CN107578373A - 全景图像拼接方法、终端设备及计算机可读存储介质 - Google Patents
全景图像拼接方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107578373A CN107578373A CN201710393435.0A CN201710393435A CN107578373A CN 107578373 A CN107578373 A CN 107578373A CN 201710393435 A CN201710393435 A CN 201710393435A CN 107578373 A CN107578373 A CN 107578373A
- Authority
- CN
- China
- Prior art keywords
- image
- image sequence
- sequence
- panorama mosaic
- quality
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 10
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像融合领域，提供了一种全景图像拼接方法、终端设备及计算机可读存储介质。所述方法包括对获取的图像序列进行质量筛选，以保留图像序列中符合质量要求的图像序列；按照特征匹配算法，从符合质量要求的图像序列中筛选出关键帧，得到最优图像集；对最优图像集中的图像进行拼接，获得全景图像。本发明提供的技术方案可知，一方面使得最终拼接出来的全景图像清晰度高，质量好；另一方面减小了全景图像拼接需要拼接的图像量，从而提高了全景图像拼接时的处理效率。
Description
技术领域
本发明属于图像融合领域，尤其涉及一种全景图像拼接方法、终端设备及计算机可读存储介质。
背景技术
近年来，随着计算机技术的快速发展，图像融合技术发展越来越广泛和深入，对具有较大视域全景图像的需求也越来越迫切。全景图像拼接技术短短几年得到了快速发展，受到研究者越来越多的关注。目前，全景图像已经成为计算机仿真、计算机视觉模拟、图像处理和计算机特效以及虚拟现实研究中的热点和关键技术，在地质勘测、军事侦查、医学微创手术、航空航天以及视频会议等多个领域发挥着重要作用。
所谓全景，是指图像有比较宽的视域，所谓拼接是指把多个单一图像融合成一副图像。具体而言，全景拼接是使用多个摄像机对同一个场景在不同角度拍摄，将得到的多个图像进行校正、去噪、匹配和融合，最终构建成一个清晰度高、边缘平滑、分辨率高的图像。
在实际科研和工程中，当遇到超过人眼视角的场景时，在近距离内无法用照相机将这些庞大的事物拍摄下来，拉大拍摄距离虽然可以得到大范围的图像，但是拍摄到的物体可能会相对较小，经过放大后的图像会变得模糊。在虚拟现实方面，图像拼接得到了广泛的应用。画面真实感在虚拟场景的构建过程中是非常重要的，用图像拼接技术拼接成视角宽、质量清晰的大图像来代替视频图像将大大节约数据传输量和数据传输速度。在计算机视觉领域，图像拼接是可视景物表示研究的一部分。完整的可视景物表示还包括深度或视差信息的回复。图像拼接还是构建和还原三维景物的基础。通过图像拼接后的大图像有利于数据的存储和保存，图像之间的比较显现出更直观的效果，为以后的研究工作提供了准确的数据依据。在医学图像处理方面，图像拼接常常被用来辅助诊断病因，图像拼接计算便可以将这些具有共同点的图像拼接到一起，方便医生的会诊工作。
然而，现有的全景图像拼接技术，存在拼接效率低以及最终得到的图像质量不高的问题。
发明内容
本发明提供一种全景图像拼接方法、终端设备及计算机可读存储介质，以高效地拼接出全景图像。
本发明实施例的第一方面提供了一种全景图像拼接方法，包括：
对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；
按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；
对所述最优图像集中的图像进行拼接，获得全景图像。
本发明实施例的第二方面提供了一种全景图像拼接装置，包括：
质量筛选模块，用于对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；
关键帧筛选模块，用于按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；
图像拼接模块，用于对所述最优图像集中的图像进行拼接，获得全景图像。
本发明实施例的第三方面提供了一种全景图像拼接的终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；
按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；
对所述最优图像集中的图像进行拼接，获得全景图像。
本发明实施例的第四方面提供了一种全景图像拼接的计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；
按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；
对所述最优图像集中的图像进行拼接，获得全景图像。
从上述本发明提供的技术方案可知，一方面，通过对获取的图像序列进行质量筛选，以保留符合质量要求的图像序列，使得最终拼接出来的全景图像清晰度高，质量好；另一方面，从符合质量要求的图像序列中筛选出关键帧，去掉了高度重叠的图像，得到最优图像集，后续只需要从最优图像集中读取图像进行拼接，减小了后续拼接的图像数量，从而提高了全景图像拼接时的处理效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的全景图像拼接方法的实现流程示意图；
图2是本发明实施例提供的全景图像拼接装置的结构示意图；
图3是本发明另一实施例提供的全景图像拼接装置的结构示意图；
图4是本发明另一实施例提供的全景图像拼接装置的结构示意图；
图5是本发明实施例提供的全景图像拼接的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的全景图像拼接方法的实现流程示意图；本实施例提供的全景图像拼接方法，其执行主体可以是终端设备。图1示例的全景图像拼接方法主要可以包括以下步骤S101至S103，详细说明如下：
S101，对获取的图像序列进行质量筛选，以保留图像序列中符合质量要求的图像序列。
在本发明实施例中，图像序列是从不同角度，对同一场景进行拍摄后得到的一系列图像。作为本发明一个实施例，对获取的图像序列进行质量筛选，以保留图像序列中符合质量要求的图像序列可通过如下步骤S1011和步骤S1012实现：
S1011，通过计算图像序列中图像的高低频分量来判断图像的清晰度。
在图像领域，图像包括高频分量部分和低频分量部分，而一幅图像的清晰度很大程度上决定于其含有的高低频分量的比例。高频分量部分占的比例越高，图像越清晰，反之，图像越模糊。在本发明实施例中，可以通过图像质量评价函数来判断图像序列中图像的清晰度，图像质量评价函数可以是梯度函数、频谱函数和熵函数中的任意一种或组合，其中，梯度函数包括Brenner、Tenengrad、Laplacian和Energy，等等。
S1012，保留图像序列中清晰度较高的图像。
通过上述步骤S1011的判断，将图像序列中清晰度较高的图像保留下来，而剔除那些清晰度较低的图像。
S102，按照特征匹配算法，从符合质量要求的图像序列中筛选出关键帧，得到最优图像集。
作为本发明一个实施例，按照特征匹配算法，从符合质量要求的图像序列中筛选出关键帧，得到最优图像集可以通过如下步骤S1021至S1023实现：
S1021，计算符合质量要求的图像序列中待选图像P和基准图像的特征。
在本发明实施例中，基准图像是时间轴上位于待选图像P之前的一帧图像，其图像质量符合前述提及的质量要求，即，时间轴上位于待选图像P之前的一帧图像，若符合质量要求，则可以作为基准图像。
S1022，将待选图像P和基准图像的进行特征匹配。
S1023，若匹配的特征点数在预设范围内，则将待选图像P归入最优图像集。
若经步骤S1022，待选图像P和基准图像的特征可匹配的数量在预设范围内，则认为待选图像P可以作为后续拼接全景图像的候选图像，于是将待选图像P归入最优图像集。
S103，对最优图像集中的图像进行拼接，获得全景图像。
作为本发明一个实施例，对最优图像集中的图像进行拼接，获得全景图像可以通过如下步骤S1031至S1033实现：
S1031，提取最优图像集中图像的特征。
在本发明实施例中，最优图像集中图像被提取的特征包括SIFT、SURF和ORB特征等。
S1032，对提取的特征进行匹配，得到匹配的图像。
在本发明实施例中，可以利用K-D tree和BBF算法进行特征的匹配，并根据最近邻和次近邻距离比值进行图像拼接前的初步筛选。
S1033，计算匹配的图像的变换矩阵后进行图像的融合，得到全景图像。
需要说明的是，在上述本发明实施例中，对获取的图像序列进行质量筛选，以保留图像序列中符合质量要求的图像序列之前，附图1示例的方法还包括对获取的图像序列进行预处理，其过程包括对获取的图像数据的整理和筛选等等。
从上述附图1示例的全景图像拼接方法可知，一方面，通过对获取的图像序列进行质量筛选，以保留符合质量要求的图像序列，使得最终拼接出来的全景图像清晰度高，质量好；另一方面，从符合质量要求的图像序列中筛选出关键帧，去掉了高度重叠的图像，得到最优图像集，后续只需要从最优图像集中读取图像进行拼接，减小了后续拼接的图像数量，从而提高了全景图像拼接时的处理效率。
应该理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2是本发明实施例提供的全景图像拼接装置的示意图，其可以是终端设备或者其中的功能模块。图2示例的全景图像拼接装置主要包括质量筛选模块201、关键帧筛选模块202和图像拼接模块203，详细说明如下：
质量筛选模块201，用于对获取的图像序列进行质量筛选，以保留图像序列中符合质量要求的图像序列；
关键帧筛选模块202，用于按照特征匹配算法，从符合质量要求的图像序列中筛选出关键帧，得到最优图像集；
图像拼接模块203，用于对最优图像集中的图像进行拼接，获得全景图像。
需要说明的是，本发明实施例提供的装置，由于与本发明方法实施例基于同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
因此，可以看出本发明实施例提供的全景图像拼接装置，一方面，通过对获取的图像序列进行质量筛选，以保留符合质量要求的图像序列，使得最终拼接出来的全景图像清晰度高，质量好；另一方面，从符合质量要求的图像序列中筛选出关键帧，去掉了高度重叠的图像，得到最优图像集，后续只需要从最优图像集中读取图像进行拼接，减小了后续拼接的图像数量，从而提高了全景图像拼接时的处理效率。
附图2示例的质量筛选模块201可以包括判断单元301和第一保留单元302，如附图3所示本发明实施例三提供的全景图像拼接装置，其中：
判断单元301，用于通过计算图像序列中图像的高低频分量来判断图像的清晰度；
第一保留单元302，用于保留图像序列中清晰度较高的图像。
附图2示例的关键帧筛选模块202可以包括特征提取单元401、特征匹配单元402和第二保留单元403，如附图4所示本发明实施例四提供的全景图像拼接装置，其中：
特征提取单元401，用于计算符合质量要求的图像序列中待选图像P和基准图像的特征；
特征匹配单元402，用于将待选图像P和基准图像的进行特征匹配；
第二保留单元403，用于若匹配的特征点数在预设范围内，则将待选图像P归入最优图像集。
图5是本发明一实施例提供的全景图像拼接的终端设备的示意图。如图5所示，该实施例的全景图像拼接的终端设备5包括：处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52，例如全景图像拼接的程序。处理器50执行计算机程序52时实现上述各个全景图像拼接的方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器50执行计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图2所示质量筛选模块201、关键帧筛选模块202和图像拼接模块203的功能。
示例性的，全景图像拼接的计算机程序52主要包括：对获取的图像序列进行质量筛选，以保留图像序列中符合质量要求的图像序列；按照特征匹配算法，从符合质量要求的图像序列中筛选出关键帧，得到最优图像集；对最优图像集中的图像进行拼接，获得全景图像。计算机程序52可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器51中，并由处理器50执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序52在全景图像拼接的终端设备5中的执行过程。例如，计算机程序52可以被分割成质量筛选模块、关键帧筛选模块和图像拼接模块(虚拟装置中的模块)，各模块具体功能如下：质量筛选模块，用于对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；关键帧筛选模块，用于按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；图像拼接模块，用于对所述最优图像集中的图像进行拼接，获得全景图像。
全景图像拼接的终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。全景图像拼接的终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是全景图像拼接的终端设备5的示例，并不构成对全景图像拼接的终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如内容推送的终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器51可以是全景图像拼接的终端设备5的内部存储单元，例如全景图像拼接的终端设备5的硬盘或内存。存储器51也可以是全景图像拼接的终端设备5的外部存储设备，例如全景图像拼接的终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器51还可以既包括全景图像拼接的终端设备5的内部存储单元也包括外部存储设备。存储器51用于存储计算机程序以及全景图像拼接的终端设备所需的其他程序和数据。存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；对所述最优图像集中的图像进行拼接，获得全景图像。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种全景图像拼接方法，其特征在于，所述方法包括：
对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；
按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；
对所述最优图像集中的图像进行拼接，获得全景图像。
2.如权利要求1所述的全景图像拼接方法，其特征在于，所述对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列，包括：
通过计算所述图像序列中图像的高低频分量来判断图像的清晰度；
保留所述图像序列中清晰度较高的图像。
3.如权利要求1所述的全景图像拼接方法，其特征在于，所述按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集，包括：
计算所述符合质量要求的图像序列中待选图像P和基准图像的特征；
将所述待选图像P和所述基准图像的进行特征匹配；
若所述匹配的特征点数在预设范围内，则将所述待选图像P归入所述最优图像集。
4.如权利要求1所述的全景图像拼接方法，其特征在于，所述对所述最优图像集中的图像进行拼接，获得全景图像，包括：
提取所述最优图像集中图像的特征；
对所述提取的特征进行匹配，得到匹配的图像；
计算所述匹配的图像的变换矩阵后进行图像的融合，得到所述全景图像。
5.如权利要求1至4任意一项所述的全景图像拼接方法，其特征在于，所述对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列之前还包括：
对所述获取的图像序列进行预处理。
6.一种全景图像拼接装置，其特征在于，所述装置包括：
质量筛选模块，用于对获取的图像序列进行质量筛选，以保留所述图像序列中符合质量要求的图像序列；
关键帧筛选模块，用于按照特征匹配算法，从所述符合质量要求的图像序列中筛选出关键帧，得到最优图像集；
图像拼接模块，用于对所述最优图像集中的图像进行拼接，获得全景图像。
7.如权利要求6所述的全景图像拼接装置，其特征在于，所述质量筛选模块包括：
判断单元，用于通过计算所述图像序列中图像的高低频分量来判断图像的清晰度；
第一保留单元，用于保留所述图像序列中清晰度较高的图像。
8.如权利要求6所述的全景图像拼接装置，其特征在于，所述关键帧筛选模块，包括：
特征提取单元，用于计算所述符合质量要求的图像序列中待选图像P和基准图像的特征；
特征匹配单元，用于将所述待选图像P和所述基准图像的进行特征匹配；
第二保留单元，用于若所述匹配的特征点数在预设范围内，则将所述待选图像P归入所述最优图像集。
9.一种全景图像拼接的终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述方法的步骤。
10.一种全景图像拼接的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710393435.0A CN107578373A (zh) | 2017-05-27 | 2017-05-27 | 全景图像拼接方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710393435.0A CN107578373A (zh) | 2017-05-27 | 2017-05-27 | 全景图像拼接方法、终端设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107578373A true CN107578373A (zh) | 2018-01-12 |
Family
ID=61049917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710393435.0A Pending CN107578373A (zh) | 2017-05-27 | 2017-05-27 | 全景图像拼接方法、终端设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107578373A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107968949A (zh) * | 2018-01-22 | 2018-04-27 | 盎锐（上海）信息科技有限公司 | 基于全景影像的动态数据处理方法及全景拍摄系统 |
| CN108805799A (zh) * | 2018-04-20 | 2018-11-13 | 平安科技（深圳）有限公司 | 全景图像合成装置、方法及计算机可读存储介质 |
| CN108805988A (zh) * | 2018-05-23 | 2018-11-13 | 平安科技（深圳）有限公司 | Vr图像生成方法、装置、计算机设备及存储介质 |
| CN109064397A (zh) * | 2018-07-04 | 2018-12-21 | 广州希脉创新科技有限公司 | 一种基于摄像耳机的图像拼接方法及系统 |
| CN109785312A (zh) * | 2019-01-16 | 2019-05-21 | 创新奇智(广州)科技有限公司 | 一种图像模糊检测方法、系统及电子设备 |
| CN112037267A (zh) * | 2020-11-06 | 2020-12-04 | 广州市玄武无线科技股份有限公司 | 基于视频目标跟踪的商品摆放位置全景图形生成方法 |
| CN113132717A (zh) * | 2019-12-31 | 2021-07-16 | 华为技术有限公司 | 数据处理方法、终端和服务器 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198501A (zh) * | 2013-04-09 | 2013-07-10 | 上海理工大学 | 一种牙齿全景图像自动重构方法 |
| CN103354599A (zh) * | 2013-07-24 | 2013-10-16 | 浙江宇视科技有限公司 | 一种应用于动光源场景的自动聚焦方法和装置 |
| CN104537659A (zh) * | 2014-12-23 | 2015-04-22 | 金鹏电子信息机器有限公司 | 双摄像机的自动标定方法和系统 |
| CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
| CN104680504A (zh) * | 2013-11-26 | 2015-06-03 | 杭州海康威视数字技术股份有限公司 | 场景变化检测方法及其装置 |
| CN105516668A (zh) * | 2015-12-14 | 2016-04-20 | 浙江宇视科技有限公司 | 一种应用于动态场景的聚焦方法和装置 |
| CN106034202A (zh) * | 2015-03-10 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 视频拼接摄像头的调整方法及其装置 |
| CN106157241A (zh) * | 2015-04-22 | 2016-11-23 | 无锡天脉聚源传媒科技有限公司 | 一种全景图像拼接的方法及装置 |
-
2017
- 2017-05-27 CN CN201710393435.0A patent/CN107578373A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198501A (zh) * | 2013-04-09 | 2013-07-10 | 上海理工大学 | 一种牙齿全景图像自动重构方法 |
| CN103354599A (zh) * | 2013-07-24 | 2013-10-16 | 浙江宇视科技有限公司 | 一种应用于动光源场景的自动聚焦方法和装置 |
| CN104680504A (zh) * | 2013-11-26 | 2015-06-03 | 杭州海康威视数字技术股份有限公司 | 场景变化检测方法及其装置 |
| CN104537659A (zh) * | 2014-12-23 | 2015-04-22 | 金鹏电子信息机器有限公司 | 双摄像机的自动标定方法和系统 |
| CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
| CN106034202A (zh) * | 2015-03-10 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 视频拼接摄像头的调整方法及其装置 |
| CN106157241A (zh) * | 2015-04-22 | 2016-11-23 | 无锡天脉聚源传媒科技有限公司 | 一种全景图像拼接的方法及装置 |
| CN105516668A (zh) * | 2015-12-14 | 2016-04-20 | 浙江宇视科技有限公司 | 一种应用于动态场景的聚焦方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 徐德等: "机器人视觉测量与控制", 31 January 2016, 国防工业出版社, pages: 208 * |
| 杨云涛等: "车载摄像平台序列图像快速拼接方法", vol. 32, no. 32, pages 2 - 4 * |
| 邹建成等: "数学及其在图像处理中的应用", 31 December 2012, 北京邮电大学出版社, pages: 47 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107968949A (zh) * | 2018-01-22 | 2018-04-27 | 盎锐（上海）信息科技有限公司 | 基于全景影像的动态数据处理方法及全景拍摄系统 |
| CN108805799A (zh) * | 2018-04-20 | 2018-11-13 | 平安科技（深圳）有限公司 | 全景图像合成装置、方法及计算机可读存储介质 |
| WO2019200807A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | 图像合成装置、方法及计算机可读存储介质 |
| CN108805799B (zh) * | 2018-04-20 | 2021-04-23 | 平安科技（深圳）有限公司 | 全景图像合成装置、方法及计算机可读存储介质 |
| CN108805988A (zh) * | 2018-05-23 | 2018-11-13 | 平安科技（深圳）有限公司 | Vr图像生成方法、装置、计算机设备及存储介质 |
| CN109064397A (zh) * | 2018-07-04 | 2018-12-21 | 广州希脉创新科技有限公司 | 一种基于摄像耳机的图像拼接方法及系统 |
| CN109785312A (zh) * | 2019-01-16 | 2019-05-21 | 创新奇智(广州)科技有限公司 | 一种图像模糊检测方法、系统及电子设备 |
| CN109785312B (zh) * | 2019-01-16 | 2020-10-09 | 创新奇智(广州)科技有限公司 | 一种图像模糊检测方法、系统及电子设备 |
| CN113132717A (zh) * | 2019-12-31 | 2021-07-16 | 华为技术有限公司 | 数据处理方法、终端和服务器 |
| CN112037267A (zh) * | 2020-11-06 | 2020-12-04 | 广州市玄武无线科技股份有限公司 | 基于视频目标跟踪的商品摆放位置全景图形生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107578373A (zh) | 全景图像拼接方法、终端设备及计算机可读存储介质 | |
| WO2021004180A1 (zh) | 一种纹理特征提取方法、纹理特征提取装置及终端设备 | |
| Yamaguchi et al. | Robust monocular epipolar flow estimation | |
| Li et al. | Learning a convolutional neural network for propagation-based stereo image segmentation | |
| CN102859535B (zh) | 从预先计算的尺度空间产生Daisy描述符 | |
| Ye et al. | Drinet: A dual-representation iterative learning network for point cloud segmentation | |
| CN107330408A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN108229419A (zh) | 用于聚类图像的方法和装置 | |
| CN109117693A (zh) | 一种基于广角取景的扫描识别的方法及终端 | |
| WO2022166258A1 (zh) | 行为识别方法、装置、终端设备及计算机可读存储介质 | |
| Ding et al. | Real-time stereo vision system using adaptive weight cost aggregation approach | |
| CN104574358A (zh) | 从聚焦堆图像进行场景分割的方法和设备 | |
| CN106447762A (zh) | 基于光场信息的三维重建方法及系统 | |
| Chen et al. | Adaptive fusion network for RGB-D salient object detection | |
| CN116310105B (zh) | 基于多视图的物体三维重建方法、装置、设备及存储介质 | |
| CN108234826A (zh) | 图像处理方法及装置 | |
| CN108133020A (zh) | 视频分类方法、装置、存储介质及电子设备 | |
| CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
| Chen et al. | Hybrid attention fusion embedded in transformer for remote sensing image semantic segmentation | |
| WO2019127926A1 (zh) | 一种稀疏神经网络的计算方法及计算装置、电子装置、计算机可读存储介质以及计算机程序产品 | |
| Hafner et al. | Introducing maximal anisotropy into second order coupling models | |
| CN109087344A (zh) | 三维重建中的图像选择方法及装置 | |
| CN112734772A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| Song et al. | Context spatial awareness remote sensing image change detection network based on graph and convolution interaction | |
| CN108229672A (zh) | 一种深度神经网络及其处理方法、装置和设备 |
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 |