CN114429431A - 一种水下到空气中图像转化的辨识方法及系统 - Google Patents

一种水下到空气中图像转化的辨识方法及系统 Download PDF

Info

Publication number
CN114429431A
CN114429431A CN202210336409.5A CN202210336409A CN114429431A CN 114429431 A CN114429431 A CN 114429431A CN 202210336409 A CN202210336409 A CN 202210336409A CN 114429431 A CN114429431 A CN 114429431A
Authority
CN
China
Prior art keywords
underwater
calibration plate
image
air
estimated
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
Application number
CN202210336409.5A
Other languages
English (en)
Other versions
CN114429431B (zh
Inventor
张华�
林海涛
陈永灿
王皓冉
李永龙
洪开波
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.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and 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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202210336409.5A priority Critical patent/CN114429431B/zh
Publication of CN114429431A publication Critical patent/CN114429431A/zh
Application granted granted Critical
Publication of CN114429431B publication Critical patent/CN114429431B/zh
Expired - Fee Related 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种水下到空气中图像转化的辨识方法及系统，属于图像转换技术领域，包括如下步骤：通过相机分别在空气中与水下拍摄标定板图像，得到若干组空气中标定板图像和对应的水下标定板图像；根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的辨识模型；利用最小二乘法和极值定理计算得到待估参数矩阵θ的估计参数矩阵
Figure 438470DEST_PATH_IMAGE001
；将估计参数矩阵
Figure 182435DEST_PATH_IMAGE001
作为待估参数矩阵θ，利用辨识模型，完成任意水下到空气中的图像转化；本发明解决了无需建立物理模型，直接通过辨识模型实现水中标定板角点到空气中标定板角点转换的问题。

Description

一种水下到空气中图像转化的辨识方法及系统
技术领域
本发明属于水下测量技术领域，尤其涉及一种水下到空气中图像转化的辨识方法及系统。
背景技术
水下测量技术领域中需要使用相机拍摄水下目标物体，通常需要将相机置于防水装置中，光线穿过不同的介质会导致拍摄的图像畸变，在水环境中与空气环境中最直观的差别为图像视场大小的改变；由于水环境导致相机在水下拍摄图像的成像视场减小，为了用相机实现对水下目标物体真实尺寸进行测量，需要将水下拍摄的图像转换成同等条环境下空气中的图像，然后再对转化的图像做进一步的测量处理，实现水下目标物体在空气中对应的尺寸的还原，现有水中图像到空气中图像的转换表达式并不具备解析解，也需要对物理模型中的部分参数进行参数辨识才能得到转换关系的数值解。
发明内容
针对现有技术中的上述不足，本发明提供的一种水下到空气中图像转化的辨识方法及系统解决了无需建立物理模型，直接通过辨识模型实现水中标定板角点到空气中标定板角点转换的问题。
为了达到上述发明目的，本发明采用的技术方案为：
本发明提供一种水下到空气中图像转化的辨识方法，包括如下步骤：
S1、通过相机分别在空气中与水下拍摄标定板图像，得到若干组空气中标定板图像和对应的水下标定板图像；
S2、根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的辨识模型；
S3、利用最小二乘法和极值定理计算得到待估参数矩阵θ的估计参数矩阵
Figure DEST_PATH_IMAGE001
；
S4、令待估参数矩阵θ等于估计参数矩阵
Figure 767271DEST_PATH_IMAGE001
，并利用辨识模型对水下到空气中图像 转化进行辨识，完成任意水下到空气中的图像转化。
本发明的有益效果为：本发明提供一种水下到空气中图像转化的辨识方法，避免了物理建模时由于光束在远离光轴的部分相比靠近光轴的部分折射畸变更严重的问题，通过系统辨识的方法建立转化模型，并通过提取标定板上所有角点作为转化模型的输入输出，尽可能的拟合出更接近于真实图像关系的模型。
进一步地，所述步骤S2包括如下步骤：
S21、根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的第一差分转换模型；
S22、定义输入序列h(k)和待估参数矩阵θ，并基于第一差分转换模型，得到水中标定板图像角点到空气中标定板图像角点的第二差分转换模型；
S23、将第二差分转换模型矩阵化处理，得到水中标定板图像角点到空气中标定板图像角点的辨识模型。
采用上述进一步方案的有益效果为：提供水中标定板图像角点到空气中标定板图像角点的辨识模型，通过输入水中标定板图像角点和空气中标定板图像角点，利用辨识模型实现水下图像到空气中图像的转换。
进一步地，所述步骤S21中第一差分转换模型的表达式如下：
Figure 605914DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
其中，
Figure 434193DEST_PATH_IMAGE004
表示第一差分转换模型的第
Figure 965668DEST_PATH_IMAGE006
次输出观测值，
Figure DEST_PATH_IMAGE007
和
Figure 777766DEST_PATH_IMAGE008
分别表示空气 中标定板图像中第k个角点的横坐标和纵坐标，
Figure DEST_PATH_IMAGE009
表示第一差分转换模型的第k次输入 值，
Figure 420100DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
分别表示水中标定板图像中第k个角点的横坐标和纵坐标，
Figure 634044DEST_PATH_IMAGE012
表示第i个第一 待估参数，
Figure DEST_PATH_IMAGE013
表示第i个第二待估参数，
Figure 70841DEST_PATH_IMAGE014
表示第一差分转换模型的第
Figure DEST_PATH_IMAGE015
次输出 真值，
Figure 367306DEST_PATH_IMAGE016
表示第一差分转换模型的第
Figure DEST_PATH_IMAGE017
次输入值，
Figure 16593DEST_PATH_IMAGE018
表示第一差分转换模型的 第k次标定板图像角点转换中均值为0的随机噪声，其中，j=1,2,3…n，n表示标定板图像转 换总次数。
采用上述进一步方案的有益效果为：提供第一差分转换模型的表达式，通过输入空气中标定板图像角点的坐标和水中标定板图像角点的坐标，通过各角点的带骨参数与考虑到的随机噪声，实现水中图像到空气中图像的转化。
进一步地，所述步骤S22中第二差分转换模型表达式如下：
Figure DEST_PATH_IMAGE019
Figure 350623DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
其中，
Figure 692742DEST_PATH_IMAGE022
表示第二差分转换模型的第
Figure 10591DEST_PATH_IMAGE006
次输出观测值，
Figure DEST_PATH_IMAGE023
表示第二差分转换模 型的第k次标定板图像角点转换中均值为0的随机噪声，
Figure 463569DEST_PATH_IMAGE024
表示第二差分转换模型 的第
Figure DEST_PATH_IMAGE025
次输出真值，
Figure 917684DEST_PATH_IMAGE026
表示第二差分转换模型的第
Figure 961864DEST_PATH_IMAGE025
次输入真值，a n 表 示第n个第一待估参数，b n 表示第n个第二待估参数。
采用上述进一步方案的有益效果为：提供第二差分转换模型的表达式，定义输入序列，将水中标定板图像角点与空气中标定板图像角点分别作为第二差分转换模型的输入真值和输出真值，并对输入真值和输出真值对应设置待估参数，将转换模型的输入输出序列化。
进一步地，所述步骤S23中辨识模型表达式如下：
Figure DEST_PATH_IMAGE027
Figure 235850DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029
Figure 492519DEST_PATH_IMAGE030
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，V m 表示随机噪声向量矩阵，z (m)表示m维输出观测值，y(m-n)表示第
Figure 66720DEST_PATH_IMAGE031
次输出真值，x(m-n)表示第
Figure DEST_PATH_IMAGE032
次输入值，v(m) 表示m维的随机噪声向量，其中，m等于标定板图像角点的个数，n表示标定板图像转换总次 数。
采用上述进一步方案的有益效果为：提供辨识模型的表达式，每次摄像机拍摄标定板时，标定板图像能提取到的角点数量是多个，设置转换模型以矩阵形式计算标定板图像的角点更便捷，高效。
进一步地，所述步骤S3包括如下步骤：
S31、利用最小二乘法，计算得到观测值误差最小参数矩阵
Figure 750642DEST_PATH_IMAGE033
；
S32、利用极值定理，根据观测值误差最小参数矩阵
Figure 777504DEST_PATH_IMAGE033
计算得到估计参数矩阵
Figure DEST_PATH_IMAGE034
。
采用上述进一步方案的有益效果为：通过最小二乘法来找寻估计参数矩阵
Figure 837864DEST_PATH_IMAGE035
，利用 估计参数矩阵通过转换模型，即可实现水下图像到空气中图像的转换。
进一步地，所述步骤S31中观测值误差最小参数矩阵
Figure 992203DEST_PATH_IMAGE033
的表达式如下：
Figure DEST_PATH_IMAGE036
Figure 847026DEST_PATH_IMAGE037
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 361184DEST_PATH_IMAGE034
表示待估参数矩阵θ的估计 参数矩阵，
Figure DEST_PATH_IMAGE038
表示输出观测值矩阵的估计值矩阵。
采用上述进一步方案的有益效果为：提供观测值误差最小参数矩阵的表达式，使输出观测值矩阵与输出观测值矩阵的估计值矩阵之差的平方和最小。
进一步地，所述步骤S32中估计参数矩阵
Figure 959656DEST_PATH_IMAGE034
的表达式如下：
Figure 242870DEST_PATH_IMAGE039
Figure DEST_PATH_IMAGE040
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 534174DEST_PATH_IMAGE034
表示待估参数矩阵θ的估计 参数矩阵，
Figure 535628DEST_PATH_IMAGE041
表示输入序列矩阵H m 的转置矩阵。
采用上述进一步方案的有益效果为：提供估计参数矩阵的表达式，通过最小二乘法和极值定理求解得到待估参数矩阵的估计参数矩阵，将估计参数矩阵带入转换模型的待估参数矩阵，即可实现任意水中标定板角点到空气中标定板角点的转换。
本发明还提供一种水下到空气中图像转化的辨识方法的系统，包括：
标定板图像获取模块，用于通过相机分别在空气中与水下拍摄标定板图像，得到若干组空气中标定板图像和对应的水下标定板图像；
辨识模型获取模块，用于根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的辨识模型；
估计参数矩阵获取模块，用于利用最小二乘法和极值定理计算得到待估参数矩阵θ的估计参数矩阵
Figure 203370DEST_PATH_IMAGE035
；
水下到空气中图像转化模块，用于令待估参数矩阵θ等于估计参数矩阵
Figure 341090DEST_PATH_IMAGE035
，利用辨 识模型，完成任意水下到空气中的图像转化。
本发明的有益效果为：本发明提供的一种水下到空气中图像转化的辨识方法的系统为本发明提供的一种水下到空气中图像转化的辨识方法对应设置的系统，用于实现水下到空气中图像转化的辨识方法，本方案通过系统辨识的方法建模，并提取标定板上所有角点作为系统的输入和输出，从系统角度上尽可能的拟合出更接近于真实系统的关系的模型，在保证算法稳定性的同时能够有效提升算法精度。
附图说明
图1为本发明实施例中一种水下到空气中图像转化的辨识方法的步骤流程图。
图2为本发明实施例中水下相机结构示意图。
图3为本发明实施例中本发明实施例中相机拍摄水中标定板图像示意图。
图4为本发明实施例中空气中标定板角点图像与水下标定板角点图像示意图。
图5为本发明实施例中水中标定板角点到空气中标定板角点转换示意图。
图6为本发明实施例中水下到空气中图像转化的辨识方法的系统的结构框图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，本发明提供一种水下到空气中图像转化的辨识方法，包括如下步骤：
S1、通过相机分别在空气中与水下拍摄标定板图像，得到若干组空气中标定板图像和对应的水下标定板图像；
如图2所示，通过水下防水相机装置获取水下水下标定板图像；
所述水下防水相机装置包括Inter RealSense300相机、设于Inter RealSense300相机上方且与铝合金防水外壳连接的透明玻璃板、设于铝合金防水外壳内与InInterRealSense300相机连接的UP board板载PC、设于铝合金防水外壳上方开口的O型密封圈、设于铝合金防水外壳一侧的航空插；
如图3所示，水下防水相机装置拍摄于空气中拍摄水下标定板时，光线由水中折射进入有机玻璃，继而折射进入空气，再被相机接收，由于光线折射导致，标定板在水中实际的位置与相机测量置存在误差，在水环境中成像光速经水有机玻璃与水环境产生折射，远离光轴角点其畸变现象越明显，因此在水环境中拍摄的标定板起角点分布在图像上的表现应该是中间密集边缘稀疏，如图4所示；
S2、根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的辨识模型；
所述步骤S2包括如下步骤：
S21、根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的第一差分转换模型；
所述步骤S21中第一差分转换模型的表达式如下：
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE043
其中，
Figure 272137DEST_PATH_IMAGE044
表示第一差分转换模型的第
Figure 760887DEST_PATH_IMAGE006
次输出观测值，
Figure 966740DEST_PATH_IMAGE007
和
Figure 224546DEST_PATH_IMAGE008
分别表示空气 中标定板图像中第k个角点的横坐标和纵坐标，
Figure 388811DEST_PATH_IMAGE009
表示第一差分转换模型的第k次输入 值，
Figure 99279DEST_PATH_IMAGE010
和
Figure 108823DEST_PATH_IMAGE011
分别表示水中标定板图像中第k个角点的横坐标和纵坐标，
Figure 486715DEST_PATH_IMAGE012
表示第i个第一 待估参数，
Figure 556302DEST_PATH_IMAGE013
表示第i个第二待估参数，
Figure 751135DEST_PATH_IMAGE014
表示第一差分转换模型的第
Figure DEST_PATH_IMAGE045
次输出真 值，
Figure 298791DEST_PATH_IMAGE046
表示第一差分转换模型的第
Figure DEST_PATH_IMAGE047
次输入值，
Figure 31DEST_PATH_IMAGE018
表示第一差分转换模型的第k次标定板图像角点转换中均值为0的随机噪声，其中，j=1,2,3…n，n表示标定板图像转换 总次数；
S22、定义输入序列h(k)和待估参数矩阵θ，并基于第一差分转换模型，得到水中标定板图像角点到空气中标定板图像角点的第二差分转换模型；
所述步骤S22中第二差分转换模型表达式如下：
Figure 240519DEST_PATH_IMAGE019
Figure 191158DEST_PATH_IMAGE020
Figure 808084DEST_PATH_IMAGE021
其中，
Figure 629409DEST_PATH_IMAGE048
表示第二差分转换模型的第
Figure 306378DEST_PATH_IMAGE006
次输出观测值，
Figure DEST_PATH_IMAGE049
表示第二差分转 换模型的第k次标定板图像角点转换中均值为0的随机噪声，
Figure 947575DEST_PATH_IMAGE024
表示第二差分转换 模型的第
Figure 102613DEST_PATH_IMAGE025
次输出真值，
Figure 309604DEST_PATH_IMAGE026
表示第二差分转换模型的第
Figure 626315DEST_PATH_IMAGE025
次输入真值，a n 表示第n个第一待估参数，b n 表示第n个第二待估参数；
S23、将第二差分转换模型矩阵化处理，得到水中标定板图像角点到空气中标定板图像角点的辨识模型；
所述步骤S23中辨识模型表达式如下：
Figure 285967DEST_PATH_IMAGE027
Figure 979116DEST_PATH_IMAGE028
Figure 40613DEST_PATH_IMAGE050
Figure 793806DEST_PATH_IMAGE030
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，V(m)表示随机噪声向量矩阵，z(m)表示m维输出观测值，y(m-n)表示第
Figure DEST_PATH_IMAGE051
次输出真值，x(m-n)表示第
Figure 409595DEST_PATH_IMAGE032
次输入值，v(m) 表示m维的随机噪声向量，其中，m等于标定板图像角点的个数，n表示标定板图像转换总次 数；
S3、利用最小二乘法和极值定理计算得到待估参数矩阵θ的估计参数矩阵
Figure 906435DEST_PATH_IMAGE034
；
所述步骤S3包括如下步骤：
S31、利用最小二乘法，计算得到观测值误差最小参数矩阵
Figure 822439DEST_PATH_IMAGE052
；
所述步骤S31中观测值误差最小参数矩阵
Figure 749462DEST_PATH_IMAGE052
的表达式如下：
Figure 383706DEST_PATH_IMAGE036
Figure 418658DEST_PATH_IMAGE037
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 189168DEST_PATH_IMAGE034
表示待估参数矩阵θ的估计 参数矩阵，
Figure DEST_PATH_IMAGE053
表示输出观测值矩阵的估计值矩阵；
S32、利用极值定理，根据观测值误差最小参数矩阵
Figure 18583DEST_PATH_IMAGE033
计算得到估计参数矩阵
Figure 140123DEST_PATH_IMAGE034
；
所述步骤S32中估计参数矩阵
Figure 713187DEST_PATH_IMAGE034
的表达式如下：
Figure 603783DEST_PATH_IMAGE039
Figure 869679DEST_PATH_IMAGE040
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 212936DEST_PATH_IMAGE034
表示待估参数矩阵θ的估计 参数矩阵，
Figure 120849DEST_PATH_IMAGE054
表示输入序列矩阵H m 的转置矩阵；
S4、令待估参数矩阵θ等于估计参数矩阵
Figure 600372DEST_PATH_IMAGE034
，利用辨识模型，完成任意水下到空气中 的图像转化；
如图5所示，通过水下到空气中的图像转化，转化得到的标定板图像中的角点分布均匀，实现水下图像到空气中图像的还原。
如图6所示，在本发明的另一个实施例中，本发明提供一种水下到空气中图像转化的辨识方法的系统，包括：
标定板图像获取模块，用于通过相机分别在空气中与水下拍摄标定板图像，得到若干组空气中标定板图像和对应的水下标定板图像；
辨识模型获取模块，用于根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的辨识模型；
估计参数矩阵获取模块，用于利用最小二乘法和极值定理计算得到待估参数矩阵θ的估计参数矩阵
Figure 302748DEST_PATH_IMAGE035
；
水下到空气中图像转化模块，用于将估计参数矩阵
Figure DEST_PATH_IMAGE055
作为待估参数矩阵θ，利用辨 识模型，完成任意水下到空气中的图像转化；
实施例提供的水下到空气中图像转化的辨识方法的系统可以执行上述方法实施例水下到空气中图像转化的辨识方法所示的技术方案，其实现原理与有益效果类似，此处不再赘述。
本发明实施例中，本申请可以根据水下到空气中图像转化的辨识方法进行功能单元的划分，例如可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现，也可以采用软件功能单元的形式来实现。需要说明的是，本发明中对单元的划分是示意性的，仅仅为一种逻辑划分，实际实现时可以有另外的划分方式。
本发明实施例中，水下到空气中图像转化的辨识方法的系统为了实现水下到空气中图像转化的辨识方法的原理与有益效果，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本发明所公开的实施例描述的各示意单元及算法步骤，本发明能够以硬件和/或硬件和计算机软件结合的形式来实现，某个功能以硬件还是计算机软件驱动的方式来执行，取决于技术方案的特定应用和设计约束条件，可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

Claims (9)

1.一种水下到空气中图像转化的辨识方法，其特征在于，包括如下步骤：
S1、通过相机分别在空气中与水下拍摄标定板图像，得到若干组空气中标定板图像和对应的水下标定板图像；
S2、根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的辨识模型；
S3、利用最小二乘法和极值定理计算得到待估参数矩阵θ的估计参数矩阵
Figure 749582DEST_PATH_IMAGE001
；
S4、令待估参数矩阵θ等于估计参数矩阵
Figure 553589DEST_PATH_IMAGE001
，并利用辨识模型对水下到空气中图像转化进行辨识，完成任意水下到空气中的图像转化。
2.根据权利要求1所述的水下到空气中图像转化的辨识方法，其特征在于，所述步骤S2包括如下步骤：
S21、根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的第一差分转换模型；
S22、定义输入序列h(k)和待估参数矩阵θ，并基于第一差分转换模型，得到水中标定板图像角点到空气中标定板图像角点的第二差分转换模型；
S23、将第二差分转换模型矩阵化处理，得到水中标定板图像角点到空气中标定板图像角点的辨识模型。
3.根据权利要求2所述的水下到空气中图像转化的辨识方法，其特征在于，所述步骤S21中第一差分转换模型的表达式如下：
Figure 423456DEST_PATH_IMAGE002
Figure 299009DEST_PATH_IMAGE003
其中，
Figure 937931DEST_PATH_IMAGE004
表示第一差分转换模型的第
Figure 975158DEST_PATH_IMAGE005
次输出观测值，
Figure 597900DEST_PATH_IMAGE006
和
Figure 683668DEST_PATH_IMAGE007
分别表示空气中标定板图像中第k个角点的横坐标和纵坐标，
Figure 567310DEST_PATH_IMAGE008
表示第一差分转换模型的第k次输入值，
Figure 650804DEST_PATH_IMAGE009
和
Figure 619897DEST_PATH_IMAGE010
分别表示水中标定板图像中第k个角点的横坐标和纵坐标，
Figure 447038DEST_PATH_IMAGE011
表示第i个第一待估参数，
Figure 185187DEST_PATH_IMAGE012
表示第i个第二待估参数，
Figure 705161DEST_PATH_IMAGE013
表示第一差分转换模型的第
Figure 161551DEST_PATH_IMAGE014
次输出真值，
Figure 792383DEST_PATH_IMAGE015
表示第一差分转换模型的第
Figure 322722DEST_PATH_IMAGE016
次输入值，
Figure 138231DEST_PATH_IMAGE017
表示第一差分转换模型的第k次标定板图像角点转换中均值为0的随机噪声，其中，j=1,2,3…n，n表示标定板图像转换总次数。
4.根据权利要求3所述的水下到空气中图像转化的辨识方法，其特征在于，所述步骤S22中第二差分转换模型表达式如下：
Figure 691703DEST_PATH_IMAGE018
Figure 250860DEST_PATH_IMAGE019
Figure 838968DEST_PATH_IMAGE020
其中，
Figure 825378DEST_PATH_IMAGE021
表示第二差分转换模型的第
Figure 131726DEST_PATH_IMAGE005
次输出观测值，
Figure 963416DEST_PATH_IMAGE022
表示第二差分转换模型的第k次标定板图像角点转换中均值为0的随机噪声，
Figure 406029DEST_PATH_IMAGE023
表示第二差分转换模型的第
Figure 563341DEST_PATH_IMAGE024
次输出真值，
Figure 91406DEST_PATH_IMAGE025
表示第二差分转换模型的第
Figure 992366DEST_PATH_IMAGE024
次输入真值，a n 表示第n个第一待估参数，b n 表示第n个第二待估参数。
5.根据权利要求4所述的水下到空气中图像转化的辨识方法，其特征在于，所述步骤S23中辨识模型表达式如下：
Figure 351803DEST_PATH_IMAGE026
Figure 555382DEST_PATH_IMAGE027
Figure 695376DEST_PATH_IMAGE028
Figure 9814DEST_PATH_IMAGE029
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，V m 表示随机噪声向量矩阵，z(m)表示m维输出观测值，y(m-n)表示第
Figure 551654DEST_PATH_IMAGE030
次输出真值，x(m-n)表示第
Figure 926135DEST_PATH_IMAGE031
次输入值，v(m)表示m维的随机噪声向量，其中，m等于标定板图像角点的个数，n表示标定板图像转换总次数。
6.根据权利要求2所述的水下到空气中图像转化的辨识方法，其特征在于，所述步骤S3包括如下步骤：
S31、利用最小二乘法，计算得到观测值误差最小参数矩阵
Figure 553425DEST_PATH_IMAGE032
；
S32、利用极值定理，根据观测值误差最小参数矩阵
Figure 671554DEST_PATH_IMAGE032
计算得到估计参数矩阵
Figure 333479DEST_PATH_IMAGE001
。
7.根据权利要求6所述的水下到空气中图像转化的辨识方法，其特征在于，所述步骤S31中观测值误差最小参数矩阵
Figure 410020DEST_PATH_IMAGE032
的表达式如下：
Figure 868814DEST_PATH_IMAGE033
Figure 915267DEST_PATH_IMAGE034
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 307066DEST_PATH_IMAGE001
表示待估参数矩阵θ的估计参数矩阵，
Figure 147983DEST_PATH_IMAGE035
表示输出观测值矩阵的估计值矩阵。
8.根据权利要求6所述的水下到空气中图像转化的辨识方法，其特征在于，所述步骤S32中估计参数矩阵
Figure 156390DEST_PATH_IMAGE001
的表达式如下：
Figure 616321DEST_PATH_IMAGE036
Figure 987260DEST_PATH_IMAGE037
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 874444DEST_PATH_IMAGE001
表示待估参数矩阵θ的估计参数矩阵，
Figure 963623DEST_PATH_IMAGE038
表示输入序列矩阵H m 的转置矩阵。
9.一种水下到空气中图像转化的辨识方法的系统，其特征在于，包括：
标定板图像获取模块，用于通过相机分别在空气中与水下拍摄标定板图像，得到若干组空气中标定板图像和对应的水下标定板图像；
辨识模型获取模块，用于根据各组空气中标定板图像和对应的水下标定板图像，建立水中标定板图像角点到空气中标定板图像角点的辨识模型；
估计参数矩阵获取模块，用于利用最小二乘法和极值定理计算得到待估参数矩阵θ的估计参数矩阵
Figure 696087DEST_PATH_IMAGE001
；
水下到空气中图像转化模块，用于令待估参数矩阵θ等于估计参数矩阵
Figure 187111DEST_PATH_IMAGE001
，利用辨识模型，完成任意水下到空气中的图像转化。
CN202210336409.5A 2022-04-01 2022-04-01 一种水下到空气中图像转化的辨识方法及系统 Expired - Fee Related CN114429431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210336409.5A CN114429431B (zh) 2022-04-01 2022-04-01 一种水下到空气中图像转化的辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210336409.5A CN114429431B (zh) 2022-04-01 2022-04-01 一种水下到空气中图像转化的辨识方法及系统

Publications (2)

Publication Number Publication Date
CN114429431A true CN114429431A (zh) 2022-05-03
CN114429431B CN114429431B (zh) 2022-06-21

Family

ID=81314263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210336409.5A Expired - Fee Related CN114429431B (zh) 2022-04-01 2022-04-01 一种水下到空气中图像转化的辨识方法及系统

Country Status (1)

Country Link
CN (1) CN114429431B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678742A (zh) * 2015-12-29 2016-06-15 哈尔滨工业大学深圳研究生院 一种水下相机标定方法
CN107358632A (zh) * 2017-06-29 2017-11-17 西北工业大学 应用于水下双目立体视觉的水下摄像机标定方法
US10146050B1 (en) * 2015-12-11 2018-12-04 Fathom Imaging Inc. Underwater imaging systems having panoramic converters
CN109242908A (zh) * 2018-07-12 2019-01-18 中国科学院自动化研究所 用于水下双目视觉测量系统的标定方法
CN110189268A (zh) * 2019-05-23 2019-08-30 西安电子科技大学 基于gan网络的水下图像色彩校正方法
CN110763152A (zh) * 2019-10-09 2020-02-07 哈尔滨工程大学 一种水下主动旋转结构光三维视觉测量装置及测量方法
CN111062990A (zh) * 2019-12-13 2020-04-24 哈尔滨工程大学 一种面向水下机器人目标抓取的双目视觉定位方法
CN111709985A (zh) * 2020-06-10 2020-09-25 大连海事大学 一种基于双目视觉的水下目标测距方法
CN112991532A (zh) * 2021-03-18 2021-06-18 中国海洋大学 基于光度立体法和激光三角法的水下高精度三维重建方法
US20210217144A1 (en) * 2020-01-14 2021-07-15 International Business Machines Corporation Under water image color correction
CN113450418A (zh) * 2021-06-24 2021-09-28 深圳市明日系统集成有限公司 基于复杂畸变模型的水下标定的改进方法、装置及系统
CN113744351A (zh) * 2021-09-03 2021-12-03 上海交通大学 基于多介质折射成像的水下结构光测量标定方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10146050B1 (en) * 2015-12-11 2018-12-04 Fathom Imaging Inc. Underwater imaging systems having panoramic converters
CN105678742A (zh) * 2015-12-29 2016-06-15 哈尔滨工业大学深圳研究生院 一种水下相机标定方法
CN107358632A (zh) * 2017-06-29 2017-11-17 西北工业大学 应用于水下双目立体视觉的水下摄像机标定方法
CN109242908A (zh) * 2018-07-12 2019-01-18 中国科学院自动化研究所 用于水下双目视觉测量系统的标定方法
CN110189268A (zh) * 2019-05-23 2019-08-30 西安电子科技大学 基于gan网络的水下图像色彩校正方法
CN110763152A (zh) * 2019-10-09 2020-02-07 哈尔滨工程大学 一种水下主动旋转结构光三维视觉测量装置及测量方法
CN111062990A (zh) * 2019-12-13 2020-04-24 哈尔滨工程大学 一种面向水下机器人目标抓取的双目视觉定位方法
US20210217144A1 (en) * 2020-01-14 2021-07-15 International Business Machines Corporation Under water image color correction
CN111709985A (zh) * 2020-06-10 2020-09-25 大连海事大学 一种基于双目视觉的水下目标测距方法
CN112991532A (zh) * 2021-03-18 2021-06-18 中国海洋大学 基于光度立体法和激光三角法的水下高精度三维重建方法
CN113450418A (zh) * 2021-06-24 2021-09-28 深圳市明日系统集成有限公司 基于复杂畸变模型的水下标定的改进方法、装置及系统
CN113744351A (zh) * 2021-09-03 2021-12-03 上海交通大学 基于多介质折射成像的水下结构光测量标定方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
HAITAO LIN等: "3D point cloud capture method for underwater structures in turbid environment", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, vol. 32, no. 2, 25 November 2020 (2020-11-25), pages 1 - 12, XP020360192, DOI: 10.1088/1361-6501/abba4a *
LIN HONG等: "WSUIE: Weakly Supervised Underwater Image Enhancement for Improved Visual Perception", 《IEEE ROBOTICS AND AUTOMATION LETTERS》, vol. 6, no. 4, 18 August 2021 (2021-08-18), pages 8237 - 8244, XP011875404, DOI: 10.1109/LRA.2021.3105144 *
李永龙等: "水电枢纽水下摄像数据的畸变机理及标定研究", 《自动化与仪表》, vol. 34, no. 12, 30 December 2019 (2019-12-30), pages 75 - 79 *
林海涛: "消力池池底损伤测量方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 2021, 15 August 2021 (2021-08-15), pages 037 - 29 *
王帅: "基于水下双目视觉的立体匹配方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 2022, 15 March 2022 (2022-03-15), pages 138 - 1583 *
魏景阳: "基于双目立体视觉的水下高精度三维重建方法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 2018, 15 February 2018 (2018-02-15), pages 3 *
黄龙祥: "多平面折射成像研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》, no. 2019, 15 August 2019 (2019-08-15), pages 138 - 120 *

Also Published As

Publication number Publication date
CN114429431B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN106683139B (zh) 基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法
CN108492333B (zh) 基于星箭对接环图像信息的航天器姿态估计方法
CN107292921A (zh) 一种基于kinect相机的快速三维重建方法
CN114399554A (zh) 一种多相机系统的标定方法及系统
CN106896069A (zh) 一种基于彩色数码相机单幅rgb图像的光谱重建方法
CN111784778A (zh) 基于线性求解非线性优化的双目相机外参标定方法和系统
US10755477B2 (en) Real-time face 3D reconstruction system and method on mobile device
CN110706291A (zh) 一种适用于水池实验中运动物体三维轨迹的视觉测量方法
CN110209997A (zh) 基于三维特征点的深度相机自动标定算法
CN106887016B (zh) 一种gf-4卫星序列图像自动相对配准方法
CN110807815B (zh) 基于两组相互正交平行线对应消失点的快速水下标定方法
CN110619373B (zh) 一种基于bp神经网络的红外多光谱微弱目标检测方法
CN112016478A (zh) 一种基于多光谱图像融合的复杂场景识别方法及系统
CN112929626A (zh) 一种基于智能手机影像的三维信息提取方法
CN114529615A (zh) 雷达标定方法、装置及存储介质
CN114155252A (zh) 面向移动端应用的人体目标分割方法及系统
CN114429431B (zh) 一种水下到空气中图像转化的辨识方法及系统
CN111353412B (zh) 端到端的3D-CapsNet火焰检测方法及装置
CN111735447A (zh) 一种仿星敏式室内相对位姿测量系统及其工作方法
CN116758149A (zh) 一种基于无人机系统的桥梁结构位移检测方法
CN114357721B (zh) 水下对空成像全链路仿真方法
CN115311336A (zh) 多相机的图像配准方法、装置、设备及存储介质
CN113902947B (zh) 一种自然图像的对空目标红外图像生成式对抗网络构建方法
CN114897990A (zh) 一种基于神经网络的相机畸变标定方法、系统和存储介质
Marcelino et al. Centroid determination hardware algorithm for star trackers

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220621

CF01 Termination of patent right due to non-payment of annual fee