CN113962859B - 一种全景图生成方法、装置、设备及介质 - Google Patents

一种全景图生成方法、装置、设备及介质 Download PDF

Info

Publication number
CN113962859B
CN113962859B CN202111248397.2A CN202111248397A CN113962859B CN 113962859 B CN113962859 B CN 113962859B CN 202111248397 A CN202111248397 A CN 202111248397A CN 113962859 B CN113962859 B CN 113962859B
Authority
CN
China
Prior art keywords
image
images
fusion
tower
fused
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
CN202111248397.2A
Other languages
English (en)
Other versions
CN113962859A (zh
Inventor
程京
张东波
焦少慧
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202111248397.2A priority Critical patent/CN113962859B/zh
Publication of CN113962859A publication Critical patent/CN113962859A/zh
Application granted granted Critical
Publication of CN113962859B publication Critical patent/CN113962859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

本公开实施例公开了一种全景图生成方法、装置、设备及介质，其中方法包括：获取待拼接的多个局部图像，对各局部图像进行自适应的参数调节；根据目标全景图的尺寸参数确定融合参数，基于融合参数分别对各处理后的局部图像的待融合区域构建图像塔；基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。通过对采集的多个局部图像进行自适应的参数调节，无需获取采集过程中任何辅助参数，简化了图像的采集过程，提高了对采集设备的兼容性。进一步的，基于目标全景图的尺寸参数确定融合参数，对各局部图像进行自适应的融合处理，避免由于融合参数不匹配导致的信息丢失或者计算量浪费的情况。

Description

一种全景图生成方法、装置、设备及介质
技术领域
本公开实施例涉及计算机数据处理技术领域，尤其涉及一种全景图生成方法、装置、设备及介质。
背景技术
全景图像是构造三维虚拟环境的基本要素之一，其中，三维虚拟环境例如可以是虚拟房产环境，虚拟房产环境在线上浏览房屋过程中被广泛应用。
在全景图像的采集系统中，常常需要将多幅图像拼接成一副大的全景图像。在拼接过程中，为了实现更好的拼接效果，需要检测采集设备在拍摄过程中的光强度和曝光参数等数值，并根据上述参数来进行相应的图像处理，例如通过采集设备附带的soc(Systemon Chip，系统级芯片)做图像信号处理(Image Signal Processing，ISP)，再进行拼接算法，最终获得全景图像结果。
纪录采集设备在拍摄过程中采集参数，导致全景图的采集和生成过程繁琐。
发明内容
本公开实施例提供了一种全景图生成方法、装置、设备及介质，以实现视频的快速展示。
第一方面，本公开实施例提供了一种全景图生成方法，包括：
获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节；
根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。
第二方面，本公开实施例还提供了一种全景图生成装置，包括：
参数调整模块，用于获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节；
图像塔构建模块，用于根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
全景图拼接模块，用于基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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本公开实施例任一所述的全景图生成方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的全景图生成方法。
本实施例提供的技术方案，通过对采集的多个局部图像进行自适应的参数调节，无需获取采集过程中任何辅助参数，简化了局部图像的采集过程，同时提高了对采集设备的兼容性。进一步的，基于目标全景图的尺寸参数确定自适应的融合参数，对各局部图像进行自适应的融合处理，避免由于融合参数不匹配导致的信息丢失或者计算量浪费的情况。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的一种全景图生成方法流程示意图；
图2是本公开提供的优选实例的流程图；
图3是本公开实施例所提供的一种全景图生成装置结构示意图；
图4为本公开实施例所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
图1为本公开实施例所提供的一种全景图生成方法流程示意图，本公开实施例适用于在全景图生成过程中，对图像进行自适应处理的情形，该方法可以由全景图生成装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是计算机、移动终端或PC端等。如图1，本实施例的方法包括：
S110、获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节。
S120、根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔。
S130、基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。
本实施例中，采集设备采集多个局部图像，该多个局部图像用于拼接形成全景图，其中，采集设备可以是诸如手机、摄像机、智能手表等配置有摄像头，具有图像采集功能的电子设备。采集设备可以是具有全景图采集模式，在全景图采集模式下，在采集设备的移动过程中，连续采集多个局部图像。其中，局部图像的数量根据采集设备的采集时长确定，各局部图像的尺寸相同，相邻的局部图像包括重叠区域，该重叠区域用于在局部图像拼接过程中进行特征匹配，以提高局部图像拼接的准确性，以及提高全景图的图像质量。
本实施例中，各局部图像分别为采集设备采集的原始图像，基于局部图像生成全景图的处理过程可以是在采集设备(例如手机等配置有处理器的采集设备)中实现，还可以是将局部图像导入配置有处理器的处理设备(诸如计算机或者PC机等)中实现。
在获取局部图像之后，对各局部图像进行自适应的参数调节，其中，进行调节的参数可以是局部图像中的颜色参数，示例性的，可以包括但不限于局部图像的RGB三通道数据、亮度数据等。可选的，对于每一局部图像，基于该局部图像自身的图像数据进行自适应的参数调节，无需调用或输入其他的参考数据，即不需要记录图像采集过程中的参数，省略了记录图像采集过程中的参数的过程，简化了局部图像的采集过程。同时，针对于不同的图像采集设备，无需记录采集过程参数的调整方式，适用于不同类型的采集设备，提高的全景图采集对采集设备的兼容性。
在上述实施例的基础上，参数调节包括白平衡矫正。白平衡是描述图像中红、绿、蓝三基色混合生成后白色精确度的一项指标。通过对各局部图像进行白平衡矫正，对图像亮度进行调整，突出图像细节。
可选的，通过Gamma矫正方式对各局部图像进行自适应的白平衡矫正。Gamma矫正是对动态范围内亮度的非线性存储/还原算法，即对输入值进行的非线性操作，使输出值与输入值呈指数关系弈，以调整图像的整体亮度。对局部图像进行Gamma矫正，若设置的Gamma参数大于1，则图像的高光部分被压缩，暗色调部分被扩展，若设置的Gamma参数小于1，则图像的高光部分被扩展，暗色调部分被压缩。本实施例中，根据每一局部图像自适应的确定Gamma参数，即白平衡调整参数，对局部图像进行针对性的白平衡矫正，避免固定调整参数导致的调整精准差的问题，提高图像调整质量。
可选的，所述对各所述局部图像进行自适应的参数调节，包括：对于任一局部图像，基于所述局部图像的图像像素均值，确定所述局部图像的白平衡调整参数；基于所述白平衡调整参数对所述局部图像进行白平衡矫正。其中，调用白平衡调整参数的计算规则，将局部图像的图像像素均值输入至该白平衡调整参数的计算规则中，得到该局部图像自适应的白平衡调整参数。
在一些可选实施例中，白平衡调整参数可以是通过如下公式确定：
gamma_val＝math.log10(0.5)/math.log10(mean/255)，其中，gamma_val为局部图像的白平衡调整参数，即gamma参数，mean为局部图像的像素均值。
在一些实施例中，基于所述局部图像的图像像素均值，确定所述局部图像的白平衡调整参数，可以是针对局部图像的RGB三通道，对任一通道数据确定该通道的像素均值，基于上述白平衡调整参数的计算方式，确定该通道对应的白平衡调整参数，相应的，基于该通道的白平衡调整参数对该通道数据进行处理。通过对三通道数据分别确定白平衡调整参数，并分别对三通道数据进行自适应调整，提高白平衡矫正的准确性。
在上述实施例的基础上，所述参数调节还包括图像增强，具体的，可以是通过调整局部图像的图像亮度的形式进行图像增强，对局部图像中各像素点的亮度进行自适应调整，提高图像清晰度。
可选的，对各所述局部图像进行自适应的参数调节，包括：将所述各局部图像的色亮模式转换为色亮分离模式，并提取所述局部图像的图像亮度；基于所述图像亮度和调节幂函数对所述局部图像进行亮度增强。其中，采集设备采集的局部图像为RGB图像，将各局部图像转换为色亮分离模式，便于快速提取局部图像的亮度分量，其中，色亮分离模式可以是YUV模式、HSV模式以及LAB模式等，对此不做限定。
本实施例，对局部图像的亮度分量通过非线性函数进行调节，其中，非线性函数可以是幂函数。在一些实施例中，各局部图像的幂函数可以是相同，例如可以是对局部图像的亮度分量进行0.9次幂增强。在一些实施例中，不同局部图像的幂函数可以不同，根据局部图像的亮度分量确定亮度调整的幂函数。示例性的，预先设置幂函数中幂指数的范围以及幂指数的确定规则，例如幂指数的范围可以是[0.9,1.3]，幂指数的确定规则可以是幂指数的计算公式，将局部图像的亮度信息输入至上述计算公式中，可确定局部图像对应的幂指数，其中，局部图像的亮度信息可以是局部图像的亮度均值或中值等，对此不作限定。幂指数的确定规则可以还是幂指数与亮度信息的映射关系，其中亮度信息可以是局部图像的亮度均值或中值等，对于任一局部图像，对提取的亮度分量进行处理，得到亮度均值或中值等亮度参数，基于幂指数与亮度信息的映射关系，确定局部图像对应的幂指数。基于幂指数形成幂函数，对对应的局部图像进行亮度调整，具体的，通过幂函数对局部图像中各像素点的亮度分量进行调整，得到增强后的局部图像。
通过对各局部图像自适应的进行非线性的亮度调节，避免处理后的局部图像出现过曝光的情况，在提高图像细节的清晰度的基础上，避免了对图像亮区与暗区的影响。
在一些实施例中，对各所述局部图像进行自适应的参数调节，包括对各局部图像进行自适应的白平衡矫正，对矫正后的各局部图像进行图像增强。为了避免白平衡矫正过程导致局部图像中出现极端颜色，即大量像素值为0或255的像素点，对矫正后的局部图像的颜色分别进行调整，以避免白平衡矫正引入的图像色彩偏差。
可选的，在将所述各局部图像的色亮模式转换为色亮分离模式之前，所述方法还包括：获取所述局部图像中各通道的颜色分布，剔除所述颜色分布中两端预设范围内的颜色，并对各通道的颜色分布进行重置。具体的，可以是通过统计各颜色通道下，每一像素值对应像素点数量的方式确定颜色分布，例如可以是通过直方图的形式展示各通道的颜色分布。在每一颜色通道中，剔除颜色分布中两端预设范围内的颜色。在一些实施例中，两端预设范围可以是预设像素比例所对应的范围，对各像素点的颜色数据(0-255)进行排序，在排序的两端分别确定该预设像素比例对应的颜色数据，例如预设像素比例可以是5％，第一端预设像素比例对应的颜色数据可以是0-3，第二端预设像素比例对应的颜色数据可以是249-255。在另一些实施例中，两端预设范围可以是颜色数据为0所在的第一范围，和颜色数据为255所在的第二范围，第一范围可以是[O,N1]，N1可以是预先的第一像素值，例如可以是5或者10等；第二范围可以是[N2,255],N2可以是预先的第二像素值，例如可以是250或者245等。
基于两端预设范围以外的颜色分布对各通道的颜色分布进行重置，示例性的，可以是基于LUT(Look-Up Table，显示查找表)映射方式进行颜色分布的重置。具体的，调用LUT映射列表，该LUT映射列表中包括调整前颜色数据与调整后颜色数据的映射关系，基于局部图像中两端预设范围以外的颜色分布，依次确定各颜色数据对应的调整后的颜色数据，并对局部图像进行颜色调整，形成颜色重置后的局部图像。
在一些实施例中，可以是在对局部图像进行颜色分布重置之前，对各通道的颜色分布进行判定，是否存在颜色偏差，例如，可以是通过颜色分布中两端预设范围内分布比例确定。确定两端预设范围内像素点的数量占总体像素点数量的比例，若该比例满足预设条件(例如该比例大于比例阈值)，则对该局部图像中各通道的颜色分布进行重置，若否，可以是保持该局部图像。
在上述实施例的基础上，基于处理完成的各局部图像进行全景图的拼接，以得到全景图。本实施例中可以是通过金字塔融合方式进行全景图的拼接，其中，金字塔融合包括对进行融合的图像形成不同尺度的多层图像，多层图像的尺寸依次减小，形成图像塔，通过不同的尺度的多层图像进行融合，得到不同尺度信息融合的全景图，避免信息丢失的情况。
本实施例中，根据目标全景图的尺寸参数自适应地确定融合参数，该融合参数包括图像塔层数，替代了固定图像塔层数，避免了图像塔层数过多导致的计算量大、处理效率低的情况，以及图像塔层数多少导致的信息丢失的情况。可选的，目标全景图的尺寸参数可以是由用户预先输入的，或者通过预设控件选择的。可选的，目标全景图的尺寸参数还可以是根据第一个局部图像的尺寸参数确定。可选的，目标全景图的尺寸参数还可以是根据各局部图像的尺寸参数确定，例如目标全景图的尺寸参数为各局部图像的尺寸均值，或者各局部图像的尺寸中值等。可选的，目标全景图的尺寸参数可以是目标全景图的高度参数。可选的，目标全景图的尺寸参数可以是目标全景图在高度方向上的分辨率。
在一些实施例中，根据目标全景图的尺寸参数确定融合参数，包括：基于如下公式确定实时融合参数：N＝logh/log2；其中，所述N为图像塔层数，所述h为目标全景图的高度。
通过根据全景图的生成需求，确定局部图像的融合参数，满足在不同需求下、不同场景下对局部图像进行自适应的全景图拼接，提高了全景图的适用范围。
多个局部图像，分别两两进行拼接，即相邻的两局部图像之间存在重叠区域，该重叠区域为两局部图像的待融合区域。两局部图像的待融合区域可以是对两局部图像进行特征匹配得到的，或者，还可以是根据采集设备的预设参数确定，示例性的，各局部图像中便于的预设长度区域为待融合区域。其中，第一局部图像和最后一局部图像中包括一个待融合区域，其他局部图像中均包括两个待融合区域，分别位于局部图像中拼接方向上的两端区域。其中，拼接方向可以是采集设备在拍摄过程中的移动方向。
相应的，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔，包括：确定局部图像中的待融合区域，其中，所述待融合区域为所述待融合区域所属图像塔的第一层图像；对于所述图像塔中的任一层图像，对所述任一层图像进行图像模糊操作以及下采样操作，得到所述图像的上一层图像，直到所述图像塔中的图像层数满足所述融合参数中的图像塔层数。
对于局部图像中的每一个待融合区域，作为所属图像塔的第一层图像，即底层图像。对待融合区域进行图像模糊操作，例如可以是通过预设高斯核函数对待融合区域进行图像模糊操作。对图像模糊操作得到的图像进行下采样处理，例如可以是通过预设步长执行下采样处理，得到第二层图像。对第二层图像进行图像模糊操作以及下采样操作得到第三次图像，并以此类推，直到图像塔中图像层数满足预先确定的图像塔层数。
对各相邻的局部图像进行拼接，通过对相邻的局部图像所对应的图像塔进行融合实现。示例性的，对于进行拼接的相邻两局部图像，例如第一图像和第二图像，第一图像和第二图像相邻，第二图像为第一图像的下一图像。在拼接方向为水平方向的情况下，第一图像的右侧待融合区域，与第二图像的左侧待融合区域进行融合，以实现第一图像与第二图像的拼接。具体的，将第一图像的右侧待融合区域所对应的图像塔，与第二图像的左侧待融合区域多对应的图像塔进行融合。对各局部图像依次执行上述拼接方式，以得到拼接后的全景图。
可选的，基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图，包括：对于进行拼接的相邻两局部图像，将所述相邻两局部图像对应待融合区域的图像塔中，同层级图像进行加权融合，得到各层融合区域图像；将所述各层融合区域图像进行融合处理，得到所述相邻两局部图像的目标区域图像；基于各相邻两局部图像的非融合区域和对应的目标区域图像形成全景图。
预先设置相邻局部图像的权重，在一些实施例中，相邻局部图像的权重可以是1:1，还可以是根据需求设置，对此不作限定。示例性的，图像塔包括五层图像，分别对相邻局部图像对应的两图像塔中每一个层图像基于上述权重进行加权融合，得到每一层的融合区域图像，即五个融合区域图像，将各个融合区域图像进行二次融合，得到该相邻局部图像目标区域图像。基于各相邻两局部图像的非融合区域和对应的目标区域图像形成全景图。
在上述实施例的据此上，在得到拼接后的全景图之后，所述方法还包括：将所述全景图输入至预先训练的图像超分辨模型中，得到超分辨全景图。其中，超分辨全景图的分辨率大于输入的全景图，通过上述超分辨处理，提高全景图的分辨率。
本实施例中，图像超分辨模型可以是神经网络模型或者深度神经网络模型，可选的，图像超分辨模型至少包括如下三个网络模块：特征提取模块、特征非线性映射模块和图像重建模块，其中，特征提取模块用于图像块的提取和特征表示。其中，各网络模块中可以包括至少一个卷积层。在一些实施例中，该图像超分辨模型还可以包括收缩模块和扩张模块，其中，收缩模块设置在特征提取模块、特征非线性映射模块之间，用于对提取的特征进行降维，减少网络参数降低计算复杂度，扩张模块设置在特征非线性映射模块和图像重建模块之间，对映射的特征进行扩张，是降维操作的逆向操作。
在一些实施例中，图像超分辨模型可以是SRCNN(super resolutionConvolutional Neural Networks，超分辨卷积神经网络)模型。图像超分辨模型通过大量样本图像训练得到，其中，对样本图像进行下采样处理，得到低分辨率的输入图像，将低分辨率的输入图像输入至待训练的图像超分辨模型中，得到超分辨预测图像，基于超分辨预测图像和样本图像确定损失函数，通过损失函数对上述图像超分辨模型进行迭代训练，以调整图像超分辨模型中的网络参数，其中网络参数包括但不限于网络权重。迭代执行上述训练过程，直到满足训练条件，得到训练完成的图像超分辨模型，其中，训练条件可以是预设的训练次数或者预设的训练精度。
本实施例提供的技术方案，通过对采集的多个局部图像进行自适应的参数调节，无需获取采集过程中任何辅助参数，简化了局部图像的采集过程，同时提高了对采集设备的兼容性。进一步的，基于目标全景图的尺寸参数确定自适应的融合参数，对各局部图像进行自适应的融合处理，避免由于融合参数不匹配导致的信息丢失或者计算量浪费的情况。
在上述实施例中，本公开还提供了一种全景图生成方法的优选实例。参见图2，图2是本公开提供的优选实例的流程图。获取采集设备采集的原始RGB图像，即多个局部图像，对各原始RGB图像进行自动色彩白平衡矫正，通过gamma矫正方式实现。具体的，确定各原始RGB图像的像素均值，通过gamma_val＝math.log10(0.5)/math.log10(mean/255)的方式确定每一原始RGB图像的白平衡调节参数，即gamma参数，其中mean为原始RGB图像的像素均值，基于确定的白平衡调节参数分别对各原始RGB图像进行gamma矫正。
对自动色彩白平衡矫正后的各RGB图像，进行自适应图像增强。对于每一个自动色彩白平衡矫正后的各RGB图像，剔除预设比例的极端颜色，即分别剔除RGB通道中两端预设范围内的颜色，并将剩余颜色区间的色彩重新分布，即基于剩余颜色区间进行颜色重置，以剔除白平衡可能引入的图像色彩的偏差。将颜色重置后的RGB图像转换为色亮分离模式图像，例如HSV图像，对HSV图像中的亮度分量进行非线性调节，具体的，通过幂函数对亮度分量进行调节，其中幂函数为v_val0.9，调节后的亮度分量为原亮度分量的0.9次幂，其中，v_val为原亮度分量，实现提升图像的亮度细节，而不影响图像的暗区与亮区。
对图像增强后的各图像进行金字塔融合，对于相邻图像之间的待融合区域，即图像之间的重叠区域构建拉普拉斯金字塔结构，即图详图。其中，两个图像的待融合区域可以是L＝{Li||i＝0，1，2，...，n}以及R＝{Ri||i＝0，1，2，...，n}。确定图像塔层数，金字塔层数N设置为logh/log2，其中，h为目标全景图的高度。
构建图像塔的过程：对第i层高斯金字塔图像记为Gi(例如第一图像)，其上层金字塔图像记为Gi+1(例如第二图像)，Gi+1可由Gi经过高斯模糊操作并删除模糊后图像的偶数行和列(即下采样操作)来获得，其中，采样5x5的高斯核函数进行图像模糊操作。对Gi+1上采样并采样同样尺度的高斯核函数进行图像模糊得到Gi’(例如第三图像)，进而计算第i层金字塔图像Li＝Gi-Gi’(例如第i层的目标图像)，对金字塔图像进行更新。对待融合区域逐层进行加权融合获得目标融合图像LR＝{LRi||i＝0，1，2，...，n}，基于各相邻两局部图像的非融合区域和对应的目标区域图像形成全景图
Figure BDA0003321874950000141
对全景图进行全景超分辨处理，即采样AI图像超分算法(例如SRCNN模型)对得到的全景图进行处理，得到超分辨率的全景图。
图3是本公开实施例所提供的一种全景图生成装置结构示意图。如图3所示，所述装置包括：
参数调整模块210，用于获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节；
图像塔构建模块220，用于根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
全景图拼接模块230，用于基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。
在上述实施例的基础上，所述融合参数包括图像塔层数。
可选的，图像塔构建模块220包括融合参数确定单元，
融合参数确定单元用于：基于如下公式确定实时融合参数：N＝logh/log2；其中，所述N为图像塔层数，所述h为目标全景图的高度。
可选的，图像塔构建模块220还包括图像塔构建单元，
图像塔构建单元用于：确定局部图像中的待融合区域，其中，所述待融合区域为所述待融合区域所属图像塔的第一层图像；
对于所述图像塔中的任一层图像，对所述任一层图像进行图像模糊操作以及下采样操作，得到所述图像的上一层图像，直到所述图像塔中的图像层数满足所述融合参数中的图像塔层数。
在上述实施例的基础上，全景图拼接模块230用于：对于进行拼接的相邻两局部图像，将所述相邻两局部图像对应待融合区域的图像塔中，同层级图像进行加权融合，得到各层融合区域图像；
将所述各层融合区域图像进行融合处理，得到所述相邻两局部图像的目标区域图像；
基于各相邻两局部图像的非融合区域和对应的目标区域图像形成全景图。
在上述实施例的基础上，所述参数调节包括白平衡矫正；
可选的，参数调整模块210包括：
白平衡调整参数确定单元，用于对于任一局部图像，基于所述局部图像的图像像素均值，确定所述局部图像的白平衡调整参数；
白平衡矫正单元，用于基于所述白平衡调整参数对所述局部图像进行白平衡矫正。
可选的，所述参数调节包括图像增强；
参数调整模块210还包括：
图像模式转换单元，用于将所述各局部图像的色亮模式转换为色亮分离模式，并提取所述局部图像的图像亮度；
图像增强单元，用于基于所述图像亮度和调节幂函数对所述局部图像进行亮度增强。
可选的，参数调整模块210还包括：
颜色数据调整单元，用于在将所述各局部图像的色亮模式转换为色亮分离模式之前，获取所述局部图像中各通道的颜色分布，剔除所述颜色分布中两端预设范围内的颜色，并对各通道的颜色分布进行重置。
在上述实施例的基础上，该装置还包括：
超分辨处理模块，用于在得到拼接后的全景图之后，将所述全景图输入至预先训练的图像超分辨模型中，得到超分辨全景图。
本公开实施例所提供的装置可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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，其包括承载在非暂态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装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的全景图生成方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的全景图生成方法。
需要说明的是，本公开上述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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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电子设备执行时，使得该电子设备：
获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节；
根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用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)—连接到用户计算机，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，图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中，单元/模块的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例一】提供了一种全景图生成方法，该方法包括：
获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节；
根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。
根据本公开的一个或多个实施例，【示例二】提供了一种全景图生成方法，还包括：
所述融合参数包括图像塔层数；所述根据目标全景图的尺寸参数确定融合参数，包括：
基于如下公式确定实时融合参数：N＝logh/log2；其中，所述N为图像塔层数，所述h为目标全景图的高度。
根据本公开的一个或多个实施例，【示例三】提供了一种全景图生成方法，还包括：
所述基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔，包括：
确定局部图像中的待融合区域，其中，所述待融合区域为所述待融合区域所属图像塔的第一层图像；
对于所述图像塔中的任一层图像，对所述任一层图像进行图像模糊操作以及下采样操作，得到所述图像的上一层图像，直到所述图像塔中的图像层数满足所述融合参数中的图像塔层数。
根据本公开的一个或多个实施例，【示例四】提供了一种全景图生成方法，还包括：
所述基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图，包括：
对于进行拼接的相邻两局部图像，将所述相邻两局部图像对应待融合区域的图像塔中，同层级图像进行加权融合，得到各层融合区域图像；
将所述各层融合区域图像进行融合处理，得到所述相邻两局部图像的目标区域图像；
基于各相邻两局部图像的非融合区域和对应的目标区域图像形成全景图。
根据本公开的一个或多个实施例，【示例五】提供了一种全景图生成方法，还包括：
所述参数调节包括白平衡矫正；所述对各所述局部图像进行自适应的参数调节，包括：
对于任一局部图像，基于所述局部图像的图像像素均值，确定所述局部图像的白平衡调整参数；
基于所述白平衡调整参数对所述局部图像进行白平衡矫正。
根据本公开的一个或多个实施例，【示例六】提供了一种全景图生成方法，还包括：
所述参数调节包括图像增强；
所述对各所述局部图像进行自适应的参数调节，包括：
将所述各局部图像的色亮模式转换为色亮分离模式，并提取所述局部图像的图像亮度；
基于所述图像亮度和调节幂函数对所述局部图像进行亮度增强。
根据本公开的一个或多个实施例，【示例七】提供了一种全景图生成方法，还包括：
在将所述各局部图像的色亮模式转换为色亮分离模式之前，所述方法还包括：
获取所述局部图像中各通道的颜色分布，剔除所述颜色分布中两端预设范围内的颜色，并对各通道的颜色分布进行重置。
根据本公开的一个或多个实施例，【示例八】提供了一种全景图生成方法，还包括：
在得到拼接后的全景图之后，所述方法还包括：
将所述全景图输入至预先训练的图像超分辨模型中，得到超分辨全景图。
根据本公开的一个或多个实施例，【示例九】提供了一种全景图生成装置，该装置包括：
参数调整模块，用于获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节；
图像塔构建模块，用于根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
全景图拼接模块，用于基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种全景图生成方法，其特征在于，包括：
获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节；
根据目标全景图的尺寸参数确定融合参数，所述融合参数包括图像塔层数，所述图像塔层数基于所述尺寸参数中的高度确定；
基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图；
其中，所述基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔包括：确定局部图像中的待融合区域，其中，所述待融合区域为所述待融合区域所属图像塔的第一层图像；对于所述图像塔中的任一层图像，对所述任一层图像进行图像模糊操作以及下采样操作，得到所述图像的上一层图像，直到所述图像塔中的图像层数满足所述融合参数中的图像塔层数。
2.根据权利要求1所述的方法，其他在于，所述根据目标全景图的尺寸参数确定融合参数，包括：
基于如下公式确定实时融合参数：N=logh/log2；其中，所述N为图像塔层数，所述h为目标全景图的高度。
3.根据权利要求1所述的方法，其特征在于，所述基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图，包括：
对于进行拼接的相邻两局部图像，将所述相邻两局部图像对应待融合区域的图像塔中，同层级图像进行加权融合，得到各层融合区域图像；
将所述各层融合区域图像进行融合处理，得到所述相邻两局部图像的目标区域图像；
基于各相邻两局部图像的非融合区域和对应的目标区域图像形成全景图。
4.根据权利要求1所述的方法，其特征在于，所述参数调节包括白平衡矫正；所述对各所述局部图像进行自适应的参数调节，包括：
对于任一局部图像，基于所述局部图像的图像像素均值，确定所述局部图像的白平衡调整参数；
基于所述白平衡调整参数对所述局部图像进行白平衡矫正。
5.根据权利要求1或4所述的方法，其特征在于，所述参数调节包括图像增强；
所述对各所述局部图像进行自适应的参数调节，包括：
将所述各局部图像的色亮模式转换为色亮分离模式，并提取所述局部图像的图像亮度；
基于所述图像亮度和调节幂函数对所述局部图像进行亮度增强。
6.根据权利要求5所述的方法，其特征在于，在将所述各局部图像的色亮模式转换为色亮分离模式之前，所述方法还包括：
获取所述局部图像中各通道的颜色分布，剔除所述颜色分布中两端预设范围内的颜色，并对各通道的颜色分布进行重置。
7.根据权利要求1所述的方法，其特征在于，在得到拼接后的全景图之后，所述方法还包括：
将所述全景图输入至预先训练的图像超分辨模型中，得到超分辨全景图。
8.一种全景图生成装置，其特征在于，包括：
参数调整模块，用于获取待拼接的多个局部图像，对各所述局部图像进行自适应的参数调节，融合参数包括图像塔层数，所述图像塔层数基于尺寸参数中的高度确定；
图像塔构建模块，用于根据目标全景图的尺寸参数确定融合参数，基于所述融合参数分别对各处理后的局部图像的待融合区域构建图像塔；
全景图拼接模块，用于基于进行拼接的相邻两局部图像的待融合区域的图像塔，分别对各相邻两局部图像进行图像融合，得到拼接后的全景图；
其中，所述图像塔构建模块用于确定局部图像中的待融合区域，其中，所述待融合区域为所述待融合区域所属图像塔的第一层图像；对于所述图像塔中的任一层图像，对所述任一层图像进行图像模糊操作以及下采样操作，得到所述图像的上一层图像，直到所述图像塔中的图像层数满足所述融合参数中的图像塔层数。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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1-7中任一所述的全景图生成方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的全景图生成方法。
CN202111248397.2A 2021-10-26 2021-10-26 一种全景图生成方法、装置、设备及介质 Active CN113962859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111248397.2A CN113962859B (zh) 2021-10-26 2021-10-26 一种全景图生成方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111248397.2A CN113962859B (zh) 2021-10-26 2021-10-26 一种全景图生成方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113962859A CN113962859A (zh) 2022-01-21
CN113962859B true CN113962859B (zh) 2023-05-09

Family

ID=79467195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111248397.2A Active CN113962859B (zh) 2021-10-26 2021-10-26 一种全景图生成方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113962859B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055659B (zh) * 2023-01-10 2024-02-20 如你所视(北京)科技有限公司 原始图像的处理方法、装置、电子设备和存储介质
CN116993591B (zh) * 2023-09-26 2024-01-02 中汽智联技术有限公司 用于全景汽车的图像拼接融合方法、电子设备及介质
CN117676097B (zh) * 2024-01-29 2024-04-30 厦门瑞为信息技术有限公司 基于虚拟isp的三目摄像头拼接显示装置及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106657816A (zh) * 2016-11-07 2017-05-10 湖南源信光电科技有限公司 一种基于orb算法的图像配准和图像融合并行的多路视频快速拼接算法
CN110225315A (zh) * 2019-07-12 2019-09-10 北京派克盛宏电子科技有限公司 电力系统视屏监控画面融合方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10136055B2 (en) * 2016-07-29 2018-11-20 Multimedia Image Solution Limited Method for stitching together images taken through fisheye lens in order to produce 360-degree spherical panorama
CN106791623A (zh) * 2016-12-09 2017-05-31 深圳市云宙多媒体技术有限公司 一种全景视频拼接方法及装置
CN112866549B (zh) * 2019-11-12 2022-04-12 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机可读存储介质
CN111461989B (zh) * 2020-04-02 2020-12-22 深圳普捷利科技有限公司 车载图像像素调整方法、装置、设备及可读存储介质
CN111860632B (zh) * 2020-07-13 2022-07-22 上海航天测控通信研究所 多路图像一致性融合方法
CN112017222B (zh) * 2020-09-08 2024-08-02 北京正安维视科技股份有限公司 视频全景拼接与三维融合方法及装置
CN112184738B (zh) * 2020-10-30 2022-09-13 北京有竹居网络技术有限公司 一种图像分割方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106657816A (zh) * 2016-11-07 2017-05-10 湖南源信光电科技有限公司 一种基于orb算法的图像配准和图像融合并行的多路视频快速拼接算法
CN110225315A (zh) * 2019-07-12 2019-09-10 北京派克盛宏电子科技有限公司 电力系统视屏监控画面融合方法

Also Published As

Publication number Publication date
CN113962859A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN113962859B (zh) 一种全景图生成方法、装置、设备及介质
CN111476309B (zh) 图像处理方法、模型训练方法、装置、设备及可读介质
CN111353948B (zh) 一种图像降噪方法、装置及设备
CN112419151B (zh) 图像退化处理方法、装置、存储介质及电子设备
CN111402112B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110189246B (zh) 图像风格化生成方法、装置及电子设备
CN111311532B (zh) 图像处理方法及装置、电子设备、存储介质
KR20140045370A (ko) 이미지의 자동 노출 보정 기법
CN110070495B (zh) 图像的处理方法、装置和电子设备
CN112801907B (zh) 深度图像的处理方法、装置、设备和存储介质
CN114650361B (zh) 拍摄模式确定方法、装置、电子设备和存储介质
CN115471435A (zh) 图像融合方法及装置、计算机可读介质和电子设备
CN111738950B (zh) 图像处理方法及装置
CN110097520B (zh) 图像处理方法和装置
CN110399802B (zh) 处理面部图像眼睛亮度的方法、装置、介质和电子设备
CN112235563B (zh) 一种对焦测试方法、装置、计算机设备及存储介质
CN116188314A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN116071280A (zh) 视频补全方法、装置、介质和电子设备
CN113256785B (zh) 图像处理方法、装置、设备及介质
CN114757843A (zh) 图像处理方法、装置、电子设备及存储介质
CN115526796A (zh) 图像处理方法、装置、设备及存储介质
CN112308809B (zh) 一种图像合成方法、装置、计算机设备及存储介质
CN112396671B (zh) 水波纹效果实现方法、装置、电子设备和计算机可读存储介质
CN116205841A (zh) 一种图像光照估计方法、装置、电子设备及存储介质
WO2023169477A1 (zh) 曝光拍摄方法、装置、设备、存储介质和程序产品

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