CN110390339B - 一种图像校正方法、装置及存储介质 - Google Patents
一种图像校正方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110390339B CN110390339B CN201910639833.5A CN201910639833A CN110390339B CN 110390339 B CN110390339 B CN 110390339B CN 201910639833 A CN201910639833 A CN 201910639833A CN 110390339 B CN110390339 B CN 110390339B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- boundary
- position information
- equation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000003702 image correction Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000009467 reduction Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 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 description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 43
- 230000007547 defect Effects 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000011438 discrete method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明提供了一种图像校正方法、装置及存储介质，涉及图像处理技术领域，包括图像中矩形边界提取和图像校正，将直线方程对应到参数空间中，将约束条件应用于球面空间中的三个参数，利用直线方程中参数的平均值，确定边界的线性方程对应的三个参数，从而得到矩形图形边界的线性方程，其方法简单，提取效率高、精度高、适用范围广，大大提高了图像边界提取效率，通过采用参数空间中转换点在球面上的约束条件是连续式，克服了传统离散式基于霍夫变换提取图像边界方法精度低的问题，提取精度获得较大提高，同时避免基于霍夫变换提取图像边界方法无法提取与水平坐标轴的倾斜角为π/2的边界的弊端，从而基于二维空间插值函数来对得到的图像进行校正。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种图像校正方法、装置及存储介质。
背景技术
图像处理技术是用计算机对图像信息进行处理的技术，图像处理的应用领域也涉及人类生活和工作的方方面面，包括航天和航空技术、生物医学工程、通信工程、工业和工程、军事和公安、文化与艺术等方面。在生物医学领域，图像识别算法对医学图像的分析为疾病评估提供了大量的信息，促进了生物医学的研究，也为疾病的诊断提供了便利；在日常办公领域，应用图像识别技术能够从相应文档的图像中提取信息，从而可以方便地提取文档上的信息；图像识别为我们的日常生活和工作带来了方便，图像识别技术在各个领域都取得了进展，已经遍布生物、医学、信息、机械、电气等各个领域。
从图像中提取边界是一种常见的图像处理、图像识别技术，基于图像文字、线条、位置等信息的图像处理而言，图像边界是非常重要的技术特征，提取图像边界也是图像处理技术的关键和前提，但是在实际应用中，提取到的图像经常发生倾斜变形，需要将图像进行校正，图像校正的前提是要做好边界提取工作，因此在图像校正领域，如何准确、高效的提取图像边界是关键。
随着技术的快速发展，图像边界提取方法越来越多，随即出现了越来越多具有图像处理功能的终端。目前常用的是基于霍夫变换进行图像边界提取的方法，但是该方法在实际应用过程中，存在很多弊端：第一，将原空间中的边界像素点转换为参数空间中的若干条直线，图像边界像素点为离散式，因此，基于霍夫变换进行图像边界提取的方法并没有考虑图像上的这一直线上的点是否连续的问题，造成图像边界的提取准确度不高，另外对于与水平坐标轴的倾斜角为π/2的边界，该边界上的像素点在对应的参数空间内的直线之间互相平行，没有交点，也就无法获得该边界直线方程，导致基于霍夫变换进行图像边界提取的方法无法满足所有图像边界提取的要求。
应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些技术方案在本发明的技术背景部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本发明的目的在于提供一种图像校正方法、装置及存储介质，将原空间中的直线转换为参数空间中三维空间中的一点，其方法简单，提取效率高、精度高、适用范围广，大大提高了图像边界提取的效率，通过采用参数空间中转换点在球面上的约束条件是连续式的图像边界提取方法，克服了传统离散式基于霍夫变换提取图像边界方法精度低的问题，提取精度获得较大提高，同时也能够避免基于霍夫变换提取图像边界方法无法提取与水平坐标轴的倾斜角为π/2的边界的弊端，从而基于二维空间插值函数来对得到的图像进行校正。
为实现上述目的，本发明提供了以下技术方案：
本发明提供的图像边界提取方法，包括：
步骤一，图像中矩形边界提取；
采集图像信息，得到图像EFGH和位于所述图像内的矩形图形ABCD；
对所述图像信息进行灰度处理，得到所述图像EFGH的灰度图像E′F′G′H′和所述矩形图形ABCD的灰度图像A′B′C′D′，灰度处理后得到m×n灰度图像矩阵P，其中，m代表灰度图像矩阵P中的行数，n代表灰度图像矩阵P中的列数；
对所述灰度图像矩阵P二值化处理，得到m×n灰度图像矩阵P′；
分别以EH、EF、FG、GH为始边进行遍历得到边界AD、AB、BA、BC、CB、CD、DC、DA和所述边界AD、AB、BA、BC、CB、CD、DC、DA中各像素点的位置信息P1、P2、P3、…、Pn、Pn+1、Pn+1′、Pn′、…、P3′、P2′、P1′，根据同一边界相邻两像素点q1、q2的位置信息Pn、Pn+1得到能够过所述相邻两像素点q1、q2的直线方程Ln，根据顺时针或逆时针相邻方向遍历的同一边界相邻两像素点q1′、q2′的位置信息Pn+1′、Pn′得到能够过所述相邻两像素点q1′、q2′的直线方程Ln′，将直线方程转化为一般式线性方程为ax+by+c＝0，其中，a、b、c为对应的系数；对得到的所述一般式线性方程进行归一化处理：
a为a归一化处理后对应的参数；
b为b归一化处理后对应的参数；
c为c归一化处理后对应的参数；
所述直线方程等价于如下形式：ax+by+c＝0，根据归一化方程中的关系，得到如下方程：
a2+b2+c2＝1
所述系数映射为参数空间中球面上的一个点，所述相邻两像素点q1、q2的直线方程L1、L2、L3、…、Ln对应(a1，b1，c1)、(a2，b2，c2)、(a3，b3，c3)、…、
所述相邻两像素点q1′、q2′的直线方程L1′、L2′、L3′、…、Ln′对应(a1′，b1′，c1′)、(a2′，b2′，c2′)、(a3′，b3′，c3′)、…、
n1+n2个点的平均值为n1+n2个点所在位置的中心点
所述矩形边界的直线方程L为
根据矩形边界的四条直线方程得到封闭的图像A″B″C″D″；
步骤二，图像校正；
根据二维空间有限元插值方法对所述图像A″B″C″D″进行校正，得到校正图像A″′B″′C″′D″′。
可选地，
步骤二中，各所述边界L形成的所述图像A″B″C″D″，所述图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
所述图像校正方法包括：
第一步：计算所述图像A″B″C″D″的顶点位置信息：所述图像A″B″C″D″的顶点为A″、B″、C″、D″，所述A″、B″、C″、D″为相邻两所述边界的直线方程L的交点；
所述图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
第二步：计算所述图像A″B″C″D″上的像素点M的位置信息；
二维空间有限元插值函数：
所述像素点M的位置信息为(x″，y″)，
x″＝h1x1+h2x2+h3x3+h4x4
y″＝h1y1+h2y2+h3y3+h4y4
第三步：根据所述像素点M(x″，y″)，从所述灰度图像矩阵P中提取所述像素点M(x″，y″)对应的灰度值，形成矩阵P″；
第四步：根据所述矩阵P″，得到所述校正图像A″′B″′C″′D″′。
可选地，
步骤二中，各所述边界L形成的所述图像A″B″C″D″，所述图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
所述图像校正方法包括：
第一步：计算所述图像A″B″C″D″的顶点位置信息：所述图像A″B″C″D″的顶点为A″、B″、C″、D″，所述A″、B″、C″、D″为相邻两所述边界的直线方程L的交点；
所述图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
第二步：计算所述图像A″B″C″D″上的像素点M的位置信息；
二维空间有限元插值函数：
h1＝(1-r)(1-s)
h2＝r(1-s)
h3＝rs
h4＝(1-r)s
所述像素点M的位置信息为(x″，y″)，
x″＝h1x1+h2x2+h3x3+h4x4
y″＝h1y1+h2y2+h3y3+h4y4
第三步：根据所述像素点M(x″，y″)，从所述灰度图像矩阵P中提取所述像素点M(x″，y″)对应的灰度值，形成矩阵P″；
第四步：根据所述矩阵P″，得到所述校正图像A″′B″′C″′D″′。
可选地，对所述灰度图像矩阵P′进行降噪处理。
可选地，所述降噪处理为高斯滤波操作。
可选地，所述二值化处理为全局二值化或局部自适应二值化。
本发明还提供一种应用上述图像校正方法的图像校正装置，所述装置包括：
a.采集模块，用于采集图像信息；
b.灰度处理模块，用于对所述图像信息进行灰度处理，得到
对应的灰度图像；
c.二值化处理模块，用于对所述灰度图像进行二值化处理，得到图像矩阵；
d.解析模块，所述解析模块用于：分别以EH、EF、FG、GH为始边进行遍历得到边界AD、AB、BA、BC、CB、CD、DC、DA和所述边界AD、AB、BA、BC、CB、CD、DC、DA中各像素点的位置信息P1、P2、P3、…、Pn、Pn+1、Pn+1′、Pn′、…、P3′、P2′、P1′，根据同一边界相邻两像素点q1、q2的位置信息Pn、Pn+1得到能够过所述相邻两像素点q1、q2的直线方程Ln，根据顺时针或逆时针相邻方向遍历的同一边界相邻两像素点q1′、q2′的位置信息Pn+1′、Pn′得到能够过所述相邻两像素点q1′、q2′的直线方程Ln′，将直线方程转化为一般式线性方程为ax+by+c＝0，其中，a、b、c为对应的系数；对得到的所述一般式线性方程进行归一化处理：
a为a归一化处理后对应的参数；
b为b归一化处理后对应的参数；
c为c归一化处理后对应的参数；
所述直线方程等价于如下形式：ax+by+c＝0，根据归一化方程中的关系，得到如下方程：
a2+b2+c2＝1
所述系数映射为参数空间中球面上的一个点，所述相邻两像素点q1、q2的直线方程L1、L2、L3、…、Ln对应(a1，b1，c1)、(a2，b2，c2)、(a3，b3，c3)、…、
所述相邻两像素点q1′、q2′的直线方程L1′、L2′、L3′、…、Ln′对应(a1′，b1′，c1′)、(a2′，b2′，c2′)、(a3′，b3′，c3′)、…、
n1+n2个点的平均值为n1+n2个点所在位置的中心点
所述矩形边界的直线方程L为
根据矩形边界的四条直线方程得到封闭的图像A″B″C″D″；
e.校正模块，所述校正模块用于获得校正后的图像；
根据各所述边界L得到所述图像A″B″C″D″，所述图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
计算所述图像A″B″C″D″的顶点位置信息：所述图像A″B″C″D″的顶点为A″、B″、C″、D″，所述A″、B″、C″、D″为相邻两所述边界的直线方程L的交点；
所述图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
计算所述图像A″B″C″D″上的像素点M的位置信息；
应用二维空间有限元插值函数，计算所述像素点M的位置信息为(x″，y″)，
根据所述像素点M(x″，y″)，从所述灰度图像矩阵P中提取所述像素点M(x″，y″)对应的灰度值，形成矩阵P″；
根据所述矩阵P″，得到所述校正图像A″′B″′C″′D″′
可选地，所述二值化处理模块采用全局二值化或局部自适应二值化。
可选地，所述装置为计算机、游戏控制台、平板设备、医疗设备、健身设备。
本发明还提供一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
本发明提供的技术方案中，将原空间中的直线转换为参数空间中三维空间中的一点，其方法简单，提取效率高、精度高、适用范围广，相对于基于霍夫变换提取图像边界的方法，大大提高了图像边界提取的效率，通过采用参数空间中特征点在球面上的约束条件是连续式的图像边界提取方法，克服了传统离散式基于霍夫变换提取图像边界方法精度低的问题，提取精度获得较大提高，同时也能够避免基于霍夫变换提取图像边界方法无法提取与水平坐标轴的倾斜角为π/2的边界的弊端。
在本发明的优选方案中，通过采用高斯滤波操作，进一步排除了非特征点的干扰，提高了图像边界提取的准确性，能够避免传统图像边界提取准确性低的问题。
在本发明的优选技术方案中，原空间中的相邻的两边界像素点转换为直线，直线对应到参数空间中球面上的点，由于有非特征点的干扰，需要进行降噪处理，降噪处理过程为中心消除法，具体为：得到相邻的两边界像素点的位置信息，通过相邻的两边界像素点的位置信息得到直线，将所有直线对应到参数空间中形成球面上若干个点，求取各个点的平均值，得到均值点，通过比较并排序均值点到各个点的距离，从而距离最大的点即为噪音点，需要将该噪音点去除，重新求取剩余的各个点的平均值，得到去噪后的均值点。如此计算，能够充分排除非特征点的干扰，大大提高了图像边界提取的准确性，能够避免传统图像边界提取准确性低的问题。
在本发明的优选方案中，通过采用全局二值化或局部自适应二值化的二值化处理过程，简化了运算过程，大大提高了边界提取效率。
在本发明的优选技术方案中，通过应用二维空间有限元插值函数，能够准确计算出像素点的位置信息，从而根据计算出的位置信息在原灰度图像矩阵中进行对应性查找，从而得到校正后的精准图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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是本发明实施例中图像EFGH和图像中矩形图形ABCD示意图；
图2是本发明实施例中遍历过程中显示像素点图像示意图；
图3是本发明实施例中遍历过程中基于像素点矩形边界示意图；
图4是是本发明实施例中相邻像素点之间直线Ln示意图；
图5是本发明实施例中参数空间具有干扰点示意图；
图6是本发明实施例中参数空间去除干扰点示意图；
图7是本发明实施例中以矩形图形角点为坐标原点的矩形图像校正前示意图；
图8是本发明实施例中以矩形图形角点为坐标原点的矩形图形校正后示意图；
图9是本发明实施例中以矩形图形角点为坐标原点的基于像素点矩形图形校正前示意图；
图10是本发明实施例中以矩形图形角点为坐标原点的基于像素点矩形图形校正后示意图；
图11是本发明实施例中以矩形图形中点为坐标原点的矩形图像校正前示意图；
图12是本发明实施例中以矩形图形中点为坐标原点的矩形图形校正后示意图；
图13是本发明实施例中以矩形图形中点为坐标原点的基于像素点矩形图形校正前示意图；
图14是本发明实施例中以矩形图形中点为坐标原点的基于像素点矩形图形校正后示意图；
图15是本发明实施例中图像校正方法流程图。
图中，101、采集图像信息；102、对图像信息进行灰度处理得到图像矩阵；103、对图像矩阵进行二值化处理；104、空间中的直线转化内参数空间中三维空间中的点；105、图像校正。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
本发明提供的图像边界提取方法，包括两个步骤，步骤一：图形中矩形边界提取，步骤二：图像校正。在图形中矩形边界提取的过程中，将原空间中的直线转换为参数空间中三维空间中的一点，通过相应的对应关系来进行相应的映射，该方法简单，提取效率高、精度高、适用范围广，大大提高了图像边界提取的效率，而且对得到的矩形边界图形进行图像校正，使得校正后的图像更加准确，符合人们的使用需求，具有重要的研究意义和使用价值。如图1-图15所示，其中具体的提取过程为：
步骤一，图像中矩形边界提取；
(1)采集图像信息，即图11中的步骤101，得到图像EFGH和位于图像内的矩形图形ABCD；获取数字化图像的途径有很多，其中包括将传统照片数字化(扫描仪)、使用数码相机拍摄、从网络或其他数字化资源库中获取需要的图像素材、从影像资料中捕获等，本发明的具体实施例中，首先要采集图像信息，采集图像的方式并不局限于上边列举的几种，还可以为其他获取方式，只要是能够采集到图像信息即可，通过采集到的图像信息获得所需要的信息数据。
(2)对图像信息进行灰度处理，即图11中的步骤102，得到图像EFGH的灰度图像E′F′G′H′和矩形图形ABCD的灰度图像A′B′C′D′，灰度处理后得到m×n灰度图像矩阵P，其中，m代表灰度图像矩阵P中的行数，n代表灰度图像矩阵P中的列数。一幅完整的图像，是由红色、绿色、蓝色三个通道组成的。其中，红色、绿色、蓝色三个通道的缩览图都是以灰度显示的，通过采用不同的灰度色阶来表示″红，绿，蓝″在图像中的比重。具体地，通道中的纯白，代表了该色光在此处为最高亮度，亮度级别是255。在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，灰度化处理有很多种方法，例如浮点算法、整数算法、移位算法、平均值法等，具体如下：
(1)浮点算法
Gray＝R＊0.3+G＊0.59+B＊0.11；
(2)整数方法
Gray＝(R＊30+G＊59+B＊11)/100；
(3)移位方法
Gray＝(R＊76+G＊151+B＊28)＞＞8；
(4)平均值法
Gray＝(R+G+B)/3；
(5)仅取绿色
Gray＝G；
通过上述任一种方法求得Gray后，将原来的RGB(R，G，B)中的R，G，B统一用Gray替换，形成新的颜色RGB(Gray，Gray，Gray)，用它替换原来的RGB(R，G，B)就能够得到灰度图了，这就是常用的灰度处理得到灰度图的方法。
需要特别说明的是，本发明的矩形边界提取过程中灰度处理的方法可以使用以上任意一种，并不局限于某一种方法。
(3)对灰度图像矩阵P二值化处理，即图11中的步骤103，得到m×n灰度图像矩阵P′；
(4)图11中的步骤104，分别以EH、EF、FG、6H为始边进行遍历得到边界AD、AB、BA、BC、CB、CD、DC、DA和边界AD、AB、BA、BC、CB、CD、DC、DA中各像素点的位置信息P1、P2、P3、…、Pn、Pn+1、Pn+1′、Pn′、…、P3′、P2′、P1′，根据同一边界相邻两像素点q1、q2的位置信息Pn、Pn+1得到能够过相邻两像素点q1、q2的直线方程Ln，根据顺时针或逆时针相邻方向遍历的同一边界相邻两像素点q1′、q2′的位置信息Pn+1′、Pn′得到能够过所述相邻两像素点q1′、q2′的直线方程Ln′；
将直线方程转化为一般式线性方程为
ax+by+c＝0；
其中，a、b、c为对应的系数。具体上述过程通过如下算法伪代码实现：
对得到的一般式线性方程进行归一化处理：
其中，a为a归一化处理后对应的参数；
b为b归一化处理后对应的参数；
c为c归一化处理后对应的参数；
直线方程等价于如下形式：
ax+by+c＝0，
根据归一化方程中的关系，得到如下方程：
a2+b2+c2＝1
系数映射为参数空间中球面上的一个点，相邻两像素点q1、q2的直线方程L1、L2、L3、…、Ln对应(a1，b1，c1)、(a2，b2，c2)、(a3，b3，c3)、…、
相邻两像素点q1′、q2′的直线方程L1′、L2′、L3′、…、Ln′对应(a1′，b1′，c1′)、(a2′，b2′，c2′)、(a3′，b3′，c3′)、…、
n1+n2个点的平均值为n1+n2个点所在位置的中心点
矩形边界的直线方程L为
根据矩形边界的四条直线方程得到封闭的图像A″B″C″D″；
具体如何将原空间中的直线转换为参数空间中三维空间中的一点可通过如下算法伪代码实现：
目前现有技术中常用的是基于霍夫变换进行图像边界提取的方法，但是该方法在实际应用过程中，存在很多弊端，一方面是传统的基于霍夫变换进行图像边界提取是一种离散化方式，精度低，不能满足人们日益增长的需求；另一方面，传统的基于霍夫变换进行图像边界提取是基于一定条件才能得以实现，并非适用于所有的边界位置情况，比如，与水平坐标轴的倾斜角为π/2的边界提取则是现有基于霍夫变换进行图像边界提取方法所无法实现的。然而，本发明提取图像边界是将原空间中的直线转换为参数空间中三维空间中的一点，其方法简单，提取效率高、精度高、适用范围广，大大提高了图像边界提取的效率，通过采用参数空间中转换点在球面上的约束条件是连续式的图像边界提取方法，克服了传统离散式基于霍夫变换提取图像边界方法精度低的问题，提取精度获得较大提高，同时也能够避免基于霍夫变换提取图像边界方法无法提取与水平坐标轴的倾斜角为π/2的边界的弊端。
步骤二，图像校正；
根据二维空间有限元插值方法对图像A″B″C″D″进行校正，得到校正图像A″′B″′C″′D″′。在日常生活或者工作中，对于得到的图像经常是有一定倾斜的，需要对倾斜的图像进行校正后才可以进行下一步的操作，本发明在图像边界提取完毕得到图像之后，又进一步对图像进行校正，能够充分满足人们生活或者工作的需求。
于本发明图像校正方法的具体实施例中，如图6-图11所示，步骤二，即图11中的步骤105中，图像校正方法包括：
获得封闭的图像A″B″C″D″，各边界L形成图像A″B″C″D″，图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
第一步：计算图像A″B″C″D″的顶点位置信息，灰度图像A′B′C′D′的顶点为相邻两边界的直线方程L的交点；即，图像A″B″C″D″的顶点为A″、B″、C″、D″，A″、B″、C″、D″为相邻两边界的直线方程L的交点；
图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
第二步，计算图像A″B″C″D″上的像素点M的位置信息；
选取矩形图形的中点为原点坐标，二维空间有限元插值函数为：
计算图像A″B″C″D″上的像素点M的位置信息；
像素点M的位置信息为(x″，y″)，
x″＝h1x1+h2x2+h3x3+h4x4
y″＝h1y1+h2y2+h3y3+h4y4
第三步：根据像素点M(x″，y″)，从灰度图像矩阵P中提取像素点M(x″，y″)对应的灰度值，形成矩阵P″；
第四步：根据矩阵P″，得到校正图像A″′B″′C″′D″′。
于本发明图像校正方法的具体实施例中，步骤二中，图像校正方法包括：
(1)获得封闭的图像A″B″C″D″，各边界L形成图像A″B″C″D″，图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
(2)计算图像A″B″C″D″的顶点位置信息，灰度图像A′B′C′D′的顶点为相邻两所述边界的直线方程L的交点；
图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
(3)选取矩形图形的D″为原点坐标，利用二维空间有限元插值函数来进行校正。二维空间有限插值函数，index表示的选择哪个插值函数，x和y表示的是自然坐标的横坐标值与纵坐标值。
二维空间有限元插值函数：
h1＝(1-r)(1-s)
h2＝r(1-s)
h3＝rs
h4＝(1-r)s
具体上述二维空间有限元插值函数可通过如下伪代码实现：
double CImageData：：Shape(int index，double x，double y)
{
double result；
switch(index)
{
case 0：
result＝(1-x)＊(1-y)；
break；
case 1：
result＝x＊(1-y)；
break；
case 2：
result＝x＊y；
break；
case 3：
result＝(1-x)＊y；
break；
default：
result＝0；
break；
}
return result；
}
计算图像A″B″C″D″上的像素点M的位置信息；像素点M的位置信息为(x″，y″)；
x″＝h1x1+h2x2+h3x3+h4x4
y″＝h1y1+h2y2+h3y3+h4y4
根据像素点M(x″，y″)，从灰度图像矩阵P中提取像素点M(x″，y″)对应的灰度值，形成矩阵P″；
根据矩阵P″，得到校正图像A″′B″′C″′D″′。具体校正之前，如何判断矩形的顶边、底边、右边和左边可通过如下算法伪代码实现：
为了提高准确度，于本发明的具体实施例中，对灰度图像矩阵P′进行降噪处理。
于本发明的具体实施例中，降噪处理为高斯滤波操作。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程，也可应用于图像处理技术中，通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。高斯滤波器是利用高斯核的一个二维的卷积算子，用于图像模糊化，从而祛除细节和噪声。
需要说明的是，降噪处理可以有多种方式，本发明的矩形边界提取方法中的降噪处理并不局限于高斯滤波操作，还可以为其他能够进行排除干扰进行过滤降噪的降噪处理方式。
具体地，灰度化处理以及降噪处理为图像预处理过程，能够改善图像质量。对于计算机处理的图像，进行图像平滑处理的目的是消除或尽量减少拍摄设备的误差，改善图像质量。平滑处理的算法有多种，如平滑卷积模板法、领域加权平均算法和中值滤波算法等，这些均可以在本发明的具体实施过程中进行应用。
为了简单化、方便化，于本发明的具体实施例中，采用二值化处理，二值化处理选用全局二值化或局部自适应二值化。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
图像二值化是指用灰度变换来研究灰度图像的一种常用方法，即设定某一阈值将灰度图像的像素分成大于阈值的像素群和小于阈值的像素群两部分。
输入图像函数为f(x，y)，输出二值图像函数为g(x，y)，则：
T为阈值。
对于全局二值化，于本发明的具体实施例中，设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色(或者黑色)，小于T的像素群的像素值设定为黑色(或者白色)。
对于局部自适应二值化，于本发明的具体实施例中，将阈值的设定更加合理化。该方法的阈值是通过对该窗口像素的平均值E，像素之间的差平方P，像素之间的均方根值Q等各种局部特征，设定一个参数方程进行阈值的计算，于本发明的具体实施例中，T＝a＊E+b＊P+c＊Q，其中a，b，c是自由参数。这样得出来的二值化图像就更能表现出二值化图像中的细节。
本发明还提供一种应用上述图像校正方法的图像校正装置，图像校正装置包括以下几个模块：
a.采集模块，用于采集图像信息；
b.灰度处理模块，用于对图像信息进行灰度处理，得到
对应的灰度图像；
其中灰度化处理有很多种方法：
浮点算法：Gray＝R＊0.3+G＊0.59+B＊0.11
整数方法：Gray＝(R＊30+G＊59+B＊11)/100
移位方法：Gray＝(R＊76+G＊151+B＊28)＞＞8；
平均值法：Gray＝(R+G+B)/3；
仅取绿色：Gray＝G；
通过上述任一种方法求得Gray后，将原来的RGB(R，G，B)中的R，G，B统一用Gray替换，形成新的颜色RGB(Gray，Gray，Gray)，用它替换原来的RGB(R，G，B)就能够得到灰度图了。
需要特别说明的是，本发明的矩形边界提取过程中灰度处理模块采用的灰度处理过程可以使用以上任意一种，并不局限于某一种方法。
c.二值化处理模块，用于对灰度图像进行二值化处理，得到图像矩阵；
需要说明的是，本发明具体实施例中，可以采用全局二值化和局部自适应二值化方法进行二值化处理，并不局限于某一种方法。
d.解析模块，解析模块用于：分别以EH、EF、FG、GH为始边进行遍历得到边界AD、AB、BA、BC、CB、CD、DC、DA和所述边界AD、AB、BA、BC、CB、CD、DC、DA中各像素点的位置信息P1、P2、P3、…、Pn、Pn+1、Pn+1′、Pn′、…、P3′、P2′、P1′，根据同一边界相邻两像素点q1、q2的位置信息Pn、Pn+1得到能够过所述相邻两像素点q1、q2的直线方程Ln，根据顺时针或逆时针相邻方向遍历的同一边界相邻两像素点q1′、q2′的位置信息Pn+1′、Pn′得到能够过所述相邻两像素点q1′、q2′的直线方程Ln′，将直线方程转化为一般式线性方程为：
ax+by+c＝0，
其中，a、b、c为对应的系数；对得到的一般式线性方程进行归一化处理：
a为a归一化处理后对应的参数；
b为b归一化处理后对应的参数；
c为c归一化处理后对应的参数；
直线方程等价于如下形式：
ax+by+c＝0，
根据归一化方程中的关系，得到如下方程：
a2+b2+c2＝1
系数映射为参数空间中球面上的一个点，所述相邻两像素点q1、q2的直线方程L1、L2、L3、…、Ln对应(a1，b1，c1)、(a2，b2，c2)、(a3，b3，c3)、…、
所述相邻两像素点q1′、q2′的直线方程L1′、L2′、L3′、…、Ln′对应(a1′，b1′，c1′)、(a2′，b2′，c2′)、(a3′，b3′，c3′)、…、
n1+n2个点的平均值为n1+n2个点所在位置的中心点
所述矩形边界的直线方程L为
根据矩形边界的四条直线方程得到封闭的图像A″B″C″D″。
需要说明的是，顺时针或逆时针相邻方向指的是以说明书附图图示中的位置信息为准，即可以右旋或者左旋的方式相邻边界逐次进行遍历。
方式一：遍历方向依次为：方向1(向右)——方向2(向下)——方向3(向左)——方向4(向上)，此时，得到边界AD、AB、BA、BC、CB、CD、DC、DA和所述边界AD、AB、BA、BC、CB、CD、DC和DA中各像素点的位置信息P1、P2、P3、…、Pn、Pn+1、Pn+1′、Pn′、…、P3′、P2′、P1′。
方式二：遍历方向依次为：方向2(向下)——方向3(向左)——方向4(向上)——方向1(向右)，此时，得到边界BA、BC、CB、CD、DC、DA、AD、AB。
方式三：遍历方向依次为：方向3(向左)——方向4(向上)——方向1(向右)——方向2(向下)，此时，得到边界CB、CD、DC、DA、AD、AB、BA、BC。
方式四：遍历方向依次为：方向4(向上)——方向1(向右)——方向2(向下)——方向3(向左)，此时，得到边界DC、DA、AD、AB、BA、BC、CB、CD。
e.校正模块，校正模块用于获得校正后的图像；
获得封闭的图像A″B″C″D″，各边界L形成图像A″B″C″D″，图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
计算图像A″B″C″D″的顶点位置信息，灰度图像A′B′C′D′的顶点为相邻两边界的直线方程L的交点；
图像A″B″C″D″的顶点A″、B″、C″、D″分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
为了提高矩形边界的识别提取精度，于本发明的具体实施例中，还包括降噪处理过程，原空间中的相邻的两边界像素点转换为直线，直线对应到参数空间中球面上的点，由于有非特征点的干扰，需要进行降噪处理，降噪处理过程为中心消除法，具体为：得到相邻的两边界像素点的位置信息，通过相邻的两边界像素点的位置信息得到直线，将所有直线对应到参数空间中形成球面上若干个点，求取各个点的平均值，得到均值点，通过比较并排序均值点到各个点的距离，从而距离最大的点即为噪音点，需要将该噪音点去除，重新求取剩余的各个点的平均值，得到去噪后的均值点。如此计算，能够充分排除非特征点的干扰，大大提高了图像边界提取的准确性，能够避免传统图像边界提取准确性低的问题。
具体地，于本发明的具体实施例中，如图5和图6所示，像素点分别为q1、q2、q3、…、qn、qn+1，相邻两像素点q1、q2和q2、q3和q4、q5、…、qn、qn+1之间的直线方程为L1、L2、…、、Lx、…、Ln，直线方程L1、L2、…、、Lx、…、Ln分别对应于参数空间球面上的点，具体地如图5中所示，形成L1、L2、…、、Lx、…、Ln的聚类结构，为了更加精确，需要排除干扰点，具体的排除干扰点的方法为：
求取球面参数空间各个点L1、L2、…、、Lx、…、Ln的平均值，从而球面参数空间各个点L1、L2、…、、Lx、…、Ln各个点的均值点L，通过比较并排序均值点L到各个点L1、L2、…、、Lx、…、Ln的距离，从而与均值点L距离最大的点Lx即为噪音点，将该点去除。然后重新求取去除噪音点Lx后的各个点L1、L2、…、Ln的平均值，得到去除噪音后新的均值点L′。如此计算，能够充分排除非特征点的干扰，大大提高了图像边界提取的准确性，能够避免传统图像边界提取准确性低的问题。
应用二维空间有限元插值函数，计算图像A″B″C″D″上的像素点M的位置信息；
像素点M为(x″，y″)；
根据所述像素点M(x″，y″)，从灰度图像矩阵P中提取像素点M(x″，y″)对应的灰度值，形成矩阵P″；
根据矩阵P″，得到校正图像A″′B″′C″′D″′。
于本发明的具体实施例中，二值化处理模块采用全局二值化或局部自适应二值化。
于本发明的具体实施例中，图像校正装置为计算机、游戏控制台、平板设备、医疗设备、健身设备等。
本发明还提供一种计算机可读存储介质，存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述图像边界提取方法。
需要说明的是，本发明研究的图像中矩形边界提取方法，并不局限于本发明的具体实施例中，降噪处理也不局限于高斯滤波方法，其他降噪处理过程和方式也是可以根据实际使用进行适应性调整的。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像校正方法，其特征在于，包括：
步骤一，图像中矩形边界提取；
采集图像信息，得到图像EFGH和位于所述图像内的矩形图形ABCD；
对所述图像信息进行灰度处理，得到所述图像EFGH的灰度图像E′F′G′H′和所述矩形图形ABCD的灰度图像A′B′C′D′，灰度处理后得到m×n灰度图像矩阵P，其中，m代表灰度图像矩阵P中的行数，n代表灰度图像矩阵P中的列数；
对所述灰度图像矩阵P二值化处理，得到m×n灰度图像矩阵P′；
分别以EH、EF、FG、GH为始边进行遍历得到边界AD、AB、BA、BC、CB、CD、DC、DA和所述边界AD、AB、BA、BC、CB、CD、DC、DA中各像素点的位置信息P1、P2、P3、...、Pn、Pn+1、Pn+1′、Pn′、...、P3′、P2′、P1′，根据同一边界相邻两像素点q1、q2的位置信息Pn、Pn+1得到能够过所述相邻两像素点q1、q2的直线方程Ln，根据顺时针或逆时针相邻方向遍历的同一边界相邻两像素点q1′、q2′的位置信息Pn+1′、Pn′得到能够过所述相邻两像素点q1′、q2′的直线方程Ln′，将直线方程转化为一般式线性方程为ax+by+c＝0，其中，a、b、c为对应的系数；对得到的所述一般式线性方程进行归一化处理：
a为a归一化处理后对应的参数；
b为b归一化处理后对应的参数；
c为c归一化处理后对应的参数；
所述直线方程等价于如下形式：ax+by+c＝0，根据归一化方程中的关系，得到如下方程：
a2+b2+c2＝1
所述系数映射为参数空间中球面上的一个点，所述相邻两像素点q1、q2的直线方程L1、L2、L3、...、Ln对应
所述相邻两像素点q1′、q2′的直线方程L1′、L2′、L3′、...、Ln′对应
n1+n2个点的平均值为n1+n2个点所在位置的中心点
所述矩形边界的直线方程L为
根据矩形边界的四条直线方程得到封闭的图像A″B″C″D″；
步骤二，图像校正；
根据二维空间有限元插值方法对所述图像A″B″C″D″进行校正，得到校正图像A″′B″′C″′D″′。
2.根据权利要求1所述的图像校正方法，其特征在于，
步骤二中，各所述边界L形成的所述图像A″B″C″D″，所述图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
所述图像校正方法包括：
第一步：计算所述图像A″B″C″D″的顶点位置信息：所述图像A″B″C″D″的顶点为A″、B″、C″、D″，所述A″、B″、C″、D″为相邻两所述边界的直线方程L的交点；
所述图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
第二步：计算所述图像A″B″C″D″上的像素点M的位置信息；
二维空间有限元插值函数：
所述像素点M的位置信息为(x″，y″)，
x″＝h1x1+h2x2+h3x3+h4x4
y″＝h1y1+h2y2+h3y3+h4y4
第三步：根据所述像素点M(x″，y″)，从所述灰度图像矩阵P中提取所述像素点M(x″，y″)对应的灰度值，形成矩阵P″；
第四步：根据所述矩阵P″，得到所述校正图像A″′B″′C″′D″′。
3.根据权利要求1所述的图像校正方法，其特征在于，
步骤二中，各所述边界L形成的所述图像A″B″C″D″，所述图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
所述图像校正方法包括：
第一步：计算所述图像A″B″C″D″的顶点位置信息：所述图像A″B″C″D″的顶点为A″、B″、C″、D″，所述A″、B″、C″、D″为相邻两所述边界的直线方程L的交点；
所述图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
第二步：计算所述图像A″B″C″D″上的像素点M的位置信息；
二维空间有限元插值函数：
h1＝(1-r)(1-s)
h2＝r(1-s)
h3＝rs
h4＝(1-r)s
所述像素点M的位置信息为(x″，y″)，
x″＝h1x1+h2x2+h3x3+h4x4
y″＝h1y1+h2y2+h3y3+h4y4
第三步：根据所述像素点M(x″，y″)，从所述灰度图像矩阵P中提取所述像素点M(x″，y″)对应的灰度值，形成矩阵P″；
第四步：根据所述矩阵P″，得到所述校正图像A″′B″′C″′D″′。
4.根据权利要求1所述的图像校正方法，其特征在于，对所述灰度图像矩阵P′进行降噪处理。
5.根据权利要求4所述的图像校正方法，其特征在于，所述降噪处理为高斯滤波操作。
6.根据权利要求1所述的图像校正方法，其特征在于，所述二值化处理为全局二值化或局部自适应二值化。
7.一种应用权利要求1所述图像校正方法的图像校正装置，其特征在于，所述装置包括：
a.采集模块，用于采集图像信息；
b.灰度处理模块，用于对所述图像信息进行灰度处理，得到
对应的灰度图像；
c.二值化处理模块，用于对所述灰度图像进行二值化处理，得到图像矩阵；
d.解析模块，所述解析模块用于：分别以EH、EF、FG、GH为始边进行遍历得到边界AD、AB、BA、BC、CB、CD、DC、DA和所述边界AD、AB、BA、BC、CB、CD、DC、DA中各像素点的位置信息P1、P2、P3、...、Pn、Pn+1、Pn+1′、Pn′、...、P3′、P2′、P1′，根据同一边界相邻两像素点q1、q2的位置信息Pn、Pn+1得到能够过所述相邻两像素点q1、q2的直线方程Ln，根据顺时针或逆时针相邻方向遍历的同一边界相邻两像素点q1′、q2′的位置信息Pn+1′、Pn′得到能够过所述相邻两像素点q1′、q2′的直线方程Ln′，将直线方程转化为一般式线性方程为ax+by+c＝0，其中，a、b、c为对应的系数；对得到的所述一般式线性方程进行归一化处理：
a为a归一化处理后对应的参数；
b为b归一化处理后对应的参数；
c为c归一化处理后对应的参数；
所述直线方程等价于如下形式：ax+by+c＝0，根据归一化方程中的关系，得到如下方程：
a2+b2+c2＝1
所述系数映射为参数空间中球面上的一个点，所述相邻两像素点q1、q2的直线方程L1、L2、L3、...、Ln对应
所述相邻两像素点q1′、q2′的直线方程L1′、L2′、L3′、...、Ln′对应
n1+n2个点的平均值为n1+n2个点所在位置的中心点
所述矩形边界的直线方程L为
根据矩形边界的四条直线方程得到封闭的图像A″B″C″D″；
e.校正模块，所述校正模块用于获得校正后的图像；
根据各所述边界L得到所述图像A″B″C″D″，所述图像A″B″C″D″的顶点分别为A″、B″、C″、D″；
计算所述图像A″B″C″D″的顶点位置信息：所述图像A″B″C″D″的顶点为A″、B″、C″、D″，所述A″、B″、C″、D″为相邻两所述边界的直线方程L的交点；
所述图像A″B″C″D″的顶点A″、B″、C″、D″的位置信息分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；
计算所述图像A″B″C″D″上的像素点M的位置信息；
应用二维空间有限元插值函数，计算所述像素点M的位置信息为(x″，y″)，
根据所述像素点M(x″，y″)，从所述灰度图像矩阵P中提取所述像素点M(x″，y″)对应的灰度值，形成矩阵P″；
根据所述矩阵P″，得到所述校正图像A″′B″′C″′D″′。
8.如权利要求7所述的图像校正装置，其特征在于，所述二值化处理模块采用全局二值化或局部自适应二值化。
9.如权利要求7-8中任一项所述的图像校正装置，其特征在于，所述装置为计算机、游戏控制台、平板设备、医疗设备、健身设备。
10.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910639833.5A CN110390339B (zh) | 2019-07-16 | 2019-07-16 | 一种图像校正方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910639833.5A CN110390339B (zh) | 2019-07-16 | 2019-07-16 | 一种图像校正方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110390339A CN110390339A (zh) | 2019-10-29 |
| CN110390339B true CN110390339B (zh) | 2021-11-19 |
Family
ID=68285009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910639833.5A Active CN110390339B (zh) | 2019-07-16 | 2019-07-16 | 一种图像校正方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390339B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110823136B (zh) * | 2019-11-26 | 2022-07-19 | 湖南农业大学 | 一种快速估算油菜角果表面积的方法 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2856386B2 (ja) * | 1994-10-26 | 1999-02-10 | 松下電器産業株式会社 | 色彩調整装置及びその方法 |
| US6970592B2 (en) * | 2000-09-04 | 2005-11-29 | Fujitsu Limited | Apparatus and method for correcting distortion of input image |
| JP2005018195A (ja) * | 2003-06-24 | 2005-01-20 | Minolta Co Ltd | 画像処理装置および画像処理プログラム |
| US8369650B2 (en) * | 2003-09-30 | 2013-02-05 | DigitalOptics Corporation Europe Limited | Image defect map creation using batches of digital images |
| CN100570343C (zh) * | 2006-06-13 | 2009-12-16 | 北京航空航天大学 | 大视场三维ct成像方法 |
| CN101582161B (zh) * | 2009-06-15 | 2012-11-21 | 北京航空航天大学 | 一种基于透视成像模型标定的c型臂图像校正方法 |
| CN101964045A (zh) * | 2010-09-30 | 2011-02-02 | 西北工业大学 | 标刻在圆柱面产品上的数据矩阵码畸变校正方法 |
| CN102413342A (zh) * | 2011-09-05 | 2012-04-11 | 清华大学 | 双目立体视频的几何校正方法及系统 |
| JP5924309B2 (ja) * | 2013-06-27 | 2016-05-25 | Ｊｆｅスチール株式会社 | 移動式ラインカメラの光学系画像補正方法 |
| CN104657940B (zh) * | 2013-11-22 | 2019-03-15 | 中兴通讯股份有限公司 | 畸变图像校正复原与分析报警的方法和装置 |
| CN104331876B (zh) * | 2014-10-09 | 2020-12-08 | 北京配天技术有限公司 | 直线检测、图像处理的方法及相关装置 |
| CN105486249B (zh) * | 2015-11-26 | 2018-01-16 | 北京市计算中心 | 三维扫描数据的自适应底面消除方法 |
| CN106991649A (zh) * | 2016-01-20 | 2017-07-28 | 富士通株式会社 | 对摄像装置所捕获的文档图像进行校正的方法和装置 |
| CN106507077B (zh) * | 2016-11-28 | 2018-07-24 | 江苏鸿信系统集成有限公司 | 基于图像分析的投影仪画面矫正及遮挡避让方法 |
| CN107909544B (zh) * | 2017-10-31 | 2021-08-10 | 珠海丹德图像技术有限公司 | 一种图像校正方法及系统 |
| CN107945196B (zh) * | 2017-12-15 | 2021-07-06 | 大连理工大学 | 一种用于航拍校正图像拼接的图像边沿检测方法 |
| CN108200417B (zh) * | 2017-12-30 | 2020-05-29 | 神画科技（深圳）有限公司 | 一种在投影单元梯形校正中获取最大矩形投影图像的方法 |
| CN109557532B (zh) * | 2018-10-18 | 2023-05-09 | 西安电子科技大学 | 基于三维霍夫变换的检测前跟踪方法、雷达目标检测系统 |
-
2019
- 2019-07-16 CN CN201910639833.5A patent/CN110390339B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110390339A (zh) | 2019-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080724A (zh) | 一种红外和可见光的融合方法 | |
| CN110400278B (zh) | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 | |
| CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
| CN104021523B (zh) | 一种基于边缘分类的图像超分辨率放大的方法 | |
| CN111275696A (zh) | 一种医学图像处理的方法、图像处理的方法及装置 | |
| CN108133216A (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
| CN108288256A (zh) | 一种多光谱马赛克图像复原方法 | |
| Yilmaz et al. | Metaheuristic pansharpening based on symbiotic organisms search optimization | |
| CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
| CN111339989A (zh) | 一种水体提取方法、装置、设备及存储介质 | |
| CN111476758A (zh) | Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质 | |
| CN114549669B (zh) | 一种基于图像融合技术的彩色三维点云获取方法 | |
| CN107220644B (zh) | 一种心电图扫描图像倾斜度校正方法 | |
| CN112200019A (zh) | 一种快速建筑夜景照明灯光故障检测方法 | |
| CN110390339B (zh) | 一种图像校正方法、装置及存储介质 | |
| CN115170525A (zh) | 一种图像差异检测方法及装置 | |
| CN111027637A (zh) | 一种文字检测方法及计算机可读存储介质 | |
| CN109064394B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
| CN109359652A (zh) | 一种从数码照片中快速自动提取矩形扫描件的方法 | |
| JP2014106713A (ja) | プログラム、方法、及び情報処理装置 | |
| Zhang | A selection of image processing techniques: from fundamentals to research front | |
| CN112200822A (zh) | 表格重建方法、装置、计算机设备及存储介质 | |
| CN115937031A (zh) | 一种针对低光照图像的增强方法 | |
| CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
| JP7160211B2 (ja) | 機械学習モデル、生成装置、コンピュータプログラム |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 249 Dongsi South Street, Dongcheng District, Beijing 100094 Applicant after: Beijing Computing Center Co.,Ltd. Address before: 249 Dongsi South Street, Dongcheng District, Beijing 100094 Applicant before: BEIJING COMPUTING CENTER |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |