CN110070568A - 一种图片矫正方法及系统 - Google Patents

Abstract

本发明公开了一种图片矫正方法，该方法包括：提取待矫正图片的特征点；获取与待矫正图片相匹配的参考图片；提取参考图片的特征点；对待矫正图片与参考图片进行特征点匹配操作；提取待矫正图片与参考图片中匹配正确的特征点，基于匹配正确的特征点创建初始匹配点对集；基于初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；基于最佳单应矩阵将待矫正图片进行矫正。本发明通过采用特征点匹配，求解最优变换矩阵的方法以参考图片为基准对待矫正图片进行矫正，图片矫正处理速度快，能够将图片矫正到一个非常理想的情况。本发明还公开了一种图片矫正系统，同样能够对图片进行矫正处理，并实现上述技术效果。

Description

一种图片矫正方法及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种图片矫正方法及系统。

背景技术

在图像识别处理领域，为了提高识别精度，通常需要将图片上的信息进行分割后再进行图像的识别，图像分割的精度又取决于图片本身的质量。由于设备原因或人为因素，通过拍照方式获取到的图片通常会存在表面变形、分辨率过低、光照不均等情况，这样的图片在进行后续的切割和图像识别时会严重影响切割精度，从而影响图像识别的准确性，因此需要对拍照后的图片进行矫正。

现有的图像矫正方法主要有Hough变换法、Radon变换法、最小二乘法和两点法。Hough变换法和Radon变换法相似，其抗干扰能力比较强，可以计算有断点的直线的倾角，但是运算量大，程序执行慢；最小二乘法的优点就是运算量小，但是其抗干扰能力比较差，容易受到噪声的影响，两点法虽然理论简单，但由于采样点比较多而且这些点服从随机分布，计算均值后能有效抑制干扰，实验表明其矫正效果很好，最大精度可以明显小于1度，而且计算量也很小，但是最小二乘法和两点法均不能计算有断点的直线倾角。

因此，如何对各种不同特点的图片进行快速矫正处理，将图片矫正到一个非常理想的情况，是目前亟待解决的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种图片矫正方法及系统，有效解决了现有技术中图片矫正处理速度慢、矫正效果差的问题。

为了实现本发明的上述目的，根据本发明的一个方面，本发明提供了一种图片矫正方法，所述方法包括如下步骤：

S1，提取待矫正图片的特征点；

S2，获取与所述待矫正图片相匹配的参考图片；

S3，提取所述参考图片的特征点；

S4，对所述待矫正图片与所述参考图片进行特征点匹配操作；

S5，提取所述待矫正图片与所述参考图片中匹配正确的特征点，基于所述匹配正确的特征点创建初始匹配点对集；

S6，基于所述初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；

S7，基于所述最佳单应矩阵将所述待矫正图片进行矫正。

优选地，所述步骤S4中特征点匹配操作包括：

采用k-d树的最近邻点搜索算法来搜索每个特征点所对应的最近邻特征点和次近邻特征点，在这两个特征点中，如果最近的距离与次近的距离的比值小于预设的距离比例阈值，则判定这两个特征点匹配。

优选地，预设的所述距离比例阈值为0.6~0.8。

优选地，预设的所述距离比例阈值为0.8。

优选地，所述步骤S6包括：

基于所述初始匹配点对集中的特征点的匹配关系，采用RANSAC算法估计待矫正图片与参考图片之间的最佳单应矩阵。

优选地，采用RANSAC算法估计待矫正图片与参考图片之间的最佳单应矩阵具体步骤如下：

Sa，从初始匹配点对集中随机选取4n对特征点作为内点集，估计初始单应矩阵，其中，n为正整数；

Sb，用初始单应矩阵去测试初始匹配点对集中所有剩余的匹配点对，如果某个点对的投影误差小于预设的投影误差阈值，则将该点对加入内点集；

Sc，如果内点集中的内点数量小于预设的内点数量阈值，则转到步骤Sa重新选择样本估计初始单应矩阵，否则用内点集重新估计初始单应矩阵，并通过投影误差来评估初始单应矩阵；

Sd，重复步骤Sa~Sc，直到迭代次数大于预设的迭代次数阈值，得到所述最佳单应矩阵。

优选地，所述步骤S7包括：

利用所述最佳单应矩阵剔除初始匹配点集中的误匹配点，根据剔除误匹配点后初始匹配点集对所述待矫正图片进行矫正。

优选地，所述步骤S1与步骤S3中的特征点的提取均采用SURF算法进行提取，且通过SURF算法进行特征点的提取时，Hessian阈值设置为1000。

优选地，所述图片矫正方法还包括如下步骤：

S8，返回并显示矫正后的图片。

根据本发明的一个方面，本发明还提供了一种图片矫正系统，所述系统包括：

第一提取模块，用于提取待矫正图片的特征点；

图片获取模块，用于获取与所述待矫正图片相匹配的参考图片；

第二提取模块，用于提取所述参考图片的特征点；

匹配模块，用于对所述待矫正图片与所述参考图片进行特征点匹配操作；

第一处理模块，用于提取所述待矫正图片与所述参考图片中匹配正确的特征点，基于所述匹配正确的特征点创建初始匹配点对集；

计算模块，基于所述初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；

第二处理模块，基于所述最佳单应矩阵将所述待矫正图片进行矫正。

由以上方案可知，本发明提供了一种图片矫正方法及系统，首先提取待矫正图片的特征点；然后获取与所述待矫正图片相匹配的参考图片；提取所述参考图片的特征点；接着对所述待矫正图片与所述参考图片进行特征点匹配操作；提取所述待矫正图片与所述参考图片中匹配正确的特征点，基于所述匹配正确的特征点创建初始匹配点对集；进而基于所述初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；最后基于所述最佳单应矩阵将所述待矫正图片进行矫正。本发明通过采用特征点匹配，求解最优变换矩阵的方法以参考图片为基准对待矫正图片进行矫正，图片矫正处理速度快，能够将图片矫正到一个非常理想的情况，有效解决了现有技术中图片矫正处理速度慢、矫正效果差的问题。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一种优选实施方式中图片矫正方法的流程示意图；

图2是本发明一种优选实施方式中图片矫正系统的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

为了实现本发明的上述目的，根据本发明的一个方面，本发明提供了一种图片矫正方法，如图1所示，所述方法包括如下步骤：

S1，提取待矫正图片的特征点；

在对待矫正图片进行矫正处理时，首先需要通过特征提取算法对提取待矫正图片的特征点。在本实施例中，特征提取算法的程序有一部分代码是使用CUDA实现，有一部分代码是使用OpenCL实现。在处理流程中，图片的前期处理，如旋转，二值化操作是使用OpenCV+CUDA实现，为了加速计算，OpenCV中可以使用CUDA加速计算，使用的是Transparent API，直接将加速计算底层调用封装，程序改动较小。在提取特征操作中，使用OpenCL，编写C++和OpenCL代码，提取相应特征点。通过使用硬件加速技术进行图片特征点的提取，可以将整个特征点提取计算时间控制在50毫秒以内，如果不使用硬件加速计算（一般使用CPU）则大概会在1－2秒。在具体实施时，每一张图的特征点的个数控制在5000个左右，因为太少会影响匹配的准确率，太多会影响匹配的速度，为了控制在5000个左右，设置了对应的参数值，如SURF特征提取时，其中一个重要的参数为hessian阈值，这个值设置为1000。实验证明，通过上述设置有效提高了图片特征点的提取速度以及后续的特征点匹配的准确率。

具体通过现有的特征提取算法对待矫正图片进行特征点的提取。例如ORB（Oriented FAST and Rotated BRIEF）特征提取算法，它采用改进的FAST关键点检测方法，使其具有方向性，并采用具有旋转不变性的BRIEF特征描述子。FAST和BRIEF都是非常快速的特征计算方法，因此ORB具有非同一般的性能优势。又如SURF（Speeded Up RobustFeatures）特征提取算法。SURF在光照变化和视角变化不变性方面的性能接近SIFT算法，尤其对图像严重模糊和旋转处理得非常好。且标准的SURF算子比SIFT算子快好几倍，SURF算法最大的特征在于采用了harr特征以及积分图像的概念，这大大加快了程序的运行速度。通过现有的特征提取算法提取图片的特征点属于现有技术，在此不再赘述。

S2，获取与待矫正图片相匹配的参考图片；

采用本方法进行图片矫正时，需要基于与待矫正图片相匹配的图片作为参考图片进行后续特征点的匹配，因此需要获取到待矫正图片的参考图片。具体地，例如，通过手机APP等方式进行学生作业的线上批改时，需要通过智能终端设备对待批改的作业页面进行拍照，然后把照片上传系统，由于拍摄的作业页面照片会存在页面表面变形或光线不均等问题，因此需要对作业页面照片进行矫正，便于后续的切割和图像识别，在这个图片矫正的过程中，就需要以该作业页面照片相对应的未作答的作业页面的扫描件作为参考图片进行后续特征点的匹配。

S3，提取参考图片的特征点；

获取到参考图片后，需要通过特征提取算法提取参考图片的特征点，具体提取方法与上述步骤S1相同，在此不再赘述。

S4，对待矫正图片与参考图片进行特征点匹配操作；

在本实施方式中，特征点的匹配操作具体包括：采用k-d树的最近邻点搜索算法来搜索每个特征点所对应的最近邻特征点和次近邻特征点，在这两个特征点中，如果最近的距离与次近的距离的比值小于预设的距离比例阈值，则判定这两个特征点匹配。上述预设的距离比例阈值取值范围为0.6~0.8。本实施例中预设的距离比例阈值取0.8，即如果最近的距离与次近的距离的比值小于给定的阈值0.8时，则判定这两个特征点匹配。

S5，提取待矫正图片与参考图片中匹配正确的特征点，基于匹配正确的特征点创建初始匹配点对集；

S6，基于初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；

在本实施方式中，采用RANSAC算法估计待矫正图片与参考图片之间的最佳单应矩阵，具体步骤如下：

Sa，从初始匹配点对集中随机选取4n对特征点作为内点集，估计初始单应矩阵，其中，n为正整数；

Sb，用初始单应矩阵去测试初始匹配点对集中所有剩余的匹配点对，如果某个点对的投影误差小于预设的投影误差阈值，则将该点对加入内点集；

Sc，如果内点集中的内点数量小于预设的内点数量阈值，则转到步骤Sa重新选择样本估计初始单应矩阵，否则用内点集重新估计初始单应矩阵，并通过投影误差来评估初始单应矩阵；

Sd，重复步骤Sa~Sc，直到迭代次数大于预设的迭代次数阈值，得到最佳单应矩阵。

具体地，在本实施方式中，选取4对特征点作为内集点，即n的取值为1；投影误差阈值取值为3；内点数量阈值取值为4；迭代次数取值范围为100~2000，为了得到最佳单应矩阵，提升矫正图片矫正效果，迭代次数阈值取值设为2000。

S7，基于最佳单应矩阵将待矫正图片进行矫正。

具体操作可以是利用最佳单应矩阵剔除初始匹配点集中的误匹配点，根据剔除误匹配点后初始匹配点集对待矫正图片进行矫正。

在本发明的另一些实施方式中，所述图片矫正方法还可以包括如下步骤：

S8，返回并显示矫正后的图片。

返回矫正后的图片，通过显示装置对矫正后的图片进行显示，便于用户查看到图片的矫正效果。

综上所述可知，本发明提供了一种图片矫正方法，首先提取待矫正图片的特征点；然后获取与待矫正图片相匹配的参考图片；提取参考图片的特征点；接着对待矫正图片与参考图片进行特征点匹配操作；提取待矫正图片与参考图片中匹配正确的特征点，基于匹配正确的特征点创建初始匹配点对集；进而基于初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；最后基于最佳单应矩阵将待矫正图片进行矫正。本发明通过采用特征点匹配，求解最优变换矩阵的方法以参考图片为基准对待矫正图片进行矫正，图片矫正处理速度快，能够将图片矫正到一个非常理想的情况，有效解决了现有技术中图片矫正处理速度慢、矫正效果差的问题。

根据本发明的一个方面，本发明还提供了一种图片矫正系统，所述系统包括：

第一提取模块201，用于提取待矫正图片的特征点；

在对待矫正图片进行矫正处理时，首先需要通过特征提取算法对提取待矫正图片的特征点。在本实施例中，特征提取算法的程序有一部分代码是使用CUDA实现，有一部分代码是使用OpenCL实现。在处理流程中，图片的前期处理，如旋转，二值化操作是使用OpenCV+CUDA实现，为了加速计算，OpenCV中可以使用CUDA加速计算，使用的是Transparent API，直接将加速计算底层调用封装，程序改动较小。在提取特征操作中，使用OpenCL，编写C++和OpenCL代码，提取相应特征点。通过使用硬件加速技术进行图片特征点的提取，可以将整个特征点提取计算时间控制在50毫秒以内，如果不使用硬件加速计算（一般使用CPU）则大概会在1－2秒。在具体实施时，每一张图的特征点的个数控制在5000个左右，因为太少会影响匹配的准确率，太多会影响匹配的速度，为了控制在5000个左右，设置了对应的参数值，如SURF特征提取时，其中一个重要的参数为hessian阈值，这个值设置为1000。实验证明，通过上述设置有效提高了图片特征点的提取速度以及后续的特征点匹配的准确率。

具体通过现有的特征提取算法对待矫正图片进行特征点的提取。例如ORB（Oriented FAST and Rotated BRIEF）特征提取算法，它采用改进的FAST关键点检测方法，使其具有方向性，并采用具有旋转不变性的BRIEF特征描述子。FAST和BRIEF都是非常快速的特征计算方法，因此ORB具有非同一般的性能优势。又如SURF（Speeded Up RobustFeatures）特征提取算法。SURF在光照变化和视角变化不变性方面的性能接近SIFT算法，尤其对图像严重模糊和旋转处理得非常好。且标准的SURF算子比SIFT算子快好几倍，SURF算法最大的特征在于采用了harr特征以及积分图像的概念，这大大加快了程序的运行速度。通过现有的特征提取算法提取图片的特征点属于现有技术，在此不再赘述。

图片获取模块202，用于获取与待矫正图片相匹配的参考图片；

采用本方法进行图片矫正时，需要基于与待矫正图片相匹配的图片作为参考图片进行后续特征点的匹配，因此需要获取到待矫正图片的参考图片。具体地，例如，通过手机APP等方式进行学生作业的线上批改时，需要通过智能终端设备对待批改的作业页面进行拍照，然后把照片上传系统，由于拍摄的作业页面照片会存在页面表面变形或光线不均等问题，因此需要对作业页面照片进行矫正，便于后续的切割和图像识别，在这个图片矫正的过程中，就需要以该作业页面照片相对应的未作答的作业页面的扫描件作为参考图片进行后续特征点的匹配。

第二提取模块203，用于提取参考图片的特征点；

获取到参考图片后，需要通过特征提取算法提取参考图片的特征点，具体提取方法与通过第一提取模块201提取待矫正图片的特征点的方法相同，在此不再赘述。

匹配模块204，用于对待矫正图片与参考图片进行特征点匹配操作；

在本实施方式中，特征点的匹配操作具体包括：采用k-d树的最近邻点搜索算法来搜索每个特征点所对应的最近邻特征点和次近邻特征点，在这两个特征点中，如果最近的距离与次近的距离的比值小于预设的距离比例阈值，则判定这两个特征点匹配。上述预设的距离比例阈值取值范围为0.6~0.8。本实施例中预设的距离比例阈值取0.8，即如果最近的距离与次近的距离的比值小于给定的阈值0.8时，则判定这两个特征点匹配。

第一处理模块205，用于提取待矫正图片与参考图片中匹配正确的特征点，基于匹配正确的特征点创建初始匹配点对集；

计算模块206，基于初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；

在本实施方式中，采用RANSAC算法估计待矫正图片与参考图片之间的最佳单应矩阵，具体步骤如下：

Sa，从初始匹配点对集中随机选取4n对特征点作为内点集，估计初始单应矩阵，其中，n为正整数；

Sb，用初始单应矩阵去测试初始匹配点对集中所有剩余的匹配点对，如果某个点对的投影误差小于预设的投影误差阈值，则将该点对加入内点集；

Sc，如果内点集中的内点数量小于预设的内点数量阈值，则转到步骤Sa重新选择样本估计初始单应矩阵，否则用内点集重新估计初始单应矩阵，并通过投影误差来评估初始单应矩阵；

Sd，重复步骤Sa~Sc，直到迭代次数大于预设的迭代次数阈值，得到最佳单应矩阵。

具体地，在本实施方式中，选取4对特征点作为内集点，即n的取值为1；投影误差阈值取值为3；内点数量阈值取值为4；迭代次数取值范围为100~2000，为了得到最佳单应矩阵，提升矫正图片矫正效果，迭代次数阈值取值设为2000。

第二处理模块207，基于最佳单应矩阵将待矫正图片进行矫正。

具体操作可以是利用最佳单应矩阵剔除初始匹配点集中的误匹配点，根据剔除误匹配点后初始匹配点集对待矫正图片进行矫正。

在本发明的另一些实施方式中，所述图片矫正系统还可以包括结果处理模块，用于返回并显示矫正后的图片。通过结果处理模块返回矫正后的图片，并通过结果返回模块中的显示装置对矫正后的图片进行显示，便于用户查看到图片的矫正效果。

由以上方案可知，本发明提供了一种图片矫正系统，首先通过第一提取模块201提取待矫正图片的特征点；然后通过图片获取模块202获取与待矫正图片相匹配的参考图片；通过第二提取模块203提取参考图片的特征点；接着通过匹配模块204对待矫正图片与参考图片进行特征点匹配操作；通过第一处理模块205提取待矫正图片与参考图片中匹配正确的特征点，基于匹配正确的特征点创建初始匹配点对集；进而通过计算模块206基于初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；最后通过第二处理模块207基于最佳单应矩阵将待矫正图片进行矫正。本发明通过采用特征点匹配，求解最优变换矩阵的方法以参考图片为基准对待矫正图片进行矫正，图片矫正处理速度快，能够将图片矫正到一个非常理想的情况，有效解决了现有技术中图片矫正处理速度慢、矫正效果差的问题。

本发明实施例提供的图片矫正系统，在具体实施时，可以集成于搜索客户端等产品中。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的图片匹配的装置和图片的搜索装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图片矫正方法，其特征在于，包括如下步骤：

S1，提取待矫正图片的特征点；

S2，获取与所述待矫正图片相匹配的参考图片；

S3，提取所述参考图片的特征点；

S4，对所述待矫正图片与所述参考图片进行特征点匹配操作；

S5，提取所述待矫正图片与所述参考图片中匹配正确的特征点，基于所述匹配正确的特征点创建初始匹配点对集；

S6，基于所述初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；

S7，基于所述最佳单应矩阵将所述待矫正图片进行矫正。

2.根据权利要求1所述的一种图片矫正方法，其特征在于，所述步骤S4中特征点匹配操作包括：

采用k-d树的最近邻点搜索算法来搜索每个特征点所对应的最近邻特征点和次近邻特征点，在这两个特征点中，如果最近的距离与次近的距离的比值小于预设的距离比例阈值，则判定这两个特征点匹配。

3.根据权利要求2所述的一种图片矫正方法，其特征在于，预设的所述距离比例阈值为0.6~0.8。

4.根据权利要求3所述的一种图片矫正方法，其特征在于，预设的所述距离比例阈值为0.8。

5.根据权利要求1所述的一种图片矫正方法，其特征在于，所述步骤S6包括：

基于所述初始匹配点对集中的特征点的匹配关系，采用RANSAC算法估计待矫正图片与参考图片之间的最佳单应矩阵。

6.根据权利要求5所述的一种图片矫正方法，其特征在于，采用RANSAC算法估计待矫正图片与参考图片之间的最佳单应矩阵具体步骤如下：

Sa，从初始匹配点对集中随机选取4n对特征点作为内点集，估计初始单应矩阵，其中，n为正整数；

Sb，用初始单应矩阵去测试初始匹配点对集中所有剩余的匹配点对，如果某个点对的投影误差小于预设的投影误差阈值，则将该点对加入内点集；

Sc，如果内点集中的内点数量小于预设的内点数量阈值，则转到步骤Sa重新选择样本估计初始单应矩阵，否则用内点集重新估计初始单应矩阵，并通过投影误差来评估初始单应矩阵；

Sd，重复步骤Sa~Sc，直到迭代次数大于预设的迭代次数阈值，得到所述最佳单应矩阵。

7.根据权利要求1所述的一种图片矫正方法，其特征在于，所述步骤S7包括：

利用所述最佳单应矩阵剔除初始匹配点集中的误匹配点，根据剔除误匹配点后初始匹配点集对所述待矫正图片进行矫正。

8.根据权利要求1所述的一种图片矫正方法，其特征在于，所述步骤S1与步骤S3中的特征点的提取均采用SURF算法进行提取，且通过SURF算法进行特征点的提取时，Hessian阈值设置为1000。

9.根据权利要求1-8中任意一项所述的一种图片矫正方法，其特征在于，还包括如下步骤：

S8，返回并显示矫正后的图片。

10.一种应用权利要求1-9中任意一项所述的方法进行图片矫正的系统，其特征在于，包括：

第一提取模块，用于提取待矫正图片的特征点；

图片获取模块，用于获取与所述待矫正图片相匹配的参考图片；

第二提取模块，用于提取所述参考图片的特征点；

匹配模块，用于对所述待矫正图片与所述参考图片进行特征点匹配操作；

第一处理模块，用于提取所述待矫正图片与所述参考图片中匹配正确的特征点，基于所述匹配正确的特征点创建初始匹配点对集；

计算模块，基于所述初始匹配点对集中的特征点的匹配关系，计算最佳单应矩阵；

第二处理模块，基于所述最佳单应矩阵将所述待矫正图片进行矫正。