CN109377538A - 一种自动化图像构造方法 - Google Patents

一种自动化图像构造方法 Download PDF

Info

Publication number
CN109377538A
CN109377538A CN201811252490.9A CN201811252490A CN109377538A CN 109377538 A CN109377538 A CN 109377538A CN 201811252490 A CN201811252490 A CN 201811252490A CN 109377538 A CN109377538 A CN 109377538A
Authority
CN
China
Prior art keywords
image
sequence
optimum
matching value
frog
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.)
Granted
Application number
CN201811252490.9A
Other languages
English (en)
Other versions
CN109377538B (zh
Inventor
全浩军
所玉君
崔建飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Jinhang Computing Technology Research Institute
Original Assignee
Tianjin Jinhang Computing Technology Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Jinhang Computing Technology Research Institute filed Critical Tianjin Jinhang Computing Technology Research Institute
Priority to CN201811252490.9A priority Critical patent/CN109377538B/zh
Publication of CN109377538A publication Critical patent/CN109377538A/zh
Application granted granted Critical
Publication of CN109377538B publication Critical patent/CN109377538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种自动化图像构造方法，该方法首先进行图像预处理并定义图像参数序列，然后设定评估方法、确定终止条件，之后利用混合蛙跳算法迭代得到最优图像参数序列，最后进行参数恢复得到最优图像构造方案。本发明方法基于混合蛙跳算法，其全局寻优能力强、迭代速度快，方便用户快速得到图像构造方案，具有很高的实用价值。

Description

一种自动化图像构造方法
技术领域
本发明属于图像构造技术领域，涉及一种自动化图像构造方法。
背景技术
图像构造，是利用已知图形来构建或拟合另一图形的技术，多用于大规模舞台造型或艺术品设计，以往的图像构造主要依靠人力，经过反复推敲和调整来达到一定的预期效果，其耗时长、精确性差。
发明内容
(一)发明目的
本发明的目的是：针对现有图像构造技术存在的耗时长、精确性差问题，提供一种自动化的图像构造方法。
(二)技术方案
为了解决上述技术问题，本发明提供一种自动化图像构造方法，包括以下步骤：
步骤1、图像预处理；即对期望图像和元素图像进行预处理以便于使用混合蛙跳算法进行计算，其中期望图像指用户期望构造出的图像，元素图像指用来构造期望图像的各自图像，元素图像可以是一种或多种，每种使用一个或多个，预处理方法是首先将期望图像缩放为360*360像素大小的图像，然后分别记录长、宽缩放比例，再依据此比例对各元素图像进行缩放处理。
步骤2、定义图像参数序列；即将各个元素图像的位置和旋转角度参数按一定顺序排列，形成由图像参数组成的序列；其中位置信息包括水平坐标和垂直坐标，坐标和旋转角度取值均为0～359，数据类型为整形。
步骤3、设定评估方法；评估方法即评估图像参数序列对应的重构图像与期望图像差异大小的方法，首先建立一个360*360像素大小的空白图像，并将左上角定义为(0,0)点，然后根据某一图像参数序列指定的坐标和角度数据将各元素图像叠加到空白图像上，形成该图像参数序列对应的构造图像，之后利用OpenCV的模板匹配方法计算匹配结果，得到最优匹配值。
步骤4、确定终止条件；终止条件有三种设定方式，第一种是设定最大迭代次数，当蛙群迭代到该次数时，无论当前匹配结果如何，均停止迭代，并将当前最优匹配结果作为最终构造结果；第二种是设定目标匹配值，当迭代得到的最优匹配值优于目标匹配值时，则停止迭代，否则继续迭代；第三种是同时设定最大迭代次数和目标匹配值，在到达最大迭代次数前，如果得到的最优匹配值已经优于目标匹配值，则停止迭代，否则在蛙群迭代到设定的最大迭代次数时停止。
步骤5、利用混合蛙跳算法迭代；即将图像参数序列映射为青蛙位置，并基于步骤3设定的评估方法和步骤4确定的终止条件，利用混合蛙跳算法对图像构造方案进行迭代，直至满足终止条件，得到最优匹配值和与该匹配值对应的最优图像参数序列。
步骤6、参数恢复；根据步骤1记录的长、宽缩放比例对步骤5中得到的最优图像参数序列进行恢复处理，恢复后的最优图像参数序列即为最优图像构造方案。
(三)有益效果
上述技术方案所提供的自动化图像构造方法，基于混合蛙跳算法，其全局寻优能力强、迭代速度快，方便用户快速得到图像构造方案，具有很高的实用价值。
附图说明
图1为本发明一种自动化图像构造方法的流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
参照图1，本发明一种自动化图像构造方法的具体实施步骤如下：
首先对本实施例使用的图像进行说明，本实施例的期望图像为图像A，其宽度(水平方向)为W，高度(垂直方向)为H，元素图像为图像B，使用4个图像B(分别为B1、B2、B3、B4)来构造图像A。
步骤1、图像预处理；将图像A进行缩放处理，水平缩放比例为360/W，垂直缩放比例为360/H，对图像B1～B4也进行相同缩放处理。
步骤2、定义图像参数序列；将各个元素图像的位置和旋转角度参数按一定顺序排列，形成由图像参数组成的序列；在此定义图像参数序列为(B1x,B1y,B1r,B2x,B2y,B2r,B3x,B3y,B3r,B4x,B4y,B4r)，其中B1x指B1图像位置对应的水平坐标，B1y指B1图像位置对应的垂直坐标，B1r指B1图像的旋转角度，其它图像类似。在图像参数序列中，坐标和旋转角度取值均为0～359，数据类型为整形。
步骤3、设定评估方法；首先建立一个360*360像素大小的空白图像C，并将左上角定义为(0,0)点，然后根据某一图像参数序列(B1x,B1y,B1r,B2x,B2y,B2r,B3x,B3y,B3r,B4x,B4y,B4r)指定的坐标和角度数据将元素图像B1～B4叠加到空白图像上，形成该图像参数序列对应的构造图像D，之后利用OpenCV的模板匹配方法计算匹配结果，得到最优匹配值v。OpenCV的模板匹配方法可使用标准化差值平方和匹配、相关匹配等多种方式，在此使用标准化差值平方和匹配方式，此时图像越匹配，v越小，最小值为0。
步骤4、确定终止条件；终止条件有三种设定方式，第一种是设定最大迭代次数，第二种是设定目标匹配值，第三种是同时设定最大迭代次数和目标匹配值。在此选用第三种方式，设定最大迭代次数为n，目标匹配值为w，在到达最大迭代次数n前，如果得到的最优匹配值v已经优于目标匹配值w，即v＜w，则停止迭代，否则在蛙群迭代到n次时停止。
步骤5、利用混合蛙跳算法迭代；即将图像参数序列映射为青蛙位置，并基于步骤3设定的评估方法和步骤4确定的终止条件，利用混合蛙跳算法对图像构造方案进行迭代，即反复进行每组青蛙更新、蛙群混合、蛙群排序分组、更新公告栏，直至满足终止条件，得到最优匹配值v和与该匹配值对应的最优图像参数序列。
步骤6、参数恢复；根据步骤1记录的长、宽缩放比例对步骤5中得到的最优图像参数序列进行恢复处理，即将最优参数序列(B1x,B1y,B1r,B2x,B2y,B2r,B3x,B3y,B3r,B4x,B4y,B4r)中的所有水平坐标乘以W/360，垂直坐标乘以H/360，旋转角度Bkr(k∈1,2,3,4)恢复为arctan(tan(Bkr)*H/W)。恢复后的最优图像参数序列即为最优图像构造方案。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种自动化图像构造方法，其特征在于，包括以下步骤：
步骤1：图像预处理
对期望图像和元素图像进行预处理，预处理方法是首先将期望图像缩放为360*360像素大小的图像，然后分别记录长、宽缩放比例，再依据此比例对各元素图像进行缩放处理；
步骤2：定义图像参数序列
将各个元素图像的位置信息和旋转角度参数按顺序排列，形成一组图像参数序列；其中位置信息包括水平坐标和垂直坐标，坐标和旋转角度取值均为0～359，数据类型为整形；
步骤3：设定评估方法
评估方法用于评估图像参数序列对应的重构图像与期望图像差异大小，首先建立一个360*360像素大小的空白图像，并将左上角定义为(0,0)点，然后根据某一图像参数序列指定的坐标和角度数据将各元素图像叠加到空白图像上，形成该图像参数序列对应的构造图像，之后利用OpenCV的模板匹配方法计算匹配结果，得到最优匹配值；
步骤4：确定终止条件
终止条件选择下述三种设定方式之一；
第一种是设定最大迭代次数，当蛙群迭代到该次数时，无论当前匹配结果如何，均停止迭代，并将当前最优匹配结果作为最终构造结果；
第二种是设定目标匹配值，当迭代得到的最优匹配值优于目标匹配值时，则停止迭代，否则继续迭代；
第三种是同时设定最大迭代次数和目标匹配值，在到达最大迭代次数前，如果得到的最优匹配值已经优于目标匹配值，则停止迭代，否则在蛙群迭代到设定的最大迭代次数时停止；
步骤5：利用混合蛙跳算法迭代
即将图像参数序列映射为青蛙位置，并基于步骤3设定的评估方法和步骤4确定的终止条件，利用混合蛙跳算法对图像构造方案进行迭代，直至满足终止条件，得到最优匹配值和与该匹配值对应的最优图像参数序列；
步骤6：参数恢复
根据步骤1记录的长、宽缩放比例对步骤5中得到的最优图像参数序列进行恢复处理，恢复后的最优图像参数序列即为最优图像构造方案。
2.如权利要求1所述的自动化图像构造方法，其特征在于，所述步骤1中，期望图像指用户期望构造出的图像，元素图像指用来构造期望图像的各个图像，元素图像是一种或多种，每种使用一个或多个。
3.如权利要求2所述的自动化图像构造方法，其特征在于，所述步骤3中，OpenCV的模板匹配方法为标准化差值平方和匹配或相关匹配。
4.如权利要求1所述的自动化图像构造方法，其特征在于，所述步骤1中，设定期望图像为图像A，其水平方向宽度为W，垂直方向高度为H，元素图像为图像B，使用4个图像B，分别记为B1、B2、B3、B4来构造图像A；图像预处理时，将图像A进行缩放处理，水平缩放比例为360/W，垂直缩放比例为360/H，对图像B1～B4分别进行相同缩放处理。
5.如权利要求4所述的自动化图像构造方法，其特征在于，所述步骤2中，将各个元素图像的位置和旋转角度参数按顺序排列，形成由图像参数组成的序列；定义图像参数序列为(B1x,B1y,B1r,B2x,B2y,B2r,B3x,B3y,B3r,B4x,B4y,B4r)，其中B1x指B1图像位置对应的水平坐标，B1y指B1图像位置对应的垂直坐标，B1r指B1图像的旋转角度，其它图像类似；在图像参数序列中，取值均为0～359。
6.如权利要求5所述的自动化图像构造方法，其特征在于，所述步骤3中，首先建立一个360*360像素大小的空白图像C，并将左上角定义为(0,0)点，然后根据某一图像参数序列(B1x,B1y,B1r,B2x,B2y,B2r,B3x,B3y,B3r,B4x,B4y,B4r)指定的坐标和角度数据将元素图像B1～B4叠加到空白图像上，形成该图像参数序列对应的构造图像D，之后利用OpenCV的模板匹配方法计算匹配结果，得到最优匹配值v。
7.如权利要求6所述的自动化图像构造方法，其特征在于，所述步骤4中，选用第三种终止条件设定方式，设定最大迭代次数为n，目标匹配值为w，在到达最大迭代次数n前，如果得到的最优匹配值v已经优于目标匹配值w，即v＜w，则停止迭代，否则在蛙群迭代到n次时停止。
8.如权利要求7所述的自动化图像构造方法，其特征在于，所述步骤5中，将图像参数序列映射为青蛙位置，并基于步骤3设定的评估方法和步骤4确定的终止条件，利用混合蛙跳算法对图像构造方案进行迭代，即反复进行每组青蛙更新、蛙群混合、蛙群排序分组、更新公告栏，直至满足终止条件，得到最优匹配值v和与该匹配值对应的最优图像参数序列。
9.如权利要求8所述的自动化图像构造方法，其特征在于，所述步骤6中，根据步骤1记录的长、宽缩放比例对步骤5中得到的最优图像参数序列进行恢复处理，即将最优参数序列(B1x,B1y,B1r,B2x,B2y,B2r,B3x,B3y,B3r,B4x,B4y,B4r)中的所有水平坐标乘以W/360，垂直坐标乘以H/360，旋转角度Bkr恢复为arctan(tan(Bkr)*H/W)，k∈1,2,3,4，恢复后的最优图像参数序列即为最优图像构造方案。
CN201811252490.9A 2018-10-25 2018-10-25 一种自动化图像构造方法 Active CN109377538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811252490.9A CN109377538B (zh) 2018-10-25 2018-10-25 一种自动化图像构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811252490.9A CN109377538B (zh) 2018-10-25 2018-10-25 一种自动化图像构造方法

Publications (2)

Publication Number Publication Date
CN109377538A true CN109377538A (zh) 2019-02-22
CN109377538B CN109377538B (zh) 2023-05-02

Family

ID=65402067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811252490.9A Active CN109377538B (zh) 2018-10-25 2018-10-25 一种自动化图像构造方法

Country Status (1)

Country Link
CN (1) CN109377538B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368915A (zh) * 2020-03-04 2020-07-03 广东博智林机器人有限公司 一种图纸校对方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09330403A (ja) * 1996-06-12 1997-12-22 Nippon Telegr & Teleph Corp <Ntt> テンプレートマッチング方法
US6222940B1 (en) * 1999-01-06 2001-04-24 National Instruments Corporation Pattern matching system and method which detects rotated and scaled template images
US6229921B1 (en) * 1999-01-06 2001-05-08 National Instruments Corporation Pattern matching system and method with improved template image sampling using low discrepancy sequences
US20040261038A1 (en) * 2003-06-20 2004-12-23 Apple Computer, Inc. Computer interface having a virtual single-layer mode for viewing overlapping objects
CN103279914A (zh) * 2013-05-27 2013-09-04 深圳大学 一种基于蛙跳优化的图像压缩感知隐写方法及装置
WO2018027584A1 (zh) * 2016-08-09 2018-02-15 深圳大学 一种目标属性辅助的压缩感知图像恢复方法及其系统
CN108155889A (zh) * 2017-12-15 2018-06-12 天津津航计算技术研究所 基于混合蛙跳的iir数字滤波器设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09330403A (ja) * 1996-06-12 1997-12-22 Nippon Telegr & Teleph Corp <Ntt> テンプレートマッチング方法
US6222940B1 (en) * 1999-01-06 2001-04-24 National Instruments Corporation Pattern matching system and method which detects rotated and scaled template images
US6229921B1 (en) * 1999-01-06 2001-05-08 National Instruments Corporation Pattern matching system and method with improved template image sampling using low discrepancy sequences
US20040261038A1 (en) * 2003-06-20 2004-12-23 Apple Computer, Inc. Computer interface having a virtual single-layer mode for viewing overlapping objects
CN103279914A (zh) * 2013-05-27 2013-09-04 深圳大学 一种基于蛙跳优化的图像压缩感知隐写方法及装置
WO2018027584A1 (zh) * 2016-08-09 2018-02-15 深圳大学 一种目标属性辅助的压缩感知图像恢复方法及其系统
CN108155889A (zh) * 2017-12-15 2018-06-12 天津津航计算技术研究所 基于混合蛙跳的iir数字滤波器设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
岳梅;郭宝平;张平;郭轩;: "基于混合蛙跳优化的条纹管图像自适应增强" *
张尤赛等: "基于混洗蛙跳和粒子群优化算法的块自增纹理合成", 《计算机应用》 *
邵明省: "基于蛙跳算法的模糊图像复原", 《激光与光电子学进展》 *
高孟琦: "基于样图的纹理合成算法研究", 《全国优秀硕士论文全文数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368915A (zh) * 2020-03-04 2020-07-03 广东博智林机器人有限公司 一种图纸校对方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109377538B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN102156970B (zh) 基于畸变直线斜率计算的鱼眼图像校正方法
CN102880866B (zh) 一种人脸特征提取方法
CN102721364B (zh) 一种工件的定位方法及其装置
CN110349247B (zh) 一种基于语义理解的室内场景cad三维重建方法
CN110399825A (zh) 面部表情迁移方法、装置、存储介质及计算机设备
CN107808389A (zh) 基于深度学习的无监督视频分割方法
CN101093543B (zh) 一种快速响应矩阵二维码图像的校正方法
CN102982543A (zh) 一种多源遥感图像配准方法
CN103824050A (zh) 一种基于级联回归的人脸关键点定位方法
Roncella et al. Performance evaluation of a structure and motion strategy in architecture and cultural heritage
CN110276768B (zh) 图像分割方法、图像分割装置、图像分割设备及介质
CN109658444A (zh) 一种基于多模态特征的规则三维彩色点云配准方法
CN106778347B (zh) 一种基于三角函数的矢栅地理数据可逆脱密方法
CN107862735A (zh) 一种基于结构信息的rgbd三维场景重建方法
CN107092917A (zh) 一种基于流形学习的汉字笔画自动提取方法
CN107909544A (zh) 一种图像校正方法及系统
CN114119884A (zh) 一种基于高分七号卫星影像的建筑物lod1模型构建方法
CN110378906A (zh) 一种基于弦切线距离的椭圆检测方法
CN109377538A (zh) 一种自动化图像构造方法
CN106339985B (zh) 一种从矢量房屋数据中选取镶嵌线对航空影像镶嵌的方法
Zhang et al. Structure-aware SLAM with planes and lines in man-made environment
CN103208109A (zh) 一种基于局部约束迭代邻域嵌入的人脸幻构方法
CN113409332A (zh) 一种基于三维点云的建筑物平面分割方法
CN106408654B (zh) 一种三维地图的创建方法及系统
Zuo et al. Minimum spanning forest with embedded edge inconsistency measurement for color-guided depth map upsampling

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
GR01 Patent grant
GR01 Patent grant