CN111553870A - 一种基于分布式系统的图像处理方法 - Google Patents
一种基于分布式系统的图像处理方法 Download PDFInfo
- Publication number
- CN111553870A CN111553870A CN202010670957.2A CN202010670957A CN111553870A CN 111553870 A CN111553870 A CN 111553870A CN 202010670957 A CN202010670957 A CN 202010670957A CN 111553870 A CN111553870 A CN 111553870A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- feature
- reference layer
- fusion
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 12
- 239000012634 fragment Substances 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007306 turnover Effects 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
- G06T5/50—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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于分布式系统的图像处理方法,包括获取至少两张用于图像融合的原始图片,分别将两张原始图片置于二维直角坐标系内作为第一图层和第二图层;在第一图层和第二图层内选定多个特征点,将多个特征点一一匹配来确定是否有重叠结构,同时确定具有重叠结构的第一图层和第二图层的相对校正方式;将第一图层和第二图层按照相对校正方式将所有特征点调整平行,划定第一图层和第二图层的图像融合范围,确认第一图层和第二图层的叠加边界;将叠加边界按照融合算法进行图像融合以提高图像重叠部分的清晰度;本方案适用范围广,提高对图像处理的准确性,保证判断两个图像具有重叠结构的完整性。
Description
技术领域
本发明实施例涉及图像处理技术领域,具体涉及一种基于分布式系统的图像处理方法。
背景技术
分布式系统是建立在网络之上的软件系统,正是因为软件的特性,所以分布式系统具有高度的内聚性和透明性,一个分布式系统中,一组独立的计算机展现给用户的是一个统一的整体,拥有多种通用的物理和逻辑资源,可以动态的分配任务,分散的物理和逻辑资源通过计算机网络实现信息交换,系统中存在一个以全局的方式管理计算机资源的分布式操作系统。
将图像处理方法建立在分布式操作系统之上,每一个处理步骤产生的新的图像可以在下一个处理步骤中实现透明化使用,因此将图像处理方法架设在分布式系统可提高图像的动态提取和动态的整合。
若两幅图像存在重叠区域,则进行图像匹配后,会得到一张完整的全景图,因而可以转换成图像匹配问题,目前的图像处理方法大多通过多边形求交,获取重叠区域的点集,然后利用单应矩阵还原在原始图像的点集信息,从而标识出重叠区域,但是这种用于识别图像重叠的图像处理方法还存在的缺陷如下:
(1)仅仅可以对特征结构不存在相对拍摄角度两个图像通过特征点匹配进行图像重叠,对于两个图像存在拍摄角度差异时,无法准确的判断图像重叠区域;
(2)通过对每组特征点的像素值进行对比,来判断两个特征点是否相同,像素值对比的算法复杂,操作步骤多,且精确度低。
发明内容
为此,本发明实施例提供一种基于分布式系统的图像处理方法,以解决现有技术中对于两个图像存在拍摄角度差异时,无法准确的判断图像重叠区域、像素值对比的算法复杂,操作步骤多,且精确度低的问题。
为了实现上述目的,本发明的实施方式提供如下技术方案:
一种基于分布式系统的图像处理方法,包括以下步骤:
步骤100、获取至少两张用于图像融合的原始图片,分别将两张原始图片置于二维直角坐标系内作为第一图层和第二图层;
步骤200、在所述第一图层和第二图层内选定多个特征点,将多个特征点一一匹配来确定是否有重叠结构,同时确定具有重叠结构的所述第一图层和第二图层的相对校正方式;
步骤300、将第一图层和第二图层按照相对校正方式将所有特征点调整平行,划定所述第一图层和所述第二图层的图像融合范围,确认所述第一图层和所述第二图层的叠加边界;
步骤400、将叠加边界按照融合算法进行图像融合以提高所述图像重叠部分的清晰度。
作为本发明的一种优选方案,在步骤200中,通过匹配所述第一图层和所述第二图层的特征点确定所述第一图层和所述第二图层是否有重叠,配特征点的具体实现步骤为:
步骤201、对两张原始图片进行初步图像处理,得到滤波降噪后的所述第一图层和所述第二图层;
步骤202、选定所述第一图层和所述第二图层内的特征结构,并且规划所述特征结构的特征边缘区域;
步骤203、构建所述第二图层的特征边缘区域与所述第一图层的特征边缘区域的灰度值分布图,并且将所有特征边缘区域的灰度值分布图一一对比,来确定所述第一图层和所述第二图层是否有相同的特征结构;
步骤204、根据相同特征边缘区域的特征结构的灰度值分布图判断所述第一图层和所述第二图层之间的相对翻转角度;
步骤205、截取所述第一图层和所述第二图层中具有相同特征结构的拟重叠片段,将所述拟重叠片段按照相对翻转角度划分为若干行像素对比区,并且依次计算每行所述像素对比区中两个相邻像素点的灰度值差,初步划定图像融合范围。
作为本发明的一种优选方案,在步骤203中,根据所述第二图层的特征边缘区域与所述第一图层的特征边缘区域的灰度值分布图确定相同的特征结构,具体的实现步骤为:
将第一图层和第二图层的每个特征结构的特征边缘区域分别均进行灰度处理,得到所有特征边缘区域的灰度图;
确定第一图层每个特征结构的特征边缘区域的灰度值分布图,按照与特征边缘区域平行的方式划分若干行像素点,计算每行两个相邻像素点的灰度值差值;
确定第二图层每个特征结构的特征边缘区域的灰度值分布图,按照与特征边缘区域平行的方式划分若干行像素点,计算每行两个相邻像素点的灰度值差值;
依次对比第一图层和第二图层的特征边缘区域的灰度值差值,将特征边缘区域的部分灰度值差值相同或者灰度值差值呈倍数关系的特征结构确定为具有图像重叠的特征结构。
作为本发明的一种优选方案,在步骤204中,根据确定的具有图像重叠的特征结构创建第一图层和第二图层之间的特征结构像素点映射关系,通过相同特征结构的特征点匹配,确定第一图层和第二图层之间的相对翻转角度。
作为本发明的一种优选方案,在步骤205中,截取具有相同特征结构的拟重叠片段,对第一图层和第二图层中对应的拟重叠片段进行二次确定图像融合范围,具体实现步骤为:
根据具有图像重叠的特征边缘区域划定第一图层和第二图层中的多个拟重叠片段;
将两个具有相同特征结构的拟重叠片段进行灰度处理,以包含范围内像素点少的拟重叠片段为被对比对象,以包含范围内像素点多的拟重叠片段为对比对象,并对被对比对象包含范围和对比对象包含范围内的两个相邻像素点依次计算灰度值差值;
将灰度值差值相同或者灰度值差值呈倍数关系拟重叠片段定义为重合片段,对重合片段与被对比对象的像素点数量相同的拟重叠片段确定图像融合范围。
作为本发明的一种优选方案,确定图像融合范围后,以所述二维直角坐标系的两个坐标轴为基准线,确定与二维直角坐标系的坐标轴平行的第一图层或第二图层作为基准图层,与二维直角坐标系的坐标轴平行的第二图层或第一图层作为非基准图层,将非基准图层的像素点按照相对翻转角度转动至与基准图层平行。
作为本发明的一种优选方案,将对应的非基准图层的像素点按照相对翻转角度转动至与基准图层平行的实现步骤为:
按照相对翻转角度依次选定多行非基准图层中的图像融合碎片的像素点;
将每行像素点旋转至与基准图层的图像融合碎片的像素点平行。
作为本发明的一种优选方案,非基准图层转动后,将超出非基准图层边界的图像融合碎片像素点的灰度值设为可编辑值,同时将图像融合碎片像素点与非基准图层边界之间的像素点的灰度值也设为可编辑值。
作为本发明的一种优选方案,在步骤300中,确定第一图层和所述第二图层的叠加边界的具体实现步骤为:
初步划定所述基准图层和所述非基准图层的图像融合范围,首次确认所述基准图层和所述非基准图层的融合边界;
精确划定所述基准图层和所述非基准图层在融合边界附近的拓展融合边带,二次校准所述基准图层和所述非基准图层的叠加边界。
作为本发明的一种优选方案,精确划定所述基准图层和所述非基准图层在融合边界附近的拓展融合边带的具体实现步骤为:
分别将初步划定的图像融合范围的面积与基准图层的面积、非基准图层的面积进行对比;
当初步划定的图像融合范围的面积小于非基准图层的面积时,则计算所述基准图层与所述非基准图层的相交面,以及相交面对应的坐标范围;
当初步划定的图像融合范围的面积等于非基准图层的面积时,则计算所述基准图层对应的坐标范围。
本发明的实施方式具有如下优点:
(1)本发明不仅仅可以判断特征结构拍摄角度相同的图像是否重叠,同时还可以判断特征结构拍摄角度不同的图像是否重叠,因此适用范围广,且判断方式的准确度高;
(2)本发明通过对比特征边缘区域包围的图像像素点,可避免特征结构相同而颜色不同的情况,当特征结构包围的图像像素点的灰度值相同时,则认为第一图层和第二图层具有相同的特征结构,从而进一步的提高对图像处理的准确性,保证判断两个图像具有重叠结构的完整性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施方式中的图像处理方法的流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于分布式系统的图像处理方法,本实施方式利用分布式计算机系统先对图像进行处理,后对图像融合,以提高图像处理的速度,降低图像处理的算法难度,减少占据分布式系统的应用内存,从而避免分布式系统死机,提高图像处理过程中的稳定性和高效性。
具体包括以下步骤:
第一步、获取至少两张用于图像融合的原始图片,分别将两张原始图片置于二维直角坐标系内作为第一图层和第二图层。
第二步、在第一图层和第二图层内选定多个特征点,将多个特征点一一匹配来确定是否有重叠结构,同时确定具有重叠结构的第一图层和第二图层的相对校正方式。
在此步骤中,通过匹配第一图层和第二图层的特征点确定第一图层和第二图层是否有重叠,匹配特征点的具体实现步骤为:
T1、对两张原始图片进行初步图像处理,得到滤波降噪后的第一图层和第二图层。
在这个过程中,初步图像处理具体为降噪处理,过滤两张原始图片上的噪点和重影,得到较为清晰的两张原始图片。
T2、选定第一图层和第二图层内的特征结构,并且规划特征结构的特征边缘区域。
T3、构建第二图层的特征边缘区域与第一图层的特征边缘区域的灰度值分布图,并且将所有特征边缘区域的灰度值分布图一一对比,来确定第一图层和第二图层是否有相同的特征结构。
根据第二图层的特征边缘区域与第一图层的特征边缘区域的灰度值分布图确定相同的特征结构,具体的实现步骤为:
S1、将第一图层和第二图层的每个特征结构的特征边缘区域分别均进行均一化灰度处理,得到所有特征边缘区域的灰度图;
S2、确定第一图层每个特征结构的特征边缘区域的灰度值分布图,按照与特征边缘区域平行的方式划分若干行像素点,计算每行两个相邻像素点的灰度值差值;
S3、确定第二图层每个特征结构的特征边缘区域的灰度值分布图,按照与特征边缘区域平行的方式划分若干行像素点,计算每行两个相邻像素点的灰度值差值;
S4、依次对比第一图层和第二图层的特征边缘区域的灰度值差值,将特征边缘区域的部分灰度值差值相同或者灰度值差值呈倍数关系的特征结构确定为具有图像重叠的特征结构。
本实施方式将确定两个图像重叠部分的步骤分为两个步骤,第一个步、先在第一图层和第二图层上选择多个特征结构,这个特征结构是指两个图层上的结构边缘线;第二步、对具有相同特征结构的第一图层和第二图层,对相同特征结构包围的图像碎片内的灰度值进行二次对比,确定相同特征结构包围的图像碎片内的像素点是否能二次证明两个特征结构完全一致,从而确定第一图层和第二图层的重叠部分。
在第一步确定两个图层是否具有相同特征结构的实现步骤为:先确定第一图层和第二图层的每个特征结构的特征边缘区域的灰度值分布图,第一图层的每个特征结构的灰度值分布图在旋转缩放或者直接对比后能否与第二图层重合;
当第一图层和第二图层上的某个特征结构重合后,再对比特征边缘区域的灰度值分布图内的具体灰度值数据;
最后将特征边缘区域的部分灰度值差值相同或者灰度值差值呈倍数关系的特征结构确定为具有图像重叠的特征结构。
在计算机领域中,灰度数字图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度,尽管理论上这个采样可以任何颜色的不同深浅,甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同,在计算机图像领域中黑白图像只有黑白两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度。
本实施方式将原始图片转换为灰度图片,便于确认每个像素点的像素值差异,而无需对比每个像素点的RGB数据,从而对比特征边缘区域是否相同的计算简单,算法运行难度低,并且可以减少运算量。
因此作为本发明的创新点,两个原始图片的亮度存在差距时,即使是同一幅图像的灰度值也会发生变化,因此本实施方式并没有将特征边缘区域的灰度值进行直接的对比,如果将灰度值直接对比的计算误差大,无法准确判定两个特征边缘区域是否相等。
而本实施方式先将第一图层和第二图层的每个特征结构的特征边缘区域分别均进行均一化灰度处理,可有效的避免第一图层和第二图层的亮度差对结构相同的判断,并且将特征边缘区域每行相邻两个像素点的灰度值进行相减,当相邻两个像素点的灰度值差值相同或者呈倍数关系时,则认为第一图层和第二图层的特征边缘区域具有相同的特征结构。
需要补充说明的是,判断第一图层和第二图层具有相同的特征结构时,无需所有的像素点灰度值差值相同,利用统计学计算可以忽略的误差范围,在此误差范围内的灰度值差值数量均可以认为两个第一图层和第二图层的特征边缘区域具有相同的特征结构。
T4、根据相同特征边缘区域的特征结构的灰度值分布图判断第一图层和第二图层之间的相对翻转角度。
根据确定的具有图像重叠的特征结构创建第一图层和第二图层之间的特征结构像素点映射关系,通过相同特征结构的特征点匹配,确定第一图层和第二图层之间的相对翻转角度。
具体的实现步骤为:
先将第一图层和第二图层水平放置在二维直角坐标系内;
然后将相同特征结构的相同像素点进行特征点匹配,确定第一图层和第二图层中的相同特征结构的相对分布角度;
最后,以某一个图层相对转动至第一图层和第二图层的像素点平行重叠。
作为本实施方式的另一个创新点,本实施方式不仅仅可以判断特征结构拍摄角度相同的图像是否重叠,同时还可以判断特征结构拍摄角度不同的图像是否重叠,因此适用范围广,且判断方式的准确度高。
T5、截取第一图层和第二图层中具有相同特征结构的拟重叠片段,将拟重叠片段按照相对翻转角度划分为若干行像素对比区,并且依次计算每行像素对比区中两个相邻像素点的灰度值差,初步划定图像融合范围。
截取具有相同特征结构的拟重叠片段,对第一图层和第二图层中对应的拟重叠片段进行二次确定图像融合范围,具体实现步骤为:
P1、根据具有图像重叠的特征边缘区域划定第一图层和第二图层中的多个拟重叠片段;
P2、以包含范围内像素点少的拟重叠片段为被对比对象,以包含范围内像素点多的拟重叠片段为对比对象,并对被对比对象包含范围和对比对象包含范围内的两个相邻像素点依次计算灰度值差值;
P3、将灰度值差值相同或者灰度值差值呈倍数关系拟重叠片段定义为重合片段,对重合片段与被对比对象的像素点数量相同的拟重叠片段确定图像融合范围。
作为本实施方式的另一个创新点,本实施方式并不仅仅根据特征结构的结构边缘区域相同则认定两个图层中特征结构包括的区域具有图像重叠部分,从而进一步的提高对图像处理的准确性,保证判断两个图像具有重叠结构的完整性。
本实施方式通过对比特征边缘区域包围的图像像素点,可避免特征结构相同而颜色不同的情况,当特征结构包围的图像像素点的灰度值相同时,则认为第一图层和第二图层具有相同的特征结构。
另外,需要补充说明的是,确定图像融合范围后,以二维直角坐标系的两个坐标轴为基准线,确定与二维直角坐标系的坐标轴平行的第一图层或第二图层作为基准图层,与二维直角坐标系的坐标轴平行的第二图层或第一图层作为非基准图层,将非基准图层的像素点按照相对翻转角度转动至与基准图层平行。
将对应的非基准图层的像素点按照相对翻转角度转动至与基准图层平行的实现步骤为:
按照相对翻转角度依次选定多行非基准图层中的图像融合碎片的像素点;
将每行像素点旋转至与基准图层的图像融合碎片的像素点平行。
本实施方式确定第一图层和第二图层的相对翻转角度后,先将非基准图层的像素点按照相对翻转角度分为若干行,然后依次将每行像素点按照相对翻转角度转动,最后得到与基准图层位置一一匹配的非基准图层,便于后续的图像融合处理。
非基准图层转动后,将超出非基准图层边界的图像融合碎片像素点的灰度值设为可编辑值,同时将图像融合碎片像素点与非基准图层边界之间的像素点的灰度值也设为可编辑值,从而避免将第一图层和第二图层进行数据融合时,翻转后的非基准图层中超出图层或者与图层边缘空白位置的像素点影响融合准确度。
第三步、将第一图层和第二图层按照相对校正方式将所有特征点调整平行,划定第一图层和第二图层的图像融合范围,确认第一图层和第二图层的叠加边界。
在第三步过程中,确定第一图层和第二图层的叠加边界的具体实现步骤为:
初步划定基准图层和非基准图层的图像融合范围,首次确认基准图层和非基准图层的融合边界,即根据基准图层和非基准图层相同的特征结构来划定基准图层和非基准图层的图像融合范围,所述融合边界具体为相同的特征结构边界。
其中,初步划定所述基准图层和非基准图层的图像融合范围的具体实现步骤为:
在基准图层的相同特征结构上设置多个标记点,所述标记点的参数包括像素坐标,像素值和相邻的多个像素值差值;
确定非基准图层上与标记点的像素值一一匹配的配位点;
将非基准图层叠放在所述基准图层,并且叠放时标记点与配位点一一重合。
本实施方式确定第一图层和第二图层具有相同的特征结构后,先通过相同特征结构的位置匹配将基准图层和非基准图层上下叠放,此操作得到的是基于相同特征结构匹配的图像融合范围。
精确划定基准图层和非基准图层在融合边界附近的拓展融合边带,二次校准基准图层和非基准图层的叠加边界。
其中,精确划定所述基准图层和所述非基准图层在融合边界附近的拓展融合边带的具体实现步骤为:
分别将初步划定的图像融合范围的面积与基准图层的面积、非基准图层的面积进行对比;
当初步划定的图像融合范围的面积小于非基准图层的面积时,则计算所述基准图层与所述非基准图层的相交面,以及相交面对应的坐标范围;
当初步划定的图像融合范围的面积等于非基准图层的面积时,则计算所述基准图层对应的坐标范围。
当基准图层和非基准图层叠放后,为了后续的图像融合处理,需要确定叠放的准确区域,从而提取叠放的准确区域的像素点后即可进行图像融合操作。
因此本实施方式先通过相同特征结构的同一像素点的位置匹配来将基准图层和非基准图层叠放,叠放后再通过计算基准图层和非基准图层的相交面确定图像重叠区域对应的坐标范围,依次对坐标范围内的像素点进行图像融合操作以提高图像的清晰度。
计算所述基准图层与所述非基准图层的相交面的具体实现步骤为:沿着非基准图层覆盖在所述基准图层上的侧边分别延伸垂直直线,沿着基准图层被覆盖的侧边分别延伸垂直直线;
分别计算非基准图层延伸的垂直直线以及基准图层延伸的垂直直线与二维直角坐标系的交点,统计交点对应的坐标范围。
计算所述基准图层对应的坐标范围的具体实现步骤为:
延长基准图层的外边缘线,直至与二维直角坐标产生交点,统计交点对应的坐标范围。
综上,将基准图层与非基准图层对应坐标范围的像素点即为图像重叠区域。
步骤400、将叠加边界按照融合算法进行图像融合以提高图像重叠部分的清晰度。
因此本实施方式先通过判断并计算两个图像的重叠区域,然后再对两个图像重叠区域按照现有的图像融合算法进行图像融合,来提高重叠区域的清晰度,且本实施方式并不只是针对与两个原始图片对应的两个图层的重叠部分计算,以及对重叠部分的图像融合处理,对于n张图像的处理方式均以此安装本实施方式记载的步骤进行处理,即可得到多张图像的重叠部分。
因此作为本发明的另一创新点,本实施方式基于图像处理的过程采用的图像融合方法较为简单,容易实现,通过层次分化的方法实现同样甚至更高的正确率,通过图像处理筛选确定多个原始图像的重叠部分,对重叠部分进行图像融合,实现方法简单,减少了很多操作程序。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于分布式系统的图像处理方法,其特征在于,包括以下步骤:
步骤100、获取至少两张用于图像融合的原始图片,分别将两张原始图片置于二维直角坐标系内作为第一图层和第二图层;
步骤200、在所述第一图层和第二图层内选定多个特征点,将多个特征点一一匹配来确定是否有重叠结构,同时确定具有重叠结构的所述第一图层和第二图层的相对校正方式;
步骤300、将第一图层和第二图层按照相对校正方式将所有特征点调整平行,划定所述第一图层和所述第二图层的图像融合范围,确认所述第一图层和所述第二图层的叠加边界;
步骤400、将叠加边界按照融合算法进行图像融合以提高所述图像重叠部分的清晰度。
2.根据权利要求1所述的一种基于分布式系统的图像处理方法,其特征在于,在步骤200中,通过匹配所述第一图层和所述第二图层的特征点确定所述第一图层和所述第二图层是否有重叠,配特征点的具体实现步骤为:
步骤201、对两张原始图片进行初步图像处理,得到滤波降噪后的所述第一图层和所述第二图层;
步骤202、选定所述第一图层和所述第二图层内的特征结构,并且规划所述特征结构的特征边缘区域;
步骤203、构建所述第二图层的特征边缘区域与所述第一图层的特征边缘区域的灰度值分布图,并且将所有特征边缘区域的灰度值分布图一一对比,来确定所述第一图层和所述第二图层是否有相同的特征结构;
步骤204、根据相同特征边缘区域的特征结构的灰度值分布图判断所述第一图层和所述第二图层之间的相对翻转角度;
步骤205、截取所述第一图层和所述第二图层中具有相同特征结构的拟重叠片段,将所述拟重叠片段按照相对翻转角度划分为若干行像素对比区,并且依次计算每行所述像素对比区中两个相邻像素点的灰度值差,初步划定图像融合范围。
3.根据权利要求2所述的一种基于分布式系统的图像处理方法,其特征在于,在步骤203中,根据所述第二图层的特征边缘区域与所述第一图层的特征边缘区域的灰度值分布图确定相同的特征结构,具体的实现步骤为:
将第一图层和第二图层的每个特征结构的特征边缘区域分别均进行灰度处理,得到所有特征边缘区域的灰度图;
确定第一图层每个特征结构的特征边缘区域的灰度值分布图,按照与特征边缘区域平行的方式划分若干行像素点,计算每行两个相邻像素点的灰度值差值;
确定第二图层每个特征结构的特征边缘区域的灰度值分布图,按照与特征边缘区域平行的方式划分若干行像素点,计算每行两个相邻像素点的灰度值差值;
依次对比第一图层和第二图层的特征边缘区域的灰度值差值,将特征边缘区域的部分灰度值差值相同或者灰度值差值呈倍数关系的特征结构确定为具有图像重叠的特征结构。
4.根据权利要求3所述的一种基于分布式系统的图像处理方法,其特征在于,在步骤204中,根据确定的具有图像重叠的特征结构创建第一图层和第二图层之间的特征结构像素点映射关系,通过相同特征结构的特征点匹配,确定第一图层和第二图层之间的相对翻转角度。
5.根据权利要求4所述的一种基于分布式系统的图像处理方法,其特征在于,在步骤205中,截取具有相同特征结构的拟重叠片段,对第一图层和第二图层中对应的拟重叠片段进行二次确定图像融合范围,具体实现步骤为:
根据具有图像重叠的特征边缘区域划定第一图层和第二图层中的多个拟重叠片段;
将两个具有相同特征结构的拟重叠片段进行灰度处理,以包含范围内像素点少的拟重叠片段为被对比对象,以包含范围内像素点多的拟重叠片段为对比对象,并对被对比对象包含范围和对比对象包含范围内的两个相邻像素点依次计算灰度值差值;
将灰度值差值相同或者灰度值差值呈倍数关系拟重叠片段定义为重合片段,对重合片段与被对比对象的像素点数量相同的拟重叠片段确定图像融合范围。
6.根据权利要求5所述的一种基于分布式系统的图像处理方法,其特征在于,确定图像融合范围后,以所述二维直角坐标系的两个坐标轴为基准线,确定与二维直角坐标系的坐标轴平行的第一图层或第二图层作为基准图层,与二维直角坐标系的坐标轴平行的第二图层或第一图层作为非基准图层,将非基准图层的像素点按照相对翻转角度转动至与基准图层平行。
7.根据权利要求6所述的一种基于分布式系统的图像处理方法,其特征在于,将对应的非基准图层的像素点按照相对翻转角度转动至与基准图层平行的实现步骤为:
按照相对翻转角度依次选定多行非基准图层中的图像融合碎片的像素点;
将每行像素点旋转至与基准图层的图像融合碎片的像素点平行。
8.根据权利要求7所述的一种基于分布式系统的图像处理方法,其特征在于,非基准图层转动后,将超出非基准图层边界的图像融合碎片像素点的灰度值设为可编辑值,同时将图像融合碎片像素点与非基准图层边界之间的像素点的灰度值也设为可编辑值。
9.根据权利要求7所述的一种基于分布式系统的图像处理方法,其特征在于,在步骤300中,确定第一图层和所述第二图层的叠加边界的具体实现步骤为:
初步划定所述基准图层和所述非基准图层的图像融合范围,首次确认所述基准图层和所述非基准图层的融合边界;
精确划定所述基准图层和所述非基准图层在融合边界附近的拓展融合边带,二次校准所述基准图层和所述非基准图层的叠加边界。
10.根据权利要求9所述的一种基于分布式系统的图像处理方法,其特征在于,精确划定所述基准图层和所述非基准图层在融合边界附近的拓展融合边带的具体实现步骤为:
分别将初步划定的图像融合范围的面积与基准图层的面积、非基准图层的面积进行对比;
当初步划定的图像融合范围的面积小于非基准图层的面积时,则计算所述基准图层与所述非基准图层的相交面,以及相交面对应的坐标范围;
当初步划定的图像融合范围的面积等于非基准图层的面积时,则计算所述基准图层对应的坐标范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670957.2A CN111553870B (zh) | 2020-07-13 | 2020-07-13 | 一种基于分布式系统的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670957.2A CN111553870B (zh) | 2020-07-13 | 2020-07-13 | 一种基于分布式系统的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553870A true CN111553870A (zh) | 2020-08-18 |
CN111553870B CN111553870B (zh) | 2020-10-16 |
Family
ID=72008870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010670957.2A Active CN111553870B (zh) | 2020-07-13 | 2020-07-13 | 一种基于分布式系统的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553870B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563867A (zh) * | 2020-07-14 | 2020-08-21 | 成都中轨轨道设备有限公司 | 一种用于提升图像清晰度的图像融合方法 |
CN112990132A (zh) * | 2021-04-27 | 2021-06-18 | 成都中轨轨道设备有限公司 | 一种轨道标号牌定位识别方法 |
CN115131296A (zh) * | 2022-06-08 | 2022-09-30 | 南京轩景乐敏科技有限公司 | 一种用于图像识别的分布式计算方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030184778A1 (en) * | 2002-03-28 | 2003-10-02 | Sanyo Electric Co., Ltd. | Image processing method, image processing apparatus, computer program product and computer memory product |
CN104427242A (zh) * | 2013-09-10 | 2015-03-18 | 联想(北京)有限公司 | 图像拼接方法、装置及电子设备 |
CN104463778A (zh) * | 2014-11-06 | 2015-03-25 | 北京控制工程研究所 | 一种全景图生成方法 |
CN105023260A (zh) * | 2014-04-22 | 2015-11-04 | Tcl集团股份有限公司 | 一种全景图像融合方法及融合装置 |
CN105279735A (zh) * | 2015-11-20 | 2016-01-27 | 沈阳东软医疗系统有限公司 | 一种图像拼接的融合方法、装置及设备 |
CN105472241A (zh) * | 2015-11-20 | 2016-04-06 | 努比亚技术有限公司 | 图像拼接方法及移动终端 |
CN205594135U (zh) * | 2015-12-21 | 2016-09-21 | 成都狼图腾科技有限公司 | 一种基于红外线图像的设备故障检测系统 |
CN107644411A (zh) * | 2017-09-19 | 2018-01-30 | 武汉中旗生物医疗电子有限公司 | 超声宽景成像方法及装置 |
CN108460727A (zh) * | 2018-03-28 | 2018-08-28 | 中南大学 | 一种基于投影几何与sift特征的图像拼接方法 |
CN109636714A (zh) * | 2018-08-30 | 2019-04-16 | 沈阳聚声医疗系统有限公司 | 一种超声宽景成像的图像拼接方法 |
CN110490163A (zh) * | 2019-08-26 | 2019-11-22 | 西南交通大学 | 一种铁路视频数据智能处理方法及装置 |
CN111402119A (zh) * | 2020-03-19 | 2020-07-10 | 深圳市生强科技有限公司 | 全景扫描成像方法、装置、玻片扫描仪及存储介质 |
-
2020
- 2020-07-13 CN CN202010670957.2A patent/CN111553870B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030184778A1 (en) * | 2002-03-28 | 2003-10-02 | Sanyo Electric Co., Ltd. | Image processing method, image processing apparatus, computer program product and computer memory product |
CN104427242A (zh) * | 2013-09-10 | 2015-03-18 | 联想(北京)有限公司 | 图像拼接方法、装置及电子设备 |
CN105023260A (zh) * | 2014-04-22 | 2015-11-04 | Tcl集团股份有限公司 | 一种全景图像融合方法及融合装置 |
CN104463778A (zh) * | 2014-11-06 | 2015-03-25 | 北京控制工程研究所 | 一种全景图生成方法 |
CN105279735A (zh) * | 2015-11-20 | 2016-01-27 | 沈阳东软医疗系统有限公司 | 一种图像拼接的融合方法、装置及设备 |
CN105472241A (zh) * | 2015-11-20 | 2016-04-06 | 努比亚技术有限公司 | 图像拼接方法及移动终端 |
CN205594135U (zh) * | 2015-12-21 | 2016-09-21 | 成都狼图腾科技有限公司 | 一种基于红外线图像的设备故障检测系统 |
CN107644411A (zh) * | 2017-09-19 | 2018-01-30 | 武汉中旗生物医疗电子有限公司 | 超声宽景成像方法及装置 |
CN108460727A (zh) * | 2018-03-28 | 2018-08-28 | 中南大学 | 一种基于投影几何与sift特征的图像拼接方法 |
CN109636714A (zh) * | 2018-08-30 | 2019-04-16 | 沈阳聚声医疗系统有限公司 | 一种超声宽景成像的图像拼接方法 |
CN110490163A (zh) * | 2019-08-26 | 2019-11-22 | 西南交通大学 | 一种铁路视频数据智能处理方法及装置 |
CN111402119A (zh) * | 2020-03-19 | 2020-07-10 | 深圳市生强科技有限公司 | 全景扫描成像方法、装置、玻片扫描仪及存储介质 |
Non-Patent Citations (3)
Title |
---|
MAHESH等: "Automatic Image Mosaic System Using Steerable Harris Comer Detector", 《2012 INTERNATIONAL CONFERENCE ON MACHINE VISION AND IMAGE PROCESSING (MVIP)》 * |
严鹏等: "图像智能识别技术在高速铁路基础设施检测中的应用", 《中国铁路》 * |
胡社教等: "基于向量匹配的全景图象拼接", 《2002系统仿真技术及其应用学术交流会》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563867A (zh) * | 2020-07-14 | 2020-08-21 | 成都中轨轨道设备有限公司 | 一种用于提升图像清晰度的图像融合方法 |
CN112990132A (zh) * | 2021-04-27 | 2021-06-18 | 成都中轨轨道设备有限公司 | 一种轨道标号牌定位识别方法 |
CN115131296A (zh) * | 2022-06-08 | 2022-09-30 | 南京轩景乐敏科技有限公司 | 一种用于图像识别的分布式计算方法及系统 |
CN115131296B (zh) * | 2022-06-08 | 2024-02-27 | 广州东朝智能科技有限公司 | 一种用于图像识别的分布式计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111553870B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553870B (zh) | 一种基于分布式系统的图像处理方法 | |
CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
US10346998B1 (en) | Method of merging point clouds that identifies and retains preferred points | |
CN110211043B (zh) | 一种用于全景图像拼接的基于网格优化的配准方法 | |
US7102637B2 (en) | Method of seamless processing for merging 3D color images | |
CN110097542B (zh) | 芯片气泡的检测方法、装置及存储介质 | |
US20040207600A1 (en) | System and method for transforming an ordinary computer monitor into a touch screen | |
US20040085256A1 (en) | Methods and measurement engine for aligning multi-projector display systems | |
US20040227766A1 (en) | Multilevel texture processing method for mapping multiple images onto 3D models | |
CN105069453A (zh) | 一种图像校正方法及装置 | |
Li et al. | A system of the shadow detection and shadow removal for high resolution city aerial photo | |
CN111563867A (zh) | 一种用于提升图像清晰度的图像融合方法 | |
CN114998097A (zh) | 图像对齐方法、装置、计算机设备和存储介质 | |
CN110471607B (zh) | 手写笔迹显示方法、手写阅读设备及计算机存储介质 | |
CN114674826A (zh) | 基于布匹的视觉检测方法及检测系统 | |
CN117522963A (zh) | 棋盘格的角点定位方法、装置、存储介质及电子设备 | |
CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
CN116152066B (zh) | 一种元件完整形貌的点云检测方法、系统、设备及介质 | |
CN114354622B (zh) | 显示屏的缺陷检测方法、装置、设备和介质 | |
CN111369480A (zh) | 一种处理周期性纹理的方法及装置 | |
CN114792288B (zh) | 一种曲面屏图像的灰度校正方法及相关装置 | |
CN117157668A (zh) | 对dvs与相机之间的统一标定板进行角点检测的方法 | |
CN112767472B (zh) | 定位显示屏图像中灯珠的方法、计算设备及存储介质 | |
CN107767428A (zh) | Dicom图像的绘制方法及装置 | |
CN116152382B (zh) | 结构平面布置图的数字化表征转化方法及装置、电子设备 |
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 |