CN109472750A - 一种基于显著性检测的智能构图方法 - Google Patents
一种基于显著性检测的智能构图方法 Download PDFInfo
- Publication number
- CN109472750A CN109472750A CN201811265237.7A CN201811265237A CN109472750A CN 109472750 A CN109472750 A CN 109472750A CN 201811265237 A CN201811265237 A CN 201811265237A CN 109472750 A CN109472750 A CN 109472750A
- Authority
- CN
- China
- Prior art keywords
- image
- ultra
- wide angle
- angle fault
- fault image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 title claims abstract description 17
- 238000000059 patterning Methods 0.000 title claims abstract description 13
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于显著性检测的智能构图方法,包括以下步骤:获取超广角畸变图像;构建超广角畸变图像修复模型;对超广角畸变图像进行显著性检测,获取超广角畸变图像中显著性最大的像素点p;将像素点p作为投影点获取半球面上的投影源点p1;在坐标系X‑Y‑Z内选取视平面ABCD作为目标视平面,视平面ABCD与半球面相切,切点与点p1重合且位于视平面ABCD的中心,求取超广角畸变图像在视平面ABCD上的投影图像。通过对超广角畸变图像进行显著性检测获得目标视点,根据目标视点超广角畸变图像修复模型中建立目标视平面,最终将超广角畸变图像变换到视平面图像上,获得以目标视点为中心的修复图像,达到智能构图的结果。本发明应用于图像处理领域。
Description
技术领域
本发明涉及图像处理、计算机视觉和虚拟现实技术领域,尤其涉及一种基于显著性检测的智能构图方法。
背景技术
普通镜头的视角大约在30度,而广角镜头的视角一般都在90度至120度,而超广角镜头的视角可以达到180甚至220度。超广角镜头具有比普通镜头更宽的视场,可以在一幅图像中包含更多的信息量,因此在安防监控、工业医疗、智能交通等领域得到了广泛应用。
在计算机视觉和虚拟现实领域,利用单张超广角图像,不通过图像的拼接技术,可以直接实现准全景漫游,即半空间虚拟漫游。通过人机交互,用户选择合适的视点,机器如头盔、手机等设备给出对应视点的平面图像。
但有时在系统中受环境等限制,比如监控超广角视频图像中的目标检测跟踪等,系统没法随着目标的移动进行视点选择,这时就需要机器自动生成平面图像。目前的情况是机器自动生成图像时,不会实时的选择合适的视点,都是按照默认的视点(一般都是图像的中心点)来进行操作的,但是在大多目标检测跟踪过程中,目标视点大多都是图像中颜色差异最大的部分,这样生成的图像不能保证需要后续处理的目标处于比较中心的位置,会大大影响后续的处理效果。
发明内容
针对现有技术中对超广角畸变图像进行修复处理时,生成的图像不能保证需要后续处理的目标处于比较中心的位置等问题,本发明的目的是提供一种基于显著性检测的智能构图方法,通过对超广角畸变图像进行显著性检测,并将超广角畸变图像中显著性最大的像素点作为目标视点,根据目标视点建立目标视平面,最终将超广角畸变图像变换到视平面图像上,获得智能构图的结果。
为了实现上述发明目的,本发明采用的技术方案是:
一种基于显著性检测的智能构图方法,包括以下步骤:
S1、获取超广角畸变图像,其中,超广角畸变图像中的所有场景的有效信息集中在同一个圆形区域中;
S2、构建超广角畸变图像修复模型,将超广角畸变图像修复为180度视角空间:设立空间坐标系X-Y-Z,超广角畸变图像位于XOY平面内,超广角畸变图像的中心与坐标系原点重合,选用半球形结构对超广角畸变图像进行修复,即球心与超广角畸变图像的圆心重合,球形半径与超广角畸变图像的半径r相等;
S3、对超广角畸变图像进行显著性检测,获取超广角畸变图像中显著性最大的像素点p,即目标视点;
S4、将像素点p作为投影点获取半球面上的投影源点p1;
S5、在坐标系X-Y-Z内选取视平面ABCD作为目标视平面,视平面ABCD与半球面相切,切点与点p1重合且位于视平面ABCD的中心,求取超广角畸变图像在视平面ABCD上的投影图像,即显示屏上显示的是以目标视点为中心的显示图像。
作为上述技术方案的进一步改进,步骤S2中,超广角畸变图像的半径r的求取过程为:
S21、将彩色的超广角畸变图像A(x,y)转换成灰度图像G(x,y);
S22、对灰度图像G(x,y)进行二值化处理,得到二值化图像GB(x,y);
S23、求取超广角畸变图像的半径r:
式中,N是二值图GB(x,y)中所有白色像素点的总个数。
作为上述技术方案的进一步改进,步骤S3具体包括:
S31、将超广角畸变图像A(x,y)从RGB空间变换到HSV空间;
S32、对变换到HSV空间的超广角畸变图像A(x,y)进行区域分割,获得分割后的目标图像合集{ACn|n=1,…,N};
S33、计算目标图像合集{ACn|n=1,…,N}中所有目标图像的显著性值;
S34、选择显著性值最大的目标图像,将其中心像素点作为点p。
作为上述技术方案的进一步改进,步骤S32中,采用meanshift方法对变换到HSV空间的超广角畸变图像A(x,y)进行区域分割。
作为上述技术方案的进一步改进,步骤S33具体包括:
S331、对目标图像合集{ACn|n=1,…,N}中所有目标图像,选择每一目标图像HSV颜色空间的H分量作为对应目标图像的特征空间;
S332、统计每一目标图像特征空间的颜色直方图,将每一目标图像特征空间分成M=32份,每份记为特征空间的一个特征值,得到对应的特征向量{FCn(m)|n=1,…,N;m=1,…,M}
S333、计算任意两个目标图像的颜色差异度:
式中,Dt(ACn1,ACn2)表示目标图像ACn1与ACn2的颜色差异度;
S334、计算任一目标图像的显著性值:
式中,St(ACn1)表示目标图像ACn1的显著性值,为权重系数,NUM(ACn2)表示目标图像ACn2所包含的像素数目;Dist(ACn1,ACn2)表示目标图像ACn1与ACn2的空间距离,(xn1,yn1)是ACn1的中心坐标,(xn2,yn2)是ACn2的中心坐标。
作为上述技术方案的进一步改进,步骤S5中,所述求取超广角畸变图像在视平面ABCD上的投影图像具体包括:
S51、在视平面ABCD上任取一点S2并将点S2与球心相连,获得连线与半球面的交点S1,其中点S2的的坐标为(x,y,z);
S52、将点S1垂直投影到XOY平面上,在超广角畸变图像上获得投影点S,其中,投影点S的坐标为(u,v,0):
S53、将投影点S的像素值赋值到点S2;
S54、重复步骤S51、S52、S53直至遍历视平面ABCD上所有的点,即得到超广角畸变图像在视平面ABCD上的投影图像。
本发明的有益技术效果:
本发明通过构建超广角畸变图像修复模型,将超广角畸变图像修复为180度视角空间,并对超广角畸变图像进行显著性检测,将超广角畸变图像中显著性最大的像素点作为目标视点,根据目标视点超广角畸变图像修复模型中建立目标视平面,最终将超广角畸变图像变换到视平面图像上,获得以目标视点为中心的修复图像,达到智能构图的结果。
附图说明
图1是本实施例的流程示意图;
图2是超广角畸变图像修复模型示意图。
具体实施方式
为了便于本发明的实施,下面结合具体实例作进一步的说明。
如图1所示的一种基于显著性检测的智能构图方法,包括以下步骤:
S1、获取超广角畸变图像,其中,超广角畸变图像中的所有场景的有效信息集中在同一个圆形区域中。
S2、参考图2,构建超广角畸变图像修复模型,将超广角畸变图像修复为180度视角空间,可供用户实现向左、向前、向右等方面的观看,实现虚拟漫游的目的:
设立空间坐标系X-Y-Z,超广角畸变图像位于XOY平面内,超广角畸变图像的中心与坐标系原点重合,选用半球形结构对超广角畸变图像进行修复,即球心与超广角畸变图像的圆心重合,球形半径与超广角畸变图像的半径r相等。
超广角畸变图像的半径r的求取过程为:
S21、将彩色的超广角畸变图像A(x,y)转换成灰度图像G(x,y);
S22、对灰度图像G(x,y)进行二值化处理,得到二值化图像GB(x,y);
S23、求取超广角畸变图像的半径r:
式中,N是二值图GB(x,y)中所有白色像素点的总个数。
S3、对超广角畸变图像进行显著性检测,获取超广角畸变图像中显著性最大的像素点p,即目标视点,具体包括:
S31、将超广角畸变图像A(x,y)从RGB空间变换到HSV空间:
视频帧的图像都是RGB颜色空间图像,但是RGB颜色空间不符合人眼的视觉特点,容易受到光照等情况的影响,因而,将超广角畸变图像A(x,y)从RGB颜色空间变换到HSV颜色空间;
S32、采用meanshift方法对变换到HSV空间的超广角畸变图像A(x,y)进行区域分割,获得分割后的目标图像合集{ACn|n=1,…,N};
S33、计算目标图像合集{ACn|n=1,…,N}中所有目标图像的显著性值,一幅图像中,与周围环境差异度高的区域容易受到视觉关注,差异度值正向反映显著性值的大小,因此选择颜色差异度来计算各个区域的显著性值,具体包括:
S331、对目标图像合集{ACn|n=1,…,N}中所有目标图像,选择每一目标图像HSV颜色空间的H分量作为对应目标图像的特征空间;
S332、统计每一目标图像特征空间的颜色直方图,将每一目标图像特征空间分成M=32份,即分为32个子空间,每份记为特征空间的一个特征值,得到对应的特征向量{FCn(m)|n=1,…,N;m=1,…,M}:
图像上每一像素的颜色值的范围都是0~255,将每一目标图像特征空间分成M=32份,即目标图像特征空间中颜色值在0~7的像素点归纳在第1份子空间,颜色值在8~15的像素点归纳在第2份子空间,颜色值在16~23的像素点归纳在第3份子空间,以此类推,颜色值在248~255的像素点归纳在第32份子空间,统计每一个子空间中的像素点个数并组成个数向量,对个数向量进行归一化处理,即得到特征向量。例如,某一个目标图像总共有100个像素点,其中有20个像素的颜色值是在0~7之间,也就是有20个像素属于第1份子空间,有30个像素的颜色值在8~15之间,也即有30个像素属于第2份子空间,还有50个像素的颜色值的颜色值属于248~255,也即有50个像素属于第32份子空间。这样统计完后,获得个数向量(20,30,0,0,…,0,50);最后对个数向量进行归一化处理,得到特征向量(0.2,0.3,0,0,…,0,0.5)。
S333、计算任意两个目标图像的颜色差异度:
式中,Dt(ACn1,ACn2)表示目标图像ACn1与ACn2的颜色差异度;
S334、计算任一目标图像的显著性值:
式中,St(ACn1)表示目标图像ACn1的显著性值;为权重系数,用来调节像素数目和空间位置的影响大小;NUM(ACn2)表示目标图像ACn2所包含的像素数目,可以量化不同目标图像对所求目标图像的影响,像素数目越大,影响也就越大;Dist(ACn1,ACn2)表示目标图像ACn1与ACn2的空间距离,(xn1,yn1)是ACn1的中心坐标,(xn2,yn2)是ACn2的中心坐标,通过计算两个目标图像的中心坐标的欧氏距离得到,是影响显著性分布的重要因素,两个目标图像的位置越近,颜色差异度越强,越能引起人眼注意,如果其相距很远,即使颜色差异度很大,也往往难以吸引瞩目。
S34、选择显著性值最大的目标图像,将其中心像素点作为点p。
S4、将像素点p作为投影点获取半球面上的投影源点p1,即投影源点p1位于半球面上,投影源点p1在XOY平面内的投影点为像素点p。
S5、在坐标系X-Y-Z内选取视平面ABCD作为目标视平面,视平面ABCD为长方形,大小由用户设置确定,视平面ABCD与半球面相切,切点与点p1重合且位于视平面ABCD的中心,求取超广角畸变图像在视平面ABCD上的投影图像,即显示屏上显示的是以目标视点为中心的显示图像,视平面ABCD上的每一个点都对应超广角畸变图像中的一个投影点,因此当获取到视平面的坐标信息后,即能计算出视平面上对应超广角畸变图像上的像素点的坐标,然后再进行赋值处理,就可以得到用户在视平面ABCD上观察到的图像,求取过程具体包括:
S51、在视平面ABCD上任取一点S2并将点S2与球心相连,获得连线与半球面的交点S1,其中点S2的的坐标为(x,y,z);
S52、将点S1垂直投影到XOY平面上,在超广角畸变图像上获得投影点S,其中,投影点S的坐标为(u,v,0):
S53、将投影点S的像素值赋值到点S2;
S54、重复步骤S51、S52、S53直至遍历视平面ABCD上所有的点,即得到超广角畸变图像在视平面ABCD上的投影图像。
本实施例通过构建超广角畸变图像修复模型,将超广角畸变图像修复为180度视角空间,并对超广角畸变图像进行显著性检测,将超广角畸变图像中显著性最大的像素点作为目标视点,根据目标视点超广角畸变图像修复模型中建立目标视平面,最终将超广角畸变图像变换到视平面图像上,获得以目标视点为中心的修复图像,达到智能构图的结果。
以上包含了本发明优选实施例的说明,这是为了详细说明本发明的技术特征,并不是想要将发明内容限制在实施例所描述的具体形式中,依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定,而非由实施例的具体描述所界定。
Claims (6)
1.一种基于显著性检测的智能构图方法,其特征在于,包括以下步骤:
S1、获取超广角畸变图像,其中,超广角畸变图像中的所有场景的有效信息集中在同一个圆形区域中;
S2、构建超广角畸变图像修复模型,将超广角畸变图像修复为180度视角空间:设立空间坐标系X-Y-Z,超广角畸变图像位于XOY平面内,超广角畸变图像的中心与坐标系原点重合,选用半球形结构对超广角畸变图像进行修复,即球心与超广角畸变图像的圆心重合,球形半径与超广角畸变图像的半径r相等;
S3、对超广角畸变图像进行显著性检测,获取超广角畸变图像中显著性最大的像素点p,即目标视点;
S4、将像素点p作为投影点获取半球面上的投影源点p1;
S5、在坐标系X-Y-Z内选取视平面ABCD作为目标视平面,视平面ABCD与半球面相切,切点与点p1重合且位于视平面ABCD的中心,求取超广角畸变图像在视平面ABCD上的投影图像,即显示屏上显示的是以目标视点为中心的显示图像。
2.根据权利要求1所述基于显著性检测的智能构图方法,其特征在于,步骤S2中,超广角畸变图像的半径r的求取过程为:
S21、将彩色的超广角畸变图像A(x,y)转换成灰度图像G(x,y);
S22、对灰度图像G(x,y)进行二值化处理,得到二值化图像GB(x,y);
S23、求取超广角畸变图像的半径r:
式中,N是二值图GB(x,y)中所有白色像素点的总个数。
3.根据权利要求1所述基于显著性检测的智能构图方法,其特征在于,步骤S3具体包括:
S31、将超广角畸变图像A(x,y)从RGB空间变换到HSV空间;
S32、对变换到HSV空间的超广角畸变图像A(x,y)进行区域分割,获得分割后的目标图像合集{ACn|n=1,…,N};
S33、计算目标图像合集{ACn|n=1,…,N}中所有目标图像的显著性值;
S34、选择显著性值最大的目标图像,将其中心像素点作为点p。
4.根据权利要求3所述基于显著性检测的智能构图方法,其特征在于,步骤S32中,采用meanshift方法对变换到HSV空间的超广角畸变图像A(x,y)进行区域分割。
5.根据权利要求3所述基于显著性检测的智能构图方法,其特征在于,步骤S33具体包括:
S331、对目标图像合集{ACn|n=1,…,N}中所有目标图像,选择每一目标图像HSV颜色空间的H分量作为对应目标图像的特征空间;
S332、统计每一目标图像特征空间的颜色直方图,将每一目标图像特征空间分成M=32份,每份记为特征空间的一个特征值,得到对应的特征向量{FCn(m)|n=1,…,N;m=1,…,M}
S333、计算任意两个目标图像的颜色差异度:
式中,Dt(ACn1,ACn2)表示目标图像ACn1与ACn2的颜色差异度;
S334、计算任一目标图像的显著性值:
式中,St(ACn1)表示目标图像ACn1的显著性值,为权重系数,NUM(ACn2)表示目标图像ACn2所包含的像素数目;Dist(ACn1,ACn2)表示目标图像ACn1与ACn2的空间距离,(xn1,yn1)是ACn1的中心坐标,(xn2,yn2)是ACn2的中心坐标。
6.根据权利要求1所述基于显著性检测的智能构图方法,其特征在于,步骤S5中,所述求取超广角畸变图像在视平面ABCD上的投影图像具体包括:
S51、在视平面ABCD上任取一点S2并将点S2与球心相连,获得连线与半球面的交点S1,其中点S2的的坐标为(x,y,z);
S52、将点S1垂直投影到XOY平面上,在超广角畸变图像上获得投影点S,其中,投影点S的坐标为(u,v,0):
S53、将投影点S的像素值赋值到点S2;
S54、重复步骤S51、S52、S53直至遍历视平面ABCD上所有的点,即得到超广角畸变图像在视平面ABCD上的投影图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811265237.7A CN109472750B (zh) | 2018-10-29 | 2018-10-29 | 一种基于显著性检测的智能构图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811265237.7A CN109472750B (zh) | 2018-10-29 | 2018-10-29 | 一种基于显著性检测的智能构图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472750A true CN109472750A (zh) | 2019-03-15 |
CN109472750B CN109472750B (zh) | 2021-11-30 |
Family
ID=65666610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811265237.7A Active CN109472750B (zh) | 2018-10-29 | 2018-10-29 | 一种基于显著性检测的智能构图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472750B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156970A (zh) * | 2011-04-14 | 2011-08-17 | 复旦大学 | 基于畸变直线斜率计算的鱼眼图像校正方法 |
JP2013127739A (ja) * | 2011-12-19 | 2013-06-27 | Dainippon Printing Co Ltd | 画像処理装置、画像処理方法、画像処理装置用プログラム、画像表示装置 |
CN103188433A (zh) * | 2011-12-30 | 2013-07-03 | 株式会社日立制作所 | 图像除雾装置和图像除雾方法 |
US20150254818A1 (en) * | 2014-03-10 | 2015-09-10 | Omnivision Technologies, Inc. | Image Transformation And Multi-View Output Systems And Methods |
CN106373091A (zh) * | 2016-09-05 | 2017-02-01 | 山东省科学院自动化研究所 | 全景泊车中鸟瞰图像的自动拼接方法、系统及车辆 |
CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
CN106815805A (zh) * | 2017-01-17 | 2017-06-09 | 湖南优象科技有限公司 | 基于Bayer图像的快速畸变校正方法 |
CN107633489A (zh) * | 2017-09-18 | 2018-01-26 | 哈尔滨工业大学深圳研究生院 | 鱼眼镜头圆心重提取映射法畸变矫正方法 |
CN107749053A (zh) * | 2017-10-24 | 2018-03-02 | 郑州布恩科技有限公司 | 一种用于视觉假体的双目图像采集与预处理装置及方法 |
-
2018
- 2018-10-29 CN CN201811265237.7A patent/CN109472750B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156970A (zh) * | 2011-04-14 | 2011-08-17 | 复旦大学 | 基于畸变直线斜率计算的鱼眼图像校正方法 |
JP2013127739A (ja) * | 2011-12-19 | 2013-06-27 | Dainippon Printing Co Ltd | 画像処理装置、画像処理方法、画像処理装置用プログラム、画像表示装置 |
CN103188433A (zh) * | 2011-12-30 | 2013-07-03 | 株式会社日立制作所 | 图像除雾装置和图像除雾方法 |
US20150254818A1 (en) * | 2014-03-10 | 2015-09-10 | Omnivision Technologies, Inc. | Image Transformation And Multi-View Output Systems And Methods |
CN106373091A (zh) * | 2016-09-05 | 2017-02-01 | 山东省科学院自动化研究所 | 全景泊车中鸟瞰图像的自动拼接方法、系统及车辆 |
CN106683045A (zh) * | 2016-09-28 | 2017-05-17 | 深圳市优象计算技术有限公司 | 一种基于双目像机的全景图像拼接方法 |
CN106815805A (zh) * | 2017-01-17 | 2017-06-09 | 湖南优象科技有限公司 | 基于Bayer图像的快速畸变校正方法 |
CN107633489A (zh) * | 2017-09-18 | 2018-01-26 | 哈尔滨工业大学深圳研究生院 | 鱼眼镜头圆心重提取映射法畸变矫正方法 |
CN107749053A (zh) * | 2017-10-24 | 2018-03-02 | 郑州布恩科技有限公司 | 一种用于视觉假体的双目图像采集与预处理装置及方法 |
Non-Patent Citations (1)
Title |
---|
郑亮: "鱼眼镜头自标定和畸变校正的实现", 《计算机工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109472750B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI397317B (zh) | 廣角影像使用圓柱形座標模型並以透視投影法輸出影像的方法 | |
CN108122191B (zh) | 鱼眼图像拼接成全景图像和全景视频的方法及装置 | |
CN104766270B (zh) | 一种基于鱼眼镜头的虚实光照融合方法 | |
CN106570938A (zh) | 基于opengl 的全景监控方法及系统 | |
CN104778656B (zh) | 基于球面透视投影的鱼眼图像校正方法 | |
CN106780389B (zh) | 一种基于坐标转换的鱼眼图像校正方法及装置 | |
CN112085659B (zh) | 一种基于球幕相机的全景拼接融合方法、系统及存储介质 | |
CN106600546A (zh) | 一种超广角摄像头畸变校正方法及系统 | |
CN104246795A (zh) | 用于超广角透镜图像的自适应透视修正的方法和系统 | |
CN108717704A (zh) | 基于鱼眼图像的目标跟踪方法、计算机装置及计算机可读存储介质 | |
Scheck et al. | Learning from theodore: A synthetic omnidirectional top-view indoor dataset for deep transfer learning | |
CN108230242A (zh) | 一种从全景激光点云到视频流的转换方法 | |
CN109040565A (zh) | 全景摄像系统 | |
CN114268736A (zh) | 一种高空间覆盖范围的塔基球型摄像机拍摄方法 | |
CN107145224A (zh) | 基于三维球面泰勒展开的人眼视线跟踪方法和装置 | |
CN110290365A (zh) | 一种多投影边缘融合系统及边缘融合方法 | |
CN113781664A (zh) | 基于三维模型的vr全景图构造显示方法、系统及终端 | |
CN108737743B (zh) | 基于图像拼接的视频拼接装置及视频拼接方法 | |
CN208506731U (zh) | 图像展示系统 | |
CN112529498B (zh) | 一种仓储物流管理方法及系统 | |
CN106257388A (zh) | 一种光学触摸屏的定位方法 | |
CN110766752B (zh) | 一种带反光标志点的虚拟现实交互眼镜及空间定位方法 | |
JP2002117413A (ja) | 光源環境変化をリアルタイムに反映する画像生成装置および画像生成方法 | |
CN110060349B (zh) | 一种扩展增强现实头戴式显示设备视场角的方法 | |
CN109472750A (zh) | 一种基于显著性检测的智能构图方法 |
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 |