CN110728634B - 量化校正算法精度的方法和装置 - Google Patents
量化校正算法精度的方法和装置 Download PDFInfo
- Publication number
- CN110728634B CN110728634B CN201910848950.2A CN201910848950A CN110728634B CN 110728634 B CN110728634 B CN 110728634B CN 201910848950 A CN201910848950 A CN 201910848950A CN 110728634 B CN110728634 B CN 110728634B
- Authority
- CN
- China
- Prior art keywords
- correction
- scene
- original image
- standard
- shapes
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 132
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102100035353 Cyclin-dependent kinase 2-associated protein 1 Human genes 0.000 description 1
- 101710176410 Cyclin-dependent kinase 2-associated protein 1 Proteins 0.000 description 1
- 101710126767 Filamin A-interacting protein 1-like Proteins 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Studio Devices (AREA)
Abstract
本公开涉及一种量化校正算法精度的方法和装置,其中,该方法包括获取步骤,获取步骤,获取原始图像,其中,原始图像为相机镜头拍摄包括一个或多个标准球体的场景而形成的图像;校正步骤,基于待评测校正算法,校正原始图像,以得到校正图像;分析步骤,提取校正图像中的标准球体的一个或多个校正形状,得到一个或多个校正形状的圆形度,并根据一个或多个校正形状的圆形度,得到待评测校正算法的精度。通过畸变度,来量化该校正算法的精度,以形成一个可以通过数字来量化校正算法效果的方法。
Description
技术领域
本公开涉及量化算法精度的技术领域,具体是涉及一种量化校正算法精度的方法和装置。
背景技术
由于相机镜头的特性,在拍摄物体时,往往在视角边缘处会存在严重的畸变。尤其是对于超广角镜头来说,这种现象尤为明显。
为了解决这种拍摄问题,业界中,现已提出了多种图像保形畸变校正算法。但是,对于通过图像保形畸变校正算法校正后的校正图像的校正结果,目前多为通过肉眼来鉴定,尚未形成一个可以通过数字来量化保形畸变校正效果的方法。
发明内容
为了克服现有技术中存在的问题,本公开提供一种量化校正算法精度的方法和装置。
第一方面,本公开实施例提供一种量化校正算法精度的方法,其包括,获取步骤,获取原始图像,其中,原始图像为相机镜头拍摄包括一个或多个标准球体的场景而形成的图像;校正步骤,基于待评测校正算法,校正原始图像,以得到校正图像;分析步骤,提取校正图像中的标准球体的一个或多个校正形状,得到一个或多个校正形状的圆形度,并根据一个或多个校正形状的圆形度,得到待评测校正算法的精度。
在一例中,根据一个或多个校正形状的圆形度,得到待评测校正算法的精度包括:根据一个或多个校正形状的圆形度,得到一个或多个校正形状的畸变度;基于一个或多个畸变度,确定待评测校正算法的精度。
在一例中,所述场景均匀分布多个所述标准球体;在原始图像中标准球体的图像均匀分布于原始图像边缘。
在一例中,基于多个畸变度,确定待评测校正算法的精度包括:基于多个畸变度的平均值或标准差,确定待评测校正算法的精度。
在一例中,场景的边缘放置一个标准球体;获取步骤包括,通过相机镜头拍摄场景得到多个拍摄图像,将多个拍摄图像融合得到原始图像,其中,多个拍摄图像对应的多个场景中的标准球体位于边缘的不同位置。
在一例中,相机镜头为超广角相机镜头;原始图像为超广角相机镜头拍摄包括一个或多个标准球体的场景而形成的图像。
在一例中,超广角相机镜头拍摄场景的距离为0.5米~2米。
第二方面,本公开实施例提供一种量化校正算法精度的装置,其中,该装置包括,获取模块,用于获取原始图像,其中,原始图像为相机镜头拍摄包括一个或多个标准球体的场景而形成的图像;校正模块,用于基于待评测校正算法,校正原始图像,以得到校正图像;分析模块,用于提取校正图像中的标准球体的一个或多个校正形状,得到一个或多个校正形状的圆形度,并根据一个或多个校正形状的圆形度,得到待评测校正算法的精度。
第三方面,本公开实施例提供一种电子设备,其中,电子设备包括:存储器,用于存储指令;以及处理器,用于调用存储器存储的指令执行第一方面的量化校正算法精度的方法。
第四方面,本公开实施例提供一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在由处理器执行时,执行第一方面的量化校正算法精度的方法。
本公开提供一种量化校正算法精度的方法和装置,其中,量化校正算法精度的方法通过拍摄由标准球体构建的场景,得到原始图像;并基于校正算法对原始图像进行校正,得到校正图像;通过分析校正图像中的标准球体对应的校正形状的圆形度,来量化该校正算法的精度,以形成一个可以通过数字来量化校正算法效果的方法。
附图说明
通过参考附图阅读下文的详细描述,本公开实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的实施方式,其中:
图1示出了本公开实施例提供的一种量化校正算法精度的方法示意图;
图2示出了本公开实施例提供的一种量化校正算法精度的装置示意图;
图3示出了本公开实施例提供的一种电子设备示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开,而并非以任何方式限制本公开的范围。
需要注意,虽然本文中使用“第一”、“第二”等表述来描述本公开的实施方式的不同模块、步骤和数据等,但是“第一”、“第二”等表述仅是为了在不同的模块、步骤和数据等之间进行区分,而并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。
图1为本公开实施例提供的一种量化校正算法精度的方法的示意图。如图1所示,量化校正算法精度的方法100包括获取步骤S101、校正步骤S102和分析步骤S103。
作为一种可能的实施例,通过获取步骤S101,获取原始图像,其中,获取的原始图像为利用相机镜头拍摄的包括有一个或多个标准球体的场景,而形成的图像。需要说明的是,标准球体,即为一个半圆绕直径所在直线旋转一周所成的空间几何体,也就是几何领域中的立体球体,它在任意一个平面上的正投影都是等大的圆。上述的场景,即为相机镜头的拍摄场景,该场景的范围与相机镜头的视场范围相同。
校正步骤S102,基于待评测的校正算法,对获取的原始图像进行校正,以得到与该原始图像对应的校正图像。需要说明的是,在实际应用中,还可以直接应用具有待评测校正算法的相机镜头对上述包括标准球体的场景进行拍摄,进而可以直接得到校正图像。
对于空间中的一个球体,理论上,从任意角度看过去,都会形成一个等大的圆形。若待评测的校正算法的效果足够好,那么经校正步骤S102得到的校正图像中,与标准球体相对应的校正形状,理论上应该为一个圆形。因此可以基于得到的该校正图像的圆形度,与标准圆形的圆形度之间的差别,得到该校正图像的畸变度,进一步,可以根据该校正图像的畸变度,来分析该校正算法的精度。
因此,通过分析步骤S103,提取经校正步骤S102得到的校正图像中标准球体的一个或多个校正形状,得到一个或多个校正形状的圆形度,并根据一个或多个校正形状的圆形度,得到待评测校正算法的精度。需要说明的是,圆形度值可以用来衡量一个图形与圆形的接近程度。由于经过待评测校正算法的校正,标准球体在校正图像中的校正形状,可能以不同形状的椭圆形来呈现,因此,在应用中,可以利用标准球体在校正图像中的校正形状的圆形度,来衡量待评测校正算法的精度。
本公开提供一种量化校正算法精度的方法和装置,其中,量化校正算法精度的方法通过拍摄由标准球体构建的场景,得到原始图像;并基于校正算法对原始图像进行校正,得到校正图像;通过分析校正图像中的标准球体对应的校正形状的圆形度,来量化该校正算法的精度,以形成一个可以通过数字来量化校正算法效果的方法。
进一步地,根据一个或多个校正形状的圆形度,得到待评测校正算法的精度可以理解为,根据一个或多个校正形状的圆形度,得到一个或多个校正形状的畸变度,基于畸变度,确定待评测校正算法的精度。
在实际应用中,可以利用图像处理、图像边缘检测等算法,检测校正图像上所有标准球体的校正形状的边缘(即周长L)和该校正形状所占的像素个数(即面积S),基于周长L与面积S可计算每一个校正形状的圆形度DOC(degree of circularity),若该校正形状为非标准圆形,那么DOC>1;若是标准圆形,则DOC=1。因此可知,当校正形状的DOC偏离1的值越大,那么待评测校正算法的精度就越低。
由于是通过校正形状与标准圆形的圆形度之间的畸变情况来作为衡量校正算法的精度,因此,作为一种变形,为了便于统计,可令(DOC-1)作为最终的衡量校正算法的精度的表达式,以致该数字值越逼近0,则该校正算法的精度越高。
作为一种可能的实施例,上述的场景,也就是相机镜头拍摄的场景可以是由多个标准球体均匀分布而形成,并且使得在原始图像中的标准球体的图像,能够均匀分布于原始图像的边缘。可以将多个标准球体排列在预设矩形的边框上,以得到该场景。在拍摄过程中,将该场景的外围置于相机镜头的视场边缘,并基于拍摄该场景而形成原始图像。进一步地,基于得到的原始图像,通过校正步骤S102和分析步骤S103来对待评测的校正算法的精度进行衡量。
由于图像拉伸问题在相机镜头的视场边缘尤为严重,因此,在本实施例中,通过将标准球体置于预设矩形的边框上,以得到拍摄场景,并在拍摄过程中,将该场景的外围置于相机镜头的视场边缘。基于此场景得到与原始图像对应的校正形状,可以在同一原始图像中实现畸变问题最大化,为后续校正算法提供良好的数据基础。
作为一种变形,相机拍摄的场景也可以是由一个标准球体来构成。由于在拍摄时,往往是在相机视角的边缘易于发生图像的畸变,因此,可以将一个标准球体置于场景的一个角上,以使拍摄之际,使得标准球体能够位于视场的边缘。并基于拍摄此场景而形成的原始图像,通过校正步骤S102和分析步骤S103来对待评测的校正算法的精度进行衡量。
进一步地,还可以通过多次操作,将一个标准球体分别置于场景的多个角上或边缘,以此得到多张原始图像,进而通过校正步骤S102和分析步骤S103来获得多个衡量该校正算法的精度,可以根根实际需要,选取某一个或多个精度,作为衡量该校正算法的最终精度。
又或者,还可以通过多次操作,将一个标准球体分别置于场景的多个角上或边缘,以此拍摄得到多张拍摄图像,将得到的多张拍摄图像进行融合,得到一个原始图像,进而再利用校正步骤S102和分析步骤S103来获得衡量该校正算法的精度。
作为一种可能的实施例,可以基于获得的多个校正形状的畸变度,进行平均值计算,或标准差计算,将获得的多个畸变度的平均值或标准差,作为衡量该校正算法的精度。
例如,若得到的多个校正形状的圆形度的值分别为D1,D2,D3,由于标准圆形的圆形度为1,那么,多个校正形状对应的畸变度分别为(D1-1),(D2-1)和(D3-1),可以通过对(D1-1),(D2-1)和(D3-1)求平均值或标准差,并将计算得到的平均值或标准差,作为衡量该校正算法的精度。
作为一种变形,还可以根据多个校正形状的圆形度,得到圆形度的平均值或标准差,并基于得到的圆形度的平均值或标准差,与标准圆形的圆形度值的差值,来作为衡量该校正算法的精度。
同样以多个校正形状的圆形度的值分别为D1,D2,D3为例。根据该多个校正形状的圆形度值,得到该多个校正形状的圆形度的平均值或标准差。为了便于说明,现令该多个校正形状的圆形度的平均值或标准差为D0。由于标准圆形的圆形度为1,那么,得到的圆形度的平均值或标准差,与标准圆形的圆形度值的差值为(D0-1),在应用中,可以根据该差值(D0-1),作为衡量该校正算法的精度。
由于超广角(≥120°)相机镜头的相机,在视角边缘容易出现畸变,因此,在获取步骤S101中,可以通过超广角相机镜头对包含有标准球体的场景进行拍摄,以获得相应的原始图像,并基于校正步骤S102和分析步骤S103来对待评测的校正算法的精度进行衡量。
进一步地,在实际应用中,利用超广角相机镜头对目标物进行拍摄时,超广角相机镜头距离目标物的距离为0.5米~2米时,目标物的变形度会更高。因此,可以令超广角相机镜头距离上述包含有标准球体的场景的距离可以是0.5米~2米,以此获得变形度更高的原始图像,利用待评测的校正算法对该原始图像进行更加有效的校正,并基于校正步骤S102和分析步骤S103来对待评测的校正算法的精度进行衡量。
基于相同的发明构思,本公开实施例还提供一种量化校正算法精度的装置200。如图2所示,量化校正算法精度的装置200包括,获取模块201,用于获取原始图像,其中,原始图像为相机镜头拍摄包括一个或多个标准球体的场景而形成的图像;校正模块202,用于基于待评测校正算法,校正原始图像,以得到校正图像;分析模块203,用于提取校正图像中的标准球体的一个或多个校正形状,得到一个或多个校正形状的圆形度,并根据一个或多个校正形状的圆形度,得到待评测校正算法的精度。
在一例中,根据一个或多个校正形状的圆形度,得到待评测校正算法的精度包括:根据一个或多个校正形状的圆形度,得到校正形状的畸变度;基于畸变度,确定待评测校正算法的精度。
在一例中,包括一个或多个标准球体的场景包括,场景均匀分布多个标准球体;在原始图像中标准球体的图像均匀分布于原始图像边缘。
在一例中,场景的边缘放置一个标准球体;原始图像包括,相机镜头拍摄场景得到一个拍摄图像,多个拍摄图像融合得到原始图像,其中,多个拍摄图像对应的多个场景中的标准球体位于边缘的不同位置。
在一例中,分析模块203用于,基于多个畸变度,得到一个汇总畸变度,基于汇总畸变度,确定待评测校正算法的精度。
在一例中,汇总畸变度为多个畸变度的平均值或标准差。
在一例中,相机镜头为超广角相机镜头;原始图像为超广角相机镜头拍摄包括一个或多个标准球体的场景而形成的图像。
在一例中,超广角镜头拍摄场景的距离为0.5米~2米。
图3示出了本公开的一个实施方式提供的一种电子设备30。如图3所示,本公开的一个实施方式提供的一种电子设备30,其中,该电子设备30包括存储器310、处理器320、输入/输出(Input/Output,I/O)接口330。其中,存储器310,用于存储指令。处理器320,用于调用存储器310存储的指令执行本公开量化校正算法精度的方法。其中,处理器320分别与存储器310、I/O接口330连接,例如可通过总线系统和/或其他形式的连接机构(未示出)进行连接。存储器310可用于存储程序和数据,包括本公开实施例中涉及的量化校正算法精度的程序,处理器320通过运行存储在存储器310的程序从而执行电子设备30的各种功能应用以及数据处理。
本公开实施例中处理器320可以采用数字信号处理器(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现,所述处理器320可以是中央处理单元(Central Processing Unit,CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元中的一种或几种的组合。
本公开实施例中的存储器310可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(Random Access Memory,RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(Read-OnlyMemory,ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD)等。
本公开实施例中,I/O接口330可用于接收输入的指令(例如数字或字符信息,以及产生与电子设备30的用户设置以及功能控制有关的键信号输入等),也可向外部输出各种信息(例如,图像或声音等)。本公开实施例中I/O接口330可包括物理键盘、功能按键(比如音量控制按键、开关按键等)、鼠标、操作杆、轨迹球、麦克风、扬声器、和触控面板等中的一个或多个。
在一些实施方式中,本公开提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在由处理器执行时,执行上文所述的任何方法。
尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本公开的方法和装置能够利用标准编程技术来完成,利用基于规则的逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是,此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。
此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中,软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现,其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。
出于示例和描述的目的,已经给出了本公开实施的前述说明。前述说明并非是穷举性的也并非要将本公开限制到所公开的确切形式,根据上述教导还可能存在各种变形和修改,或者是可能从本公开的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本公开的原理及其实际应用,以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本公开。
Claims (8)
1.一种量化校正算法精度的方法,其特征在于,所述方法包括:
获取步骤,获取原始图像,其中,所述原始图像为相机镜头拍摄包括一个或多个标准球体的场景而形成的图像,所述场景包括第一场景或第二场景,所述第一场景中均匀分布多个所述标准球体,在所述原始图像中所述标准球体的图像均匀分布于所述原始图像边缘,所述第二场景的边缘放置一个标准球体,通过所述相机镜头拍摄所述第二场景得到多个拍摄图像,将多个所述拍摄图像融合得到所述原始图像,其中,多个所述拍摄图像对应的多个所述第二场景中的所述标准球体位于所述边缘的不同位置;
校正步骤,基于待评测校正算法,校正所述原始图像,以得到校正图像;
分析步骤,提取所述校正图像中的所述标准球体的一个或多个校正形状,得到一个或多个所述校正形状的圆形度,并根据所述一个或多个所述校正形状的圆形度,得到所述待评测校正算法的精度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述一个或多个所述校正形状的圆形度,得到所述待评测校正算法的精度包括:
根据所述一个或多个所述校正形状的圆形度,得到一个或多个所述校正形状的畸变度;
基于所述一个或多个畸变度,确定所述待评测校正算法的精度。
3.根据权利要求1所述的方法,其特征在于,所述基于所述多个畸变度,确定所述待评测校正算法的精度包括:
基于多个所述畸变度的平均值或标准差,确定所述待评测校正算法的精度。
4.根据权利要求1所述的方法,其特征在于,
所述相机镜头为超广角相机镜头;
所述原始图像为所述超广角相机镜头拍摄包括一个或多个标准球体的场景而形成的图像。
5.根据权利要求4所述的方法,其特征在于,
所述超广角相机镜头拍摄所述场景的距离为0.5米~2米。
6.一种量化校正算法精度的装置,其特征在于,所述装置包括:
获取模块,用于获取原始图像,其中,所述原始图像为相机镜头拍摄包括一个或多个标准球体的场景而形成的图像,所述场景包括第一场景或第二场景,所述第一场景中均匀分布多个所述标准球体,在所述原始图像中所述标准球体的图像均匀分布于所述原始图像边缘,所述第二场景的边缘放置一个标准球体,通过所述相机镜头拍摄所述第二场景得到多个拍摄图像,将多个所述拍摄图像融合得到所述原始图像,其中,多个所述拍摄图像对应的多个所述第二场景中的所述标准球体位于所述边缘的不同位置;
校正模块,用于基于待评测校正算法,校正所述原始图像,以得到校正图像;
分析模块,用于提取所述校正图像中的所述标准球体的一个或多个校正形状,得到一个或多个所述校正形状的圆形度,并根据所述一个或多个所述校正形状的圆形度,得到所述待评测校正算法的精度。
7.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储指令;以及
处理器,用于调用所述存储器存储的指令执行权利要求1-5中任一项所述量化校正算法精度的方法。
8.一种计算机可读存储介质,其特征在于,
所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在由处理器执行时,执行权利要求1-5中任一项所述量化校正算法精度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848950.2A CN110728634B (zh) | 2019-09-09 | 2019-09-09 | 量化校正算法精度的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848950.2A CN110728634B (zh) | 2019-09-09 | 2019-09-09 | 量化校正算法精度的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728634A CN110728634A (zh) | 2020-01-24 |
CN110728634B true CN110728634B (zh) | 2022-05-24 |
Family
ID=69217984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910848950.2A Active CN110728634B (zh) | 2019-09-09 | 2019-09-09 | 量化校正算法精度的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728634B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882309A (zh) * | 2009-05-07 | 2010-11-10 | 上海世汇电子科技有限公司 | 摄像机标定靶及基于该标定靶的标定检测方法 |
CN104697463A (zh) * | 2015-03-26 | 2015-06-10 | 北京航空航天大学 | 一种双目视觉传感器的消隐特征约束标定方法及装置 |
CN105469387A (zh) * | 2015-11-13 | 2016-04-06 | 深圳进化动力数码科技有限公司 | 一种拼接质量的量化方法和量化装置 |
CN109360240A (zh) * | 2018-09-18 | 2019-02-19 | 华南理工大学 | 一种基于双目视觉的小型无人机定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI511086B (zh) * | 2014-04-18 | 2015-12-01 | Altek Semiconductor Corp | 鏡頭失真校正方法 |
-
2019
- 2019-09-09 CN CN201910848950.2A patent/CN110728634B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882309A (zh) * | 2009-05-07 | 2010-11-10 | 上海世汇电子科技有限公司 | 摄像机标定靶及基于该标定靶的标定检测方法 |
CN104697463A (zh) * | 2015-03-26 | 2015-06-10 | 北京航空航天大学 | 一种双目视觉传感器的消隐特征约束标定方法及装置 |
CN105469387A (zh) * | 2015-11-13 | 2016-04-06 | 深圳进化动力数码科技有限公司 | 一种拼接质量的量化方法和量化装置 |
CN109360240A (zh) * | 2018-09-18 | 2019-02-19 | 华南理工大学 | 一种基于双目视觉的小型无人机定位方法 |
Non-Patent Citations (1)
Title |
---|
计算机视觉中摄像机标定精度评估方法;全厚德 等;《测绘科学技术学报》;20060630;第23卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110728634A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10652518B2 (en) | Multi-lens based capturing apparatus and method | |
CN110189285B (zh) | 一种多帧图像融合方法及装置 | |
CN111457886B (zh) | 距离确定方法、装置及系统 | |
CN109840884B (zh) | 一种图像拼接方法、装置及电子设备 | |
CN111507200A (zh) | 体温检测方法、体温检测装置、及双光相机 | |
CN110751602B (zh) | 基于人脸检测的保形畸变校正方法和装置 | |
CN110660034B (zh) | 图像校正方法、装置及电子设备 | |
CN110348460B (zh) | 一种基于角度的目标检测训练方法、目标检测方法及装置 | |
CN108182708B (zh) | 一种双目相机的标定方法、标定装置及终端设备 | |
CN105005972A (zh) | 一种基于拍摄距离的畸变校正方法及移动终端 | |
CN107564020B (zh) | 一种图像区域确定方法及装置 | |
CN108200335A (zh) | 基于双摄像头的拍照方法、终端及计算机可读存储介质 | |
CN110177269B (zh) | 双摄模组曝光同步校正方法及装置 | |
CN110717914A (zh) | 人体抠像的方法和装置 | |
CN109447023B (zh) | 确定图像相似度的方法、视频场景切换识别方法及装置 | |
CN107330849B (zh) | 一种全景图像拼接的方法、装置、设备及存储介质 | |
CN110542480B (zh) | 一种盲元检测方法、装置及电子设备 | |
US10803295B2 (en) | Method and device for face selection, recognition and comparison | |
CN107317953B (zh) | 图像获取方法及其装置 | |
US20180101979A1 (en) | Image processing apparatus and image processing method | |
CN110728634B (zh) | 量化校正算法精度的方法和装置 | |
CN111768345B (zh) | 身份证背面图像的校正方法、装置、设备及存储介质 | |
CN110852958A (zh) | 基于物体倾斜角度的自适应校正方法和装置 | |
CN112217992A (zh) | 图像虚化方法、图像虚化装置、移动终端及存储介质 | |
CN111353945B (zh) | 鱼眼图像校正方法、装置及存储介质 |
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 |