CN113450291A - 图像信息处理方法及装置 - Google Patents
图像信息处理方法及装置 Download PDFInfo
- Publication number
- CN113450291A CN113450291A CN202010229123.8A CN202010229123A CN113450291A CN 113450291 A CN113450291 A CN 113450291A CN 202010229123 A CN202010229123 A CN 202010229123A CN 113450291 A CN113450291 A CN 113450291A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional image
- dimensional
- filtering
- registration
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009466 transformation 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
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Robotics (AREA)
- Image Processing (AREA)
Abstract
本申请的实施例公开了图像信息处理方法及装置。方法的一具体实施方式包括:首先,获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;然后,以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;最后,以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像。本实施方式使得强化了滤波图像中目标物的真实边缘,弱化了因目标物阴影而产生的假边缘,有助于提高目标物分割的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及一种图像信息处理方法及装置。
背景技术
目前,无人仓储机器人的作业场景主要有两种:一、机器人进箱拣选(从周转箱中拣出物品),该种场景中的物品主要为小件物品;二、机器人拆垛(从托盘上拣选物品),该种场景中的物品主要为中大件物品。无论哪种应用场景,机器人都必须通过视觉系统获取物品的位置和姿态。因此,目标物(物品)的检测定位是其中的关键技术。
实际中,目标物的检测精度均不同程度的受图像质量的影响。比如,现有三维相机的分辨率对物品间隙的辨识度较低,从而无法直接使用点云进行物品分割;再如,针对小件物品的进箱拣选场景,周转箱箱壁的阴影会产生假边缘,从而影响物品分割。
发明内容
本申请实施例提出了一种图像信息处理方法及装置。
第一方面,本申请实施例提供了一种图像信息处理方法,包括:获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像。
在一些实施例中,二维图像的分辨率大于三维图像的分辨率。
在一些实施例中,上述以二维图像作为参考图,对三维图像进行图像配准,包括:确定三维图像中各点云在二维图像对应的坐标系中的三维坐标;将各点云在二维图像对应的坐标系中的三维坐标转化为对应于二维图像的二维坐标,得到转化图像;对转化图像进行图像插值,得到与二维图像的分辨率相同的配准图像。
在一些实施例中,上述以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像,包括:对于对二维图像进行导向滤波的每个滤波窗口,执行如下操作:基于二维图像,确定配准图像上处于该滤波窗口中的像素点的像素值,与滤波图像上处于该滤波窗口中的像素点的像素值的对应关系;根据对应关系,得到滤波图像中处于该滤波窗口中的各像素点的像素值;针对滤波图像中的每个像素点,执行如下操作:根据该像素点在包括该像素点的各滤波窗口中的像素值,确定该像素点的最终像素值;根据各最终像素值,得到滤波图像。
在一些实施例中,上述方法还包括:提取滤波图像中目标物对象的边缘特征,得到特征图。
在一些实施例中,上述方法还包括:基于边缘特征,控制抓取装置抓取目标物对象所表征的目标物。
第二方面,本申请实施例提供了一种图像信息处理装置,包括:获取单元,被配置成获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;配准单元,被配置成以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;滤波单元,被配置成以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像。
在一些实施例中,二维图像的分辨率大于三维图像的分辨率。
在一些实施例中,配准单元,进一步被配置成:确定三维图像中各点云在二维图像对应的坐标系中的三维坐标;将各点云在二维图像对应的坐标系中的三维坐标转化为对应于二维图像的二维坐标,得到转化图像;对转化图像进行图像插值,得到与二维图像的分辨率相同的配准图像。
在一些实施例中,滤波单元,进一步被配置成:对于对二维图像进行导向滤波的每个滤波窗口,执行如下操作:基于二维图像,确定配准图像上处于该滤波窗口中的像素点的像素值,与滤波图像上处于该滤波窗口中的像素点的像素值的对应关系;根据对应关系,得到滤波图像中处于该滤波窗口中的各像素点的像素值;针对滤波图像中的每个像素点,执行如下操作:根据该像素点在包括该像素点的各滤波窗口中的像素值,确定该像素点的最终像素值;根据各最终像素值,得到滤波图像。
在一些实施例中,上述装置还包括:提取单元,被配置成提取滤波图像中目标物对象的边缘特征,得到特征图。
在一些实施例中,上述装置还包括:抓取单元,被配置成基于边缘特征,控制抓取装置抓取目标物对象所表征的目标物。
第三方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面任一实现方式描述的方法。
第四方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
本申请实施例提供的图像信息处理方法及装置,通过获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;然后,以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;最后,以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像,从而使得滤波图像强化了目标物的真实边缘,弱化了因目标物阴影而产生的假边缘,有助于提高目标物分割的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的图像信息处理方法的一个实施例的流程图;
图3是根据本实施例的图像信息处理方法的应用场景的示意图;
图4是根据本申请的图像信息处理方法的又一个实施例的流程图;
图5是根据本申请的图像信息处理装置的一个实施例的结构图;
图6是适于用来实现本申请实施例的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像信息处理方法及装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持信息交互、网络连接、图像拍摄等功能的各种电子设备,包括但不限于智能手机、平板电脑、相机、摄像机、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如基于终端设备101、102、103发送的二维图像和三维图像,生成对应的滤波图像的后台处理服务器。后台处理服务器可以对二维图像和三维图像等数据进行图像配准、图像滤波,从而生成对应的滤波图像。可选的,后台处理服务器还可以将生成的滤波图像反馈给终端设备,以供终端设备显示。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的图像信息处理方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,信息处理装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当信息处理方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括图像信息处理方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2,示出了图像信息处理方法的一个实施例的流程200,包括以下步骤:
步骤201,获取二维图像和三维图像。
本实施例中,图像信息处理方法的执行主体(例如图1中的终端设备或服务器)可以通过有线连接方式或者无线连接方式从其他电子设备,或者本地获取二维图像和三维图像。其中,二维图像和三维图像均包括表征同一目标物的目标物对象。目标物可以是任意数量、任意形状的物体。
在本实施例的一些应用场景中,目标物可以是周转箱或托盘中的多件物品。通过临近设置的二维相机和三维相机对上述多件物品进行拍摄,得到包括与上述多件物品对应的目标物对象的二维图像和三维图像。
需要说明的是,本步骤的执行主体可以是终端设备,也可以是服务器。当终端设备具有图像获取功能时,本步骤的执行主体则可以是具有图像获取功能的终端设备;当服务器具有图像获取功能时,本步骤的执行主体则可以是具有图像获取功能的服务器。
步骤202,以二维图像作为参考图,对三维图像进行图像配准,得到配准图像。
本实施例中,上述执行主体可以以步骤201获取到的二维图像作为参考图,对步骤201获取到的三维图像进行图像配准,得到配准图像。
其中,图像配准(Image registration)表征将不同时间、不同传感器(成像设备)或不同条件(天候、照度、摄像位置和角度等)下获取的两幅或多幅图像进行匹配、叠加的过程。本实施例中的图像配准主要指二维图像对应的坐标系与三维图像对应的坐标系的转换,可以采用相对配准或绝对配准的方式,在此不做限定。
在本实施例的一些可选的实现方式中,可以通过相机外参标定技术获取二维图像对应的二维相机坐标系与获取三维图像对应的三维相机坐标系的对应关系。然后,根据上述对应关系,对三维图像进行图像配准,得到配准图像。
作为又一示例,上述执行主体或者与上述执行主体通信连接的电子设备可以首先采用机器学习算法,基于包括样本三维图像和样本二维图像的训练样本,训练初始图像配准模型得到图像配准模型。其中,图像配准模型可以用于将样本三维图像中各点云的坐标转换成对应于二维图像的坐标系中的二维坐标。在获得图像配准模型之后,上述执行主体可以将三维图像输入至该图像配准模型,从而生成对应于二维图像的坐标系中的二维坐标的配准图像。
作为又一示例,上述执行主体或者与上述执行主体通信连接的电子设备中可以存储有二维图像的二维相机坐标系与获取三维图像的三维相机坐标系的对应关系。
需要说明的是,本步骤的执行主体可以是终端设备,也可以是服务器。当终端设备具有图像配准功能时,本步骤的执行主体则可以是具有图像配准功能的终端设备;当服务器具有图像配准功能时,本步骤的执行主体则可以是具有图像配准功能的服务器。
步骤203,以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像。
本实施例中,上述执行主体可以以步骤202得到的配准图像作为引导图,对步骤201获取到的二维图像进行导向滤波,得到滤波图像。
其中,导向滤波(Guided Filter)显式地利用引导图计算滤波图像。导向滤波比起双边滤波等滤波方法来说,得到的滤波图像中的边界附近效果较好。
作为示例,上述执行主体可以首先采用机器学习算法,基于包括样本配准图像、样本二维图像和样本滤波图像的训练样本,通过训练得到导向滤波模型。其中,导向滤波模型可以用于以配准图像作为引导图,对二维图像进行导向滤波,输出滤波图像。在获得导向滤波模型之后,上述执行主体可以将配准图像和二维图像输入至该导向滤波模型,从而生成滤波图像。
需要说明的是,本步骤的执行主体可以是终端设备,也可以是服务器。当终端设备具有导向滤波功能时,本步骤的执行主体则可以是具有导向滤波功能的终端设备;当服务器具有导向滤波功能时,本步骤的执行主体则可以是具有导向滤波功能的服务器。
继续参见图3,图3是根据本实施例的图像信息处理方法的应用场景的一个示意图。在图3的应用场景中,终端设备301上设有二维相机302和三维相机303。终端设备301通过二维相机302获取二维图像304,通过三维相机303获取三维图像305。其中,二维图像304和三维图像305中均包括表征同一目标物的目标物对象,目标物包括托盘上的物品306、307。然后,终端设备301通过网络将二维图像304和三维图像305传输至服务器308。服务器308以二维图像304作为参考图,对三维图像305进行图像配准,得到配准图像309;然后,以配准图像309作为引导图,对二维图像304进行导向滤波,得到滤波图像310。
本公开的上述实施例提供的方法,通过获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;然后,以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;最后,以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像,从而使得滤波图像强化了目标物的真实边缘,弱化了因目标物阴影而产生的假边缘,有助于提高目标物分割的准确性。
在本实施例的一些可选的实现方式中,执行主体还可以:提取滤波图像中目标物对象的边缘特征,得到特征图。
本实现方式中,由于滤波图像强化了目标物的真实边缘,弱化了因目标物阴影而产生的假边缘,因此,边缘特征的提取过程更易操作,边缘特征的提取更准确。
在本实施例的一些可选的实现方式中,执行主体还可以:基于边缘特征,控制抓取装置抓取目标物对象所表征的目标物。
本实现方式中,抓取装置可以是任意的抓取装置,包括但不限于机械臂、机器人等抓取装置。基于准确的目标物的边缘特征,执行主体可以根据目标为对象的边缘特征进行目标分割,根据分割结果控制抓取装置执行抓取动作。如此,抓取装置可以准确地抓取目标物,提高了抓取准确度和效率。
继续参考图4,示出了根据本申请的图像信息处理方法的另一个实施例的示意性流程400,包括以下步骤:
步骤401,获取二维图像和三维图像。
本实施例中,二维图像和三维图像均包括表征同一目标物的目标物对象。
步骤401按照与步骤201类似的方式执行,在此不再赘述。
步骤402,确定三维图像中各点云在二维图像对应的坐标系中的三维坐标。
本实施例中,执行主体可以基于二维图像对应的二维相机坐标系与三维图像对应的三维相机坐标系的对应关系,确定三维图像中各点云在二维图像对应的坐标系中的三维坐标。
作为示例,二维相机坐标系与三维相机坐标系的对应关系为T,T为4×4的矩阵。通过如下公式,可把三维相机拍摄的处于三维相机坐标系下的点云数据的三维坐标转换到二维相机对应的二维相机坐标系下:
其中,(x,y,z)是三维相机拍摄的处于三维相机坐标系下的三维图像中的点云数据的坐标,(X,Y,Z)是坐标转换后的三维图像中的各点云数据的在二维相机坐标系下的三维坐标。
步骤403,将各点云在二维图像对应的坐标系中的三维坐标转化为对应于二维图像的二维坐标,得到转化图像。
本实施例中,坐标转换后的三维图像中的各点云数据在二维相机坐标系的坐标仍然是三维坐标,通过如下公式可以得到对应于二维图像的二维坐标:
其中,(u,v)是转换坐标后的三维图像的各点云的三维坐标对应于二维图像的二维相机坐标系的二维坐标。
步骤404,对转化图像进行图像插值,得到与二维图像的分辨率相同的配准图像。
本实施例中,二维图像的分辨率大于三维图像的分辨率,因此,二维图像的分辨率大于转化图像的分辨率。执行主体可以对转化图像进行图像插值,得到与二维图像的分辨率相同的配准图像。
具体的,执行主体可以通过最近邻插值法、双线性插值法、双立方插值法、方向插值法或基于深度学习的图像插值模型对转化图像进行图像插值。
步骤405,对于对二维图像进行导向滤波的每个滤波窗口,执行如下操作:基于二维图像,确定配准图像上处于该滤波窗口中的像素点的像素值,与滤波图像上处于该滤波窗口中的像素点的像素值的对应关系;根据对应关系,得到滤波图像中处于该滤波窗口中的各像素点的像素值。
本实施例中,基于导向滤波的一个重要假设:滤波图像中的像素值和配准图像的像素值在滤波窗口上存在局部线性关系,即:
qi=akIi+bk,i∈Wk
其中,qi为滤波图像q第i个像素点的像素值,Ii为配准图像I第i个像素点的像素值,ak、bk为滤波窗口Wk的常量系数。
根据二维图像、配准图像与滤波图像三者之间的关系,可以确定出上述ak、bk;从而可以得到滤波图像的像素值和配准图像的像素值在滤波窗口上的对应关系;进而,根据对应关系,得到滤波图像中处于该滤波窗口中的各像素点的像素值。
步骤406,针对滤波图像中的每个像素点,执行如下操作:根据该像素点在包括该像素点的各滤波窗口中的像素值,确定该像素点的最终像素值。
本实施例中,可以理解,每一个像素点会被包含在多个滤波窗口中。例如,若滤波窗口的长度为3个像素,宽度为3个像素,那么,除了二维图像中的边缘区域的每个像素点都会被包含在9个滤波窗口里。
本实施例中,根据该像素点在包括该像素点的各滤波窗口中的像素值,确定该像素点的最终像素值。具体的,可以将包括该像素点的各滤波窗口中的像素值的平均值,确定为该像素点的最终像素值。
步骤407,根据各最终像素值,得到滤波图像。
本实施例中,执行主体根据各像素点的最终像素值,可以得到滤波图像
从本实施例中可以看出,与图2对应的实施例相比,本实施例中的图像信息处理方法的流程400具体说明了图像配置和导向滤波过程。其中,二维图像的分辨率大于三维图像的分辨率,图像配准过程中会对转化坐标后的三维图像进行插值,以提高分辨率,从而使得滤波图像进一步强化了目标物的真实边缘,弱化了因目标物阴影而产生的假边缘,有助于提高目标物分割的准确性。
继续参考图5,作为对上述各图所示方法的实现,本公开提供了一种图像信息处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,图像信息处理装置包括:获取单元501,被配置成获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;配准单元502,被配置成以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;滤波单元503,被配置成以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像。
在一些实施例中,二维图像的分辨率大于三维图像的分辨率。
在一些实施例中,配准单元502,进一步被配置成:确定三维图像中各点云在二维图像对应的坐标系中的三维坐标;将各点云在二维图像对应的坐标系中的三维坐标转化为对应于二维图像的二维坐标,得到转化图像;对转化图像进行图像插值,得到与二维图像的分辨率相同的配准图像。
在一些实施例中,滤波单元503,进一步被配置成:对于对二维图像进行导向滤波的每个滤波窗口,执行如下操作:基于二维图像,确定配准图像上处于该滤波窗口中的像素点的像素值,与滤波图像上处于该滤波窗口中的像素点的像素值的对应关系;根据对应关系,得到滤波图像中处于该滤波窗口中的各像素点的像素值;针对滤波图像中的每个像素点,执行如下操作:根据该像素点在包括该像素点的各滤波窗口中的像素值,确定该像素点的最终像素值;根据各最终像素值,得到滤波图像。
在一些实施例中,上述装置500还包括:提取单元(图中未示出),被配置成提取滤波图像中目标物对象的边缘特征,得到特征图。
在一些实施例中,上述装500置还包括:抓取单元(图中未示出),被配置成基于边缘特征,控制抓取装置抓取目标物对象所表征的目标物。。
本实施例中,图像信息处理装置中的获取单元501获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;然后,配准单元502以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;最后,滤波单元503以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像,从而使得滤波图像强化了目标物的真实边缘,弱化了因目标物阴影而产生的假边缘,有助于提高目标物分割的准确性。。
下面参考图6,其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统600的结构示意图。图6示出的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括处理器(例如CPU,中央处理器)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。处理器601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、配准单元和滤波单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取二维图像和三维图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该计算机设备:获取二维图像和三维图像,其中,二维图像和三维图像均包括表征同一目标物的目标物对象;以二维图像作为参考图,对三维图像进行图像配准,得到配准图像;以配准图像作为引导图,对二维图像进行导向滤波,得到滤波图像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种图像信息处理方法,包括:
获取二维图像和三维图像,其中,所述二维图像和所述三维图像均包括表征同一目标物的目标物对象;
以所述二维图像作为参考图,对所述三维图像进行图像配准,得到配准图像;
以所述配准图像作为引导图,对所述二维图像进行导向滤波,得到滤波图像。
2.根据权利要求1所述的方法,其中,所述二维图像的分辨率大于所述三维图像的分辨率。
3.根据权利要求2所述的方法,其中,所述以所述二维图像作为参考图,对所述三维图像进行图像配准,包括:
确定所述三维图像中各点云在所述二维图像对应的坐标系中的三维坐标;
将各点云在所述二维图像对应的坐标系中的三维坐标转化为对应于所述二维图像的二维坐标,得到转化图像;
对所述转化图像进行图像插值,得到与所述二维图像的分辨率相同的配准图像。
4.根据权利要求1所述的方法,其中,所述以所述配准图像作为引导图,对所述二维图像进行导向滤波,得到滤波图像,包括:
对于对所述二维图像进行导向滤波的每个滤波窗口,执行如下操作:基于所述二维图像,确定所述配准图像上处于该滤波窗口中的像素点的像素值,与所述滤波图像上处于该滤波窗口中的像素点的像素值的对应关系;根据对应关系,得到所述滤波图像中处于该滤波窗口中的各像素点的像素值;
针对滤波图像中的每个像素点,执行如下操作:根据该像素点在包括该像素点的各滤波窗口中的像素值,确定该像素点的最终像素值;
根据各最终像素值,得到所述滤波图像。
5.根据权利要求1-4任一所述的方法,其中,所述方法还包括:
提取所述滤波图像中目标物对象的边缘特征,得到特征图。
6.根据权利要求5所述的方法,其中,所述方法还包括:
基于所述边缘特征,控制抓取装置抓取所述目标物对象所表征的目标物。
7.一种图像信息处理装置,包括:
获取单元,被配置成获取二维图像和三维图像,其中,所述二维图像和所述三维图像均包括表征同一目标物的目标物对象;
配准单元,被配置成以所述二维图像作为参考图,对所述三维图像进行图像配准,得到配准图像;
滤波单元,被配置成以所述配准图像作为引导图,对所述二维图像进行导向滤波,得到滤波图像。
8.根据权利要求7所述的装置,其中,所述二维图像的分辨率大于所述三维图像的分辨率。
9.根据权利要求8所述的装置,其中,
所述配准单元,进一步被配置成确定所述三维图像中各点云在所述二维图像对应的坐标系中的三维坐标;将各点云在所述二维图像对应的坐标系中的三维坐标转化为对应于所述二维图像的二维坐标,得到转化图像;对所述转化图像进行图像插值,得到与所述二维图像的分辨率相同的配准图像。
10.根据权利要求7所述的装置,其中,
所述滤波单元,进一步被配置成对于对所述二维图像进行导向滤波的每个滤波窗口,执行如下操作:基于所述二维图像,确定所述配准图像上处于该滤波窗口中的像素点的像素值,与所述滤波图像上处于该滤波窗口中的像素点的像素值的对应关系;根据对应关系,得到所述滤波图像中处于该滤波窗口中的各像素点的像素值;针对滤波图像中的每个像素点,执行如下操作:根据该像素点在包括该像素点的各滤波窗口中的像素值,确定该像素点的最终像素值;根据各最终像素值,得到所述滤波图像。
11.根据权利要求7-10任一所述的装置,其中,所述装置还包括:
提取单元,被配置成提取所述滤波图像中目标物对象的边缘特征,得到特征图。
12.根据权利要求11所述的装置,其中,所述装置还包括:
抓取单元,被配置成基于所述边缘特征,控制抓取装置抓取所述目标物对象所表征的目标物。
13.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
14.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010229123.8A CN113450291B (zh) | 2020-03-27 | 2020-03-27 | 图像信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010229123.8A CN113450291B (zh) | 2020-03-27 | 2020-03-27 | 图像信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450291A true CN113450291A (zh) | 2021-09-28 |
CN113450291B CN113450291B (zh) | 2024-03-01 |
Family
ID=77808072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010229123.8A Active CN113450291B (zh) | 2020-03-27 | 2020-03-27 | 图像信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450291B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007149092A (ja) * | 2005-11-23 | 2007-06-14 | Sonosite Inc | 複数解像度適応フィルタリング |
US20150302592A1 (en) * | 2012-11-07 | 2015-10-22 | Koninklijke Philips N.V. | Generation of a depth map for an image |
CN105719256A (zh) * | 2016-01-26 | 2016-06-29 | 明峰医疗系统股份有限公司 | 一种基于结构图像引导的pet图像部分容积校正方法 |
CN110192222A (zh) * | 2017-01-17 | 2019-08-30 | 脸谱公司 | 根据二维图像组的三维场景重建以用于虚拟现实中的消费 |
CN110349216A (zh) * | 2019-07-18 | 2019-10-18 | 合肥泰禾光电科技股份有限公司 | 货箱位置检测方法及装置 |
CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
-
2020
- 2020-03-27 CN CN202010229123.8A patent/CN113450291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007149092A (ja) * | 2005-11-23 | 2007-06-14 | Sonosite Inc | 複数解像度適応フィルタリング |
US20150302592A1 (en) * | 2012-11-07 | 2015-10-22 | Koninklijke Philips N.V. | Generation of a depth map for an image |
CN105719256A (zh) * | 2016-01-26 | 2016-06-29 | 明峰医疗系统股份有限公司 | 一种基于结构图像引导的pet图像部分容积校正方法 |
CN110192222A (zh) * | 2017-01-17 | 2019-08-30 | 脸谱公司 | 根据二维图像组的三维场景重建以用于虚拟现实中的消费 |
CN110349216A (zh) * | 2019-07-18 | 2019-10-18 | 合肥泰禾光电科技股份有限公司 | 货箱位置检测方法及装置 |
CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
KAIMING HE等: "Guided Image Filtering", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 35, no. 6, XP055553272, DOI: 10.1109/TPAMI.2012.213 * |
赵书芳;汤汶;万韬阮;朱耀麟;武桐;: "面向Kinect深度图像的导向滤波算法改进", 单片机与嵌入式系统应用, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN113450291B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330439B (zh) | 一种图像中物体姿态的确定方法、客户端及服务器 | |
CN108230437B (zh) | 场景重建方法和装置、电子设备、程序和介质 | |
CN107220652B (zh) | 用于处理图片的方法和装置 | |
CN110060230B (zh) | 三维场景分析方法、装置、介质及设备 | |
CN112435223B (zh) | 目标检测方法、装置及存储介质 | |
US11631261B2 (en) | Method, system, server, and storage medium for logistics management based on QR code | |
CN111368657A (zh) | 牛脸识别方法和装置 | |
CN111382695A (zh) | 用于检测目标的边界点的方法和装置 | |
CN112329649A (zh) | 一种城市植被种类识别方法、系统、设备以及介质 | |
CN109816726B (zh) | 一种基于深度滤波器的视觉里程计地图更新方法和系统 | |
CN113450291B (zh) | 图像信息处理方法及装置 | |
CN116343155A (zh) | 一种bev视角下的可行驶区域的确定方法和装置 | |
WO2023137871A1 (zh) | 一种基于高度传感器的自动分拣方法、装置及可读介质 | |
JP2014102805A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN114119990B (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN112991388B (zh) | 基于光流跟踪预测和凸几何距离的线段特征跟踪方法 | |
CN115830414A (zh) | 人脸关键点回归模型训练方法、装置、设备及存储介质 | |
CN114638846A (zh) | 拾取位姿信息确定方法、装置、设备和计算机可读介质 | |
CN111260544B (zh) | 数据处理方法及装置、电子设备和计算机存储介质 | |
CN113561181A (zh) | 目标检测模型的更新方法、装置及系统 | |
CN113780269A (zh) | 图像识别方法、装置、计算机系统及可读存储介质 | |
CN112949423A (zh) | 物体识别方法、物体识别装置及机器人 | |
CN112348823A (zh) | 一种面向对象的高分辨率遥感影像分割算法 | |
CN111402291B (zh) | 用于跟踪目标的方法和装置 | |
CN113393493B (zh) | 目标对象的跟踪方法及装置 |
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 |