望作为所述第二组变焦采样脉冲对应的第二组图像数据；

(5)将所述第二组图像数据按所述第二组变焦采样脉冲进行排序。

2.根据权利要求1所述的处理变焦采样脉冲的方法，其特征在于，步骤(2)中所述聚类分析算法包括K-MEANS算法、K-MEDOIDS算法、CLARANS算法。

3.根据权利要求1或2所述的处理变焦采样脉冲的方法，其特征在于，步骤(1)中所述的第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据是通过反复多次变焦缩放形成的。

4.一种处理变焦采样脉冲的系统，其特征在于，包括：

第一组变焦采样脉冲及图像数据获取模块，用于接收第一组变焦采样脉冲及所述第一组变焦采样脉冲对应的第一组图像数据；

脉冲聚类分析模块，用于用聚类分析算法把所述第一组变焦采样脉冲划分为k个类，计算出每个类的聚类中心，k的取值不大于第一组变焦采样脉冲的数量；

合并计算模块，用于合并脉冲聚类分析模块中所述的每个类中的变焦采样脉冲对应的图像数据，计算所述合并后的图像数据的数学期望；

第二组变焦采样脉冲及图像数据获取模块，用各类对应的图像数据的数学期望作为所述第二组变焦采样脉冲对应的第二组图像数据；

第二组图像数据排序模块，用于将所述第二组图像数据按所述第二组变焦采样脉冲进行排序。