CN111899189B - 一种基于自适应分类拟合鱼眼图像校正方法 - Google Patents

一种基于自适应分类拟合鱼眼图像校正方法 Download PDF

Info

Publication number
CN111899189B
CN111899189B CN202010669803.1A CN202010669803A CN111899189B CN 111899189 B CN111899189 B CN 111899189B CN 202010669803 A CN202010669803 A CN 202010669803A CN 111899189 B CN111899189 B CN 111899189B
Authority
CN
China
Prior art keywords
point
image
fitting
characteristic
feature point
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
Application number
CN202010669803.1A
Other languages
English (en)
Other versions
CN111899189A (zh
Inventor
陈汉新
刘明明
李森
李梦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202010669803.1A priority Critical patent/CN111899189B/zh
Publication of CN111899189A publication Critical patent/CN111899189A/zh
Application granted granted Critical
Publication of CN111899189B publication Critical patent/CN111899189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于自适应分类拟合鱼眼图像校正方法，包括：获得鱼眼图像，得到鱼眼图像中的特征点，获得每个特征点在实际图像中到光轴的距离、理论图像中到光轴的距离和两种距离的差分值；得到特征点的畸变系数，并设置阈值，根据畸变系数和阈值对所有特征点进行自动区域分割，得到至少一个特征点组；拟合每个特征点组中的特征点，并计算得到在每个分割区域所对应的拟合多项式；根据每个分割区域对应的拟合多项式对鱼眼图像进行拟合处理，得到每个特征点的校正位置，完成校正过程。本发明能够实现对鱼眼图像的不失真校正，校正后图像不会出现明显扭曲，且一个鱼眼镜头仅需要一次校正过程即可避免失真。

Description

一种基于自适应分类拟合鱼眼图像校正方法
技术领域
本发明涉及光学成像领域，尤其是指一种基于自适应分类拟合鱼眼图像校正方法。
背景技术
鱼眼透镜因其焦距短、视角宽、图像信息丰富等优点，在安全监控和智能交通领域得到了广泛的应用。由于鱼眼相机的焦距较短，导致其成像失真。这种失真会给人们获取图像信息带来很多麻烦，使我们无法更好地利用图像信息。
现有技术中存在一种基于圆形分割的鱼眼镜头图像畸变校正算法，将圆形鱼眼图像分隔成同心圆，然后求出相应的外切正方形进行校正，但该方法仅适用于圆形鱼眼图像，且校正效果很不理想。其技术方案对角线区域的拉伸效果问题更严重，在图像的中心区域原始图像的变形也更严重。而现有技术中还存在一种典型经纬度测绘鱼眼图像校正方法，利用类似经纬度的方案来进行校正，但是对于鱼眼图像的上、下部分，由于对原始图像进行了过度校正，使得图像被明显拉伸和扭曲。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供基于自适应分类拟合鱼眼图像校正方法。
本发明提供一种基于自适应分类拟合鱼眼图像校正方法，包括以下步骤：
S1、获得鱼眼图像，并得到所述鱼眼图像中的特征点，所述鱼眼图像包括实际图像和理论图像；
S2、获得每个所述特征点在所述实际图像中到光轴的距离、所述理论图像中到光轴的距离和所述两种距离的差分值；
S3、得到所述特征点的畸变系数，并设置阈值，根据畸变系数和阈值对所有特征点进行自动区域分割，得到至少一个特征点组；
S4、拟合每个所述特征点组中的特征点，并计算得到在每个分割区域所对应的拟合多项式；
S5、根据所述每个分割区域对应的拟合多项式对所述鱼眼图像进行拟合处理，得到每个所述特征点的校正位置，完成校正过程。
本发明的有益效果是：通过多项式拟合方式进行的鱼眼图像校正方法，能够一次对同一鱼眼镜头拍摄的全部图像进行校正，且校正效果更好，校正后图像不会出现明显扭曲。
优选的，得到鱼眼图像中特征点的过程为人工标注或通过训练过的神经网络自动识别特征点。
可选的，所述实际图像为通过鱼眼镜头拍摄的棋盘格图像，所述理论图像为原始棋盘格图像或通过正常镜头在同样距离拍摄的棋盘格图像。
可选的，也可以将一些特征点较容易定位的图像作为理论图像，将此类图像在鱼眼镜头下拍摄的图像作为实际图像。
可选的，将图像分为训练集和测试集，对神经网络进行训练，然后自动标注特征点并进行鱼眼镜头校正工作。
可选的，将特征点按顺序进行编号，以便进行下一步处理。
优选的，特征点在实际图像中到光轴的距离，为所述实际图像的中心点与所述特征点之间的距离；
所述特征点在理论图像中到光轴的距离，为所述理论图像的中心点与所述特征点在理论图像上的对应点之间的距离。
优选的，所述步骤S3，包括：
S31、设一个特征点为第一特征点组的第一点，并计算所述第一点的差分值；
获取所述第一点附近的一个新特征点，所述新特征点的的畸变系数为所述第一点的差分值与所述新特征点的差分值之差；
S32、如果所述新特征点的畸变系数小于所述阈值，将所述新特征点分到第一特征点组；
如果所述新特征点的畸变系数大于所述阈值，新建第二特征点组，并将所述新特征点设为所述第二特征点组的第一点；
S33、重复获取新特征点，直到所有特征点均属于特征点组。
优选的，获取所述第一点附近的一个新特征点，为获取实际图像中与第一点欧氏距离最短的一个特征点，也可以获取理论图像中与第一点欧式距离最短的一个特征点。
优选的，阈值为人工预先设定。
优选的，所述步骤S4，包括：
通过坐标公式拟合每个所述特征点组中的特征点，并通过多项式拟合方法计算得到在每个分割区域所对应的拟合多项式。
优选的，所述拟合多项式，包括：
其中，c、d、e为辐射变换系数，u0、v0为图像中心坐标，A3(u，v)为特征点在像素坐标系下的坐标，A2(x2，y2)为特征点在成像坐标系下的坐标，u，v的计算方式分别为：
u＝c*x2+d*y2+u0，v＝e*x2+y2+v0。
优选的，在所述步骤S4，还包括：
获得三阶、四阶和五阶所述拟合多项式的图像，通过人工对比或相关性算法选择所述拟合多项式的阶数，并计算得到具体拟合多项式。
本优选方案的有益效果是：不同阶数的拟合多项式在不同的鱼眼图像中拟合的表现不同，通过选择合适的阶数，并且计算得到具体的拟合多项式，可以进一步降低图像扭曲，达到更好的鱼眼图像校正效果。
本发明还提供一种基于自适应分类拟合鱼眼图像校正系统，包括：
预处理模块，用于获得鱼眼图像，并得到所述鱼眼图像中的特征点，所述鱼眼图像包括实际图像和理论图像；
距离模块，用于获得每个所述特征点在所述实际图像中到光轴的距离、所述理论图像中到光轴的距离和所述两种距离的差分值；
区域分割模块，用于得到所述特征点的畸变系数，并设置阈值，根据畸变系数和阈值对所有特征点进行自动区域分割，得到至少一个特征点组；
拟合模块，用于拟合每个所述特征点组中的特征点，并计算得到在每个分割区域所对应的拟合多项式；
校正模块，用于根据所述每个分割区域对应的拟合多项式对所述鱼眼图像进行拟合处理，得到每个所述特征点的校正位置，完成校正过程。
优选的，所述区域分割模块，包括：
计算单元，用于设一个特征点为第一特征点组的第一点，并计算所述第一点的差分值；
获取所述第一点附近的一个新特征点，所述新特征点的的畸变系数为所述第一点的差分值与所述新特征点的差分值之差；
分组单元，用于如果所述新特征点的畸变系数小于所述阈值，将所述新特征点分到第一特征点组；
如果所述新特征点的畸变系数大于所述阈值，新建第二特征点组，并将所述新特征点设为所述第二特征点组的第一点；
循环单元，用于重复获取新特征点，直到所有特征点均属于特征点组。
优选的，所述拟合模块，通过坐标公式拟合每个所述特征点组中的特征点，并通过多项式拟合方法计算得到在每个分割区域所对应的拟合多项式。
本发明还提供一种电子设备，设备包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的任一种基于自适应分类拟合鱼眼图像校正方法的步骤。
本发明还提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的任一种基于自适应分类拟合鱼眼图像校正方法的步骤。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例中的一种基于自适应分类拟合鱼眼图像校正方法流程图；
图2是本发明实施例中的一种基于自适应分类拟合鱼眼图像校正方法的普通透镜棋盘图像；
图3是本发明实施例中的一种基于自适应分类拟合鱼眼图像校正方法的鱼眼镜头的实际成像过程；
图4是本发明实施例中的一种基于自适应分类拟合鱼眼图像校正方法的各阶多项式拟合效果图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的实施例提供一种基于自适应分类拟合鱼眼图像校正方法，参见图1，包括以下步骤：
S1、获得鱼眼图像，并得到所述鱼眼图像中的特征点，所述鱼眼图像包括实际图像和理论图像；
S2、获得每个所述特征点在所述实际图像中到光轴的距离、所述理论图像中到光轴的距离和所述两种距离的差分值；
S3、得到所述特征点的畸变系数，并设置阈值，根据畸变系数和阈值对所有特征点进行自动区域分割，得到至少一个特征点组；
S4、拟合每个所述特征点组中的特征点，并计算得到在每个分割区域所对应的拟合多项式；
S5、根据所述每个分割区域对应的拟合多项式对所述鱼眼图像进行拟合处理，得到每个所述特征点的校正位置，完成校正过程。
可选的，所述实际图像为通过鱼眼镜头拍摄的棋盘格图像，如图2所示，所述理论图像为原始棋盘格图像或通过正常镜头在同样距离拍摄的棋盘格图像。
在一个具体的实施例中，利用棋盘格图像和鱼眼镜头的常规图像拍照，可选择棋盘格图像的角点，将角点与中点的连线延长，将与图像的交点视为特征点。
优选的，得到鱼眼图像中特征点的过程为人工标注或通过训练过的神经网络自动识别特征点。
可选的，所述实际图像为通过鱼眼镜头拍摄的棋盘格图像，所述理论图像为原始棋盘格图像或通过正常镜头在同样距离拍摄的棋盘格图像。
可选的，也可以将一些特征点较容易定位的图像作为理论图像，将此类图像在鱼眼镜头下拍摄的图像作为实际图像。
可选的，将图像分为训练集和测试集，对神经网络进行训练，然后自动标注特征点并进行鱼眼镜头校正工作。
可选的，将特征点按顺序进行编号，以便进行下一步处理。
优选的，特征点在实际图像中到光轴的距离，为所述实际图像的中心点与所述特征点之间的距离；
所述特征点在理论图像中到光轴的距离，为所述理论图像的中心点与所述特征点在理论图像上的对应点之间的距离。
优选的，所述步骤S3，包括：
S31、设一个特征点为第一特征点组的第一点，并计算所述第一点的差分值；
获取所述第一点附近的一个新特征点，所述新特征点的的畸变系数为所述第一点的差分值与所述新特征点的差分值之差；
S32、如果所述新特征点的畸变系数小于所述阈值，将所述新特征点分到第一特征点组；
如果所述新特征点的畸变系数大于所述阈值，新建第二特征点组，并将所述新特征点设为所述第二特征点组的第一点；
S33、重复获取新特征点，直到所有特征点均属于特征点组。
优选的，获取所述第一点附近的一个新特征点，为获取实际图像中与第一点欧氏距离最短的一个特征点，也可以获取理论图像中与第一点欧式距离最短的一个特征点。
优选的，所述步骤S4，包括：
通过坐标公式拟合每个所述特征点组中的特征点，并通过多项式拟合方法计算得到在每个分割区域所对应的拟合多项式。
优选的，所述拟合多项式，包括：
其中，c、d、e为辐射变换系数，u0、v0为图像中心坐标，A3(u，v)为特征点在像素坐标系下的坐标，A2(x2，y2)为特征点在成像坐标系下的坐标，u，v的计算方式分别为：
u＝c*x2+d*y2+u0，v＝e*x2+y2+v0。
在一个具体的实施例中，鱼眼透镜的成像原理如图3所示，图像的坐标转化处理需要三个步骤：
(1)世界坐标到摄像机坐标：
点A从世界坐标系线性变换到摄像机坐标系，它由3×3的旋转矩阵R和一个平移向量T变换得到。
其中R和T为摄像机外部场景的参数描述。
(2)摄像机坐标到成像平面坐标
从A点发出的光经过鱼眼透镜，经过多组透镜的折射，光路发生变化，所得到的图像在CCD成像平面上会有一定的偏差，且偏差过程是非线性的。
泰勒公式通常用来表示鱼眼透镜投影模式的一般模型。摄像机坐标系与成像平面坐标系的转换关系可表示为下式：
A2(x2，y2)＝A1(f(x1)，h(x2))
f(x1)＝a0+a1x1 1+a2x12+a3x13+...+anx1 n
h(x1)＝b0+b1y1 1+b2y1 2+b3y1 3+...+bny1 n
(3)图像平面坐标系到像素坐标系
在成像平面上建立的坐标系为mm，分辨率图像为像素。这两个坐标系的原点位置不同。从成像平面坐标系到像素坐标系，可以进行简单的坐标变换得到变换关系。
因为畸变的程度只与光的路径有关，和图像是如何被扭曲的没有关系，这种扭曲只会改变形状、信息和图像的角位置。然而，图像锐度与映像到一的映射不会改变。也就是说，一旦成像公式确定后，图像与图像之间的关系不改变，不管图像是如何扭曲的。等距投影具有相等的在相同视场下相平面上的径向距离，成像高度为与物体的视角成正比。因此，所需的信息很容易获得导出，具有较高的精度和实时性。因为这个原因，这个想象的想法模型现在被广泛使用。
在一个具体的实施例中，拟合多项式曲线为分段曲线，由表1可知，从原点(0,0)开始，曲线第一段最平缓，第三段曲率最大，第二段曲率较小。
表1特征点的差分值比较
优选的，在所述步骤S4，还包括：
获得三阶、四阶和五阶所述拟合多项式的图像，通过人工对比或相关性算法选择所述拟合多项式的阶数，并计算得到具体拟合多项式。
在一个具体的实施例中，通过人工标注获得40个特征点并进行处理。然后分别比较这些特征点所拟合的三阶、四阶和五阶图像，选择最符合点分散规律的拟合多项式，然后对分好的特征点组再次进行分区，拟合后得到的形状可以达到鱼眼图像变形的效果。拟合结果如图4所示，其中横坐标X是理论图像中特征点到图像中心的距离，纵坐标Y是实际图像中特征点到图像中心的距离。
本发明的实施例还提供一种基于自适应分类拟合鱼眼图像校正系统，包括：
预处理模块，用于获得鱼眼图像，并得到所述鱼眼图像中的特征点，所述鱼眼图像包括实际图像和理论图像；
距离模块，用于获得每个所述特征点在所述实际图像中到光轴的距离、所述理论图像中到光轴的距离和所述两种距离的差分值；
区域分割模块，用于得到所述特征点的畸变系数，并设置阈值，根据畸变系数和阈值对所有特征点进行自动区域分割，得到至少一个特征点组；
拟合模块，用于拟合每个所述特征点组中的特征点，并计算得到在每个分割区域所对应的拟合多项式；
校正模块，用于根据所述每个分割区域对应的拟合多项式对所述鱼眼图像进行拟合处理，得到每个所述特征点的校正位置，完成校正过程。
优选的，所述区域分割模块，包括：
计算单元，用于设一个特征点为第一特征点组的第一点，并计算所述第一点的差分值；
获取所述第一点附近的一个新特征点，所述新特征点的的畸变系数为所述第一点的差分值与所述新特征点的差分值之差；
分组单元，用于如果所述新特征点的畸变系数小于所述阈值，将所述新特征点分到第一特征点组；
如果所述新特征点的畸变系数大于所述阈值，新建第二特征点组，并将所述新特征点设为所述第二特征点组的第一点；
循环单元，用于重复获取新特征点，直到所有特征点均属于特征点组。
优选的，所述拟合模块，通过坐标公式拟合每个所述特征点组中的特征点，并通过多项式拟合方法计算得到在每个分割区域所对应的拟合多项式。
本发明的实施例还提供一种电子设备，设备包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的任一种基于自适应分类拟合鱼眼图像校正方法的步骤。
本发明的实施例还提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的任一种基于自适应分类拟合鱼眼图像校正方法的步骤。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上，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，可轻易想到各种等效的修改或替换，这些修改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权利要求的保护范围为准。

Claims (6)

1.一种基于自适应分类拟合鱼眼图像校正方法，其特征在于，包括以下步骤：
S1、获得鱼眼图像，并得到所述鱼眼图像中的特征点，所述鱼眼图像包括实际图像和理论图像；
S2、获得每个所述特征点在所述实际图像中到光轴的距离、所述理论图像中到光轴的距离和所述两种距离的差分值；
S3、得到所述特征点的畸变系数，并设置阈值，根据畸变系数和阈值对所有特征点进行自动区域分割，得到至少一个特征点组；
S4、拟合每个所述特征点组中的特征点，并计算得到在每个分割区域所对应的拟合多项式；
S5、根据所述每个分割区域对应的拟合多项式对所述鱼眼图像进行拟合处理，得到每个所述特征点的校正位置，完成校正过程；
所述特征点在实际图像中到光轴的距离，为所述实际图像的中心点与所述特征点之间的距离；
所述特征点在理论图像中到光轴的距离，为所述理论图像的中心点与所述特征点在理论图像上的对应点之间的距离；
所述步骤S3，包括：
S31、设一个特征点为第一特征点组的第一点，并计算所述第一点的差分值；
获取所述第一点附近的一个新特征点，所述新特征点的的畸变系数为所述第一点的差分值与所述新特征点的差分值之差；
S32、如果所述新特征点的畸变系数小于所述阈值，将所述新特征点分到第一特征点组；
如果所述新特征点的畸变系数大于所述阈值，新建第二特征点组，并将所述新特征点设为所述第二特征点组的第一点；
S33、重复获取新特征点，直到所有特征点均属于特征点组；
在所述步骤S4，还包括：
获得三阶、四阶和五阶所述拟合多项式的图像，通过人工对比或相关性算法选择所述拟合多项式的阶数，并计算得到具体拟合多项式。
2.根据权利要求1所述的一种基于自适应分类拟合鱼眼图像校正方法，其特征在于，所述步骤S4，包括：
通过坐标公式拟合每个所述特征点组中的特征点，并通过多项式拟合方法计算得到在每个分割区域所对应的拟合多项式。
3.一种基于自适应分类拟合鱼眼图像校正系统，其特征在于，包括：预处理模块，用于获得鱼眼图像，并得到所述鱼眼图像中的特征点，所述鱼眼图像包括实际图像和理论图像；
距离模块，用于获得每个所述特征点在所述实际图像中到光轴的距离、所述理论图像中到光轴的距离和所述两种距离的差分值；
区域分割模块，用于得到所述特征点的畸变系数，并设置阈值，根据畸变系数和阈值对所有特征点进行自动区域分割，得到至少一个特征点组；
拟合模块，用于拟合每个所述特征点组中的特征点，并计算得到在每个分割区域所对应的拟合多项式；
校正模块，用于根据所述每个分割区域对应的拟合多项式对所述鱼眼图像进行拟合处理，得到每个所述特征点的校正位置，完成校正过程；所述特征点在实际图像中到光轴的距离，为所述实际图像的中心点与所述特征点之间的距离；
所述特征点在理论图像中到光轴的距离，为所述理论图像的中心点与所述特征点在理论图像上的对应点之间的距离；
所述区域分割模块，包括：
计算单元，用于设一个特征点为第一特征点组的第一点，并计算所述第一点的差分值；
获取所述第一点附近的一个新特征点，所述新特征点的的畸变系数为所述第一点的差分值与所述新特征点的差分值之差；
分组单元，用于如果所述新特征点的畸变系数小于所述阈值，将所述新特征点分到第一特征点组；
如果所述新特征点的畸变系数大于所述阈值，新建第二特征点组，并将所述新特征点设为所述第二特征点组的第一点；
循环单元，用于重复获取新特征点，直到所有特征点均属于特征点组；所述拟合模块，包括：
获得三阶、四阶和五阶所述拟合多项式的图像，通过人工对比或相关性算法选择所述拟合多项式的阶数，并计算得到具体拟合多项式。
4.根据权利要求3所述的一种基于自适应分类拟合鱼眼图像校正系统，其特征在于，所述拟合模块，通过坐标公式拟合每个所述特征点组中的特征点，并通过多项式拟合方法计算得到在每个分割区域所对应的拟合多项式。
5.一种电子设备，其特征在于，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的一种基于自适应分类拟合鱼眼图像校正方法的步骤。
6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的一种基于自适应分类拟合鱼眼图像校正方法的步骤。
CN202010669803.1A 2020-07-13 2020-07-13 一种基于自适应分类拟合鱼眼图像校正方法 Active CN111899189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010669803.1A CN111899189B (zh) 2020-07-13 2020-07-13 一种基于自适应分类拟合鱼眼图像校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669803.1A CN111899189B (zh) 2020-07-13 2020-07-13 一种基于自适应分类拟合鱼眼图像校正方法

Publications (2)

Publication Number Publication Date
CN111899189A CN111899189A (zh) 2020-11-06
CN111899189B true CN111899189B (zh) 2023-11-17

Family

ID=73192488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010669803.1A Active CN111899189B (zh) 2020-07-13 2020-07-13 一种基于自适应分类拟合鱼眼图像校正方法

Country Status (1)

Country Link
CN (1) CN111899189B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113834638B (zh) * 2021-09-03 2024-05-24 大连中科创达软件有限公司 视场角确定方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574289A (zh) * 2013-10-29 2015-04-29 深圳市中航比特通讯技术有限公司 一种基于椭球面模型的鱼眼图像畸变校正算法
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
CN107767422A (zh) * 2017-09-18 2018-03-06 深圳开阳电子股份有限公司 一种鱼眼镜头的校正方法、装置及便携式终端
CN108171759A (zh) * 2018-01-26 2018-06-15 上海小蚁科技有限公司 双鱼眼镜头全景相机的标定方法及装置、存储介质、终端
CN111199528A (zh) * 2020-01-15 2020-05-26 江苏北斗星通汽车电子有限公司 一种鱼眼图像畸变矫正方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574289A (zh) * 2013-10-29 2015-04-29 深圳市中航比特通讯技术有限公司 一种基于椭球面模型的鱼眼图像畸变校正算法
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
CN107767422A (zh) * 2017-09-18 2018-03-06 深圳开阳电子股份有限公司 一种鱼眼镜头的校正方法、装置及便携式终端
CN108171759A (zh) * 2018-01-26 2018-06-15 上海小蚁科技有限公司 双鱼眼镜头全景相机的标定方法及装置、存储介质、终端
CN111199528A (zh) * 2020-01-15 2020-05-26 江苏北斗星通汽车电子有限公司 一种鱼眼图像畸变矫正方法

Also Published As

Publication number Publication date
CN111899189A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN106875339B (zh) 一种基于长条形标定板的鱼眼图像拼接方法
CN107767422B (zh) 一种鱼眼镜头的校正方法、装置及便携式终端
CN111750820B (zh) 影像定位方法及其系统
CN108257183B (zh) 一种相机镜头光轴校准方法和装置
CN107248178B (zh) 一种基于畸变参数的鱼眼相机标定方法
CN110197466B (zh) 一种广角鱼眼图像矫正方法
CN109064404A (zh) 一种基于多相机标定的全景拼接方法、全景拼接系统
CN107665483B (zh) 免定标便捷的单目镜头鱼眼图像畸变矫正方法
CN111199528A (zh) 一种鱼眼图像畸变矫正方法
CN107492080B (zh) 免定标便捷的单目镜头图像径向畸变矫正方法
US9652847B2 (en) Method for calibrating a digital optical imaging system having a zoom system, method for correcting aberrations in a digital optical imaging system having a zoom system, and digital optical imaging system
CN110099267A (zh) 梯形校正系统、方法以及投影仪
CN110675350B (zh) 云台相机视场坐标映射方法、装置、存储介质及云台相机
CN110660105A (zh) 一种全景环视系统的标定参数优化方法及装置
CN110738608B (zh) 一种平面图像校正方法及系统
CN106846395B (zh) 照片中目标图形面积计算方法及系统
CN109859137A (zh) 一种广角相机非规则畸变全域校正方法
CN111899189B (zh) 一种基于自适应分类拟合鱼眼图像校正方法
Chan et al. An improved method for fisheye camera calibration and distortion correction
CN107172323B (zh) 大视场摄像头的图像去暗角方法及装置
CN117557657A (zh) 基于ChArUco标定板的双目鱼眼相机标定方法及系统
CN112995624B (zh) 用于投影仪的梯形误差校正方法及装置
CN104363421B (zh) 实现多角度摄像头监控效果的方法和装置
CN114612574A (zh) 一种基于无人机的车载环视相机全景鸟瞰图标定及转换拼接方法
CN109345488B (zh) 一种针对手机扩角镜拍摄的超广角图像的畸变校正方法

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