CN114429431B - 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
CN114429431B
CN114429431B CN202210336409.5A CN202210336409A CN114429431B CN 114429431 B CN114429431 B CN 114429431B CN 202210336409 A CN202210336409 A CN 202210336409A CN 114429431 B CN114429431 B CN 114429431B
Authority
CN
China
Prior art keywords
calibration plate
underwater
image
estimated
representing
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.)
Expired - Fee Related
Application number
CN202210336409.5A
Other languages
English (en)
Other versions
CN114429431A (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 774284DEST_PATH_IMAGE001
；
S4、令待估参数矩阵θ等于估计参数矩阵
Figure 940298DEST_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 403772DEST_PATH_IMAGE002
Figure 186920DEST_PATH_IMAGE003
其中，
Figure 493268DEST_PATH_IMAGE004
表示第一差分转换模型的第
Figure 75690DEST_PATH_IMAGE005
次输出观测值，
Figure 439675DEST_PATH_IMAGE006
和
Figure 39782DEST_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 443212DEST_PATH_IMAGE008
表示第一差分转换模型的第k次输入值，
Figure 140910DEST_PATH_IMAGE009
和
Figure 438030DEST_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 313713DEST_PATH_IMAGE011
表示第i个第一待估参数，
Figure 188129DEST_PATH_IMAGE012
表示第i个第二待估参数，
Figure 499637DEST_PATH_IMAGE013
表示第一差分转换模型的第
Figure 854526DEST_PATH_IMAGE014
次输出真值，
Figure 901110DEST_PATH_IMAGE015
表示第一差分转换模型的第
Figure 59559DEST_PATH_IMAGE016
次输入值，
Figure 912109DEST_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。
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 321837DEST_PATH_IMAGE018
Figure 867219DEST_PATH_IMAGE019
Figure 512964DEST_PATH_IMAGE020
其中，
Figure 310150DEST_PATH_IMAGE021
表示第二差分转换模型的第
Figure 436369DEST_PATH_IMAGE022
次输出观测值，
Figure 74023DEST_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 892550DEST_PATH_IMAGE024
表示第二差分转换模型的第
Figure 352482DEST_PATH_IMAGE025
次输出真值，
Figure 520158DEST_PATH_IMAGE026
表示第二差分转换模型的第
Figure 17129DEST_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 903046DEST_PATH_IMAGE027
Figure 307613DEST_PATH_IMAGE028
Figure 671074DEST_PATH_IMAGE029
Figure 384952DEST_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，h(m)表示m维的输入序列，y(m-n)表示第
Figure 446580DEST_PATH_IMAGE031
次输出真值，x(m-n)表示第
Figure 982735DEST_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 125003DEST_PATH_IMAGE033
；
S32、利用极值定理，根据观测值误差最小参数矩阵
Figure 963777DEST_PATH_IMAGE033
计算得到估计参数矩阵
Figure 558707DEST_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 364464DEST_PATH_IMAGE034
，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 439868DEST_PATH_IMAGE033
的表达式如下：
Figure 980702DEST_PATH_IMAGE035
Figure 875976DEST_PATH_IMAGE036
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 940884DEST_PATH_IMAGE034
表示待估参数矩阵θ的估计参数矩阵，
Figure 539968DEST_PATH_IMAGE037
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 969813DEST_PATH_IMAGE034
的表达式如下：
Figure 617963DEST_PATH_IMAGE038
Figure 237294DEST_PATH_IMAGE039
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 880765DEST_PATH_IMAGE034
表示待估参数矩阵θ的估计参数矩阵，
Figure 560139DEST_PATH_IMAGE040
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 427077DEST_PATH_IMAGE034
；
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 833787DEST_PATH_IMAGE034
，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，本发明构建了水下到空气中图像转化的辨识方法的系统，通过系统辨识的方法建模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能有效提升预测准确率，在保证算法稳定性的同时能有效提升算法精度。
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 348076DEST_PATH_IMAGE041
Figure 260669DEST_PATH_IMAGE042
其中，
Figure 539203DEST_PATH_IMAGE043
表示第一差分转换模型的第
Figure 438020DEST_PATH_IMAGE045
次输出观测值，
Figure 217537DEST_PATH_IMAGE046
和
Figure 487981DEST_PATH_IMAGE047
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 942227DEST_PATH_IMAGE048
表示第一差分转换模型的第k次输入值，
Figure 34948DEST_PATH_IMAGE049
和
Figure 569835DEST_PATH_IMAGE050
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 699596DEST_PATH_IMAGE051
表示第i个第一待估参数，
Figure 952723DEST_PATH_IMAGE052
表示第i个第二待估参数，
Figure 580626DEST_PATH_IMAGE053
表示第一差分转换模型的第
Figure 924013DEST_PATH_IMAGE054
次输出真值，
Figure 83730DEST_PATH_IMAGE055
表示第一差分转换模型的第
Figure 637203DEST_PATH_IMAGE056
次输入值，
Figure 196360DEST_PATH_IMAGE057
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 453641DEST_PATH_IMAGE058
Figure 315418DEST_PATH_IMAGE059
Figure 480820DEST_PATH_IMAGE060
其中，
Figure 187876DEST_PATH_IMAGE061
表示第二差分转换模型的第
Figure 568173DEST_PATH_IMAGE045
次输出观测值，
Figure 725485DEST_PATH_IMAGE062
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 985040DEST_PATH_IMAGE063
表示第二差分转换模型的第
Figure 433470DEST_PATH_IMAGE064
次输出真值，
Figure 120804DEST_PATH_IMAGE065
表示第二差分转换模型的第
Figure 58804DEST_PATH_IMAGE064
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 215110DEST_PATH_IMAGE066
Figure 526618DEST_PATH_IMAGE067
Figure 147086DEST_PATH_IMAGE029
Figure 442938DEST_PATH_IMAGE068
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，h(m)表示m维的输入序列，y(m-n)表示第
Figure 352120DEST_PATH_IMAGE069
次输出真值，x(m-n)表示第
Figure 329303DEST_PATH_IMAGE070
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 273119DEST_PATH_IMAGE071
；
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 549992DEST_PATH_IMAGE072
；
所述步骤S31中观测值误差最小参数矩阵
Figure 461317DEST_PATH_IMAGE072
的表达式如下：
Figure 258502DEST_PATH_IMAGE073
Figure 447038DEST_PATH_IMAGE074
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 569846DEST_PATH_IMAGE071
表示待估参数矩阵θ的估计参数矩阵，
Figure 906150DEST_PATH_IMAGE075
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 35255DEST_PATH_IMAGE072
计算得到估计参数矩阵
Figure 15981DEST_PATH_IMAGE071
；
所述步骤S32中估计参数矩阵
Figure 27799DEST_PATH_IMAGE071
的表达式如下：
Figure 664448DEST_PATH_IMAGE076
Figure 396912DEST_PATH_IMAGE077
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 419094DEST_PATH_IMAGE071
表示待估参数矩阵θ的估计参数矩阵，
Figure 349617DEST_PATH_IMAGE078
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 457250DEST_PATH_IMAGE071
，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 993405DEST_PATH_IMAGE071
；
水下到空气中图像转化模块，用于将估计参数矩阵
Figure 886405DEST_PATH_IMAGE079
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 (5)

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；
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 258410DEST_PATH_IMAGE001
Figure 126134DEST_PATH_IMAGE002
其中，
Figure 870099DEST_PATH_IMAGE003
表示第一差分转换模型的第k次输出观测值，
Figure 700521DEST_PATH_IMAGE004
和
Figure 707791DEST_PATH_IMAGE005
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 125128DEST_PATH_IMAGE006
表示第一差分转换模型的第k次输入值，
Figure 141626DEST_PATH_IMAGE007
和
Figure 295395DEST_PATH_IMAGE008
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 427562DEST_PATH_IMAGE009
表示第i个第一待估参数，
Figure 96309DEST_PATH_IMAGE010
表示第i个第二待估参数，
Figure 385339DEST_PATH_IMAGE011
表示第一差分转换模型的第
Figure 617782DEST_PATH_IMAGE012
次输出真值，
Figure 373380DEST_PATH_IMAGE013
表示第一差分转换模型的第
Figure 748998DEST_PATH_IMAGE014
次输入值，
Figure 356565DEST_PATH_IMAGE015
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 766818DEST_PATH_IMAGE016
Figure 303104DEST_PATH_IMAGE017
Figure 166018DEST_PATH_IMAGE018
其中，
Figure 577276DEST_PATH_IMAGE019
表示第二差分转换模型的第k次输出观测值，
Figure 842035DEST_PATH_IMAGE020
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 814802DEST_PATH_IMAGE021
表示第二差分转换模型的第
Figure 165012DEST_PATH_IMAGE022
次输出真值，
Figure 379961DEST_PATH_IMAGE023
表示第二差分转换模型的第
Figure 233648DEST_PATH_IMAGE022
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 377315DEST_PATH_IMAGE024
Figure 214821DEST_PATH_IMAGE025
Figure 515353DEST_PATH_IMAGE026
Figure 738393DEST_PATH_IMAGE027
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，h(m)表示m维的输入序列，y(m-n)表示第
Figure 302229DEST_PATH_IMAGE028
次输出真值，x(m-n)表示第
Figure 112184DEST_PATH_IMAGE029
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 154090DEST_PATH_IMAGE030
；
S4、令待估参数矩阵θ等于估计参数矩阵
Figure 497215DEST_PATH_IMAGE030
，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 231953DEST_PATH_IMAGE031
；
S32、利用极值定理，根据观测值误差最小参数矩阵
Figure 529204DEST_PATH_IMAGE031
计算得到估计参数矩阵
Figure 640380DEST_PATH_IMAGE030
。
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S31中观测值误差最小参数矩阵
Figure 838012DEST_PATH_IMAGE031
的表达式如下：
Figure 9230DEST_PATH_IMAGE032
Figure 793778DEST_PATH_IMAGE033
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 177486DEST_PATH_IMAGE030
表示待估参数矩阵θ的估计参数矩阵，
Figure 495203DEST_PATH_IMAGE034
表示输出观测值矩阵的估计值矩阵。
4.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S32中估计参数矩阵
Figure 571744DEST_PATH_IMAGE030
的表达式如下：
Figure 855306DEST_PATH_IMAGE035
Figure 777126DEST_PATH_IMAGE036
其中，Z m 表示输出观测值矩阵，H m 表示输入序列矩阵，
Figure 949350DEST_PATH_IMAGE030
表示待估参数矩阵θ的估计参数矩阵，
Figure 196792DEST_PATH_IMAGE037
表示输入序列矩阵H m 的转置矩阵。
5.一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：
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；
所述辨识模型模块包括：
第一差分转换模型子模块，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第一差分转换模型；
第一差分转换模型的表达式如下：
Figure 955931DEST_PATH_IMAGE001
Figure 947021DEST_PATH_IMAGE002
其中，
Figure 770490DEST_PATH_IMAGE003
表示第一差分转换模型的第k次输出观测值，
Figure 188833DEST_PATH_IMAGE004
和
Figure 169689DEST_PATH_IMAGE005
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 964470DEST_PATH_IMAGE006
表示第一差分转换模型的第k次输入值，
Figure 845707DEST_PATH_IMAGE007
和
Figure 169372DEST_PATH_IMAGE008
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 903104DEST_PATH_IMAGE009
表示第i个第一待估参数，
Figure 235996DEST_PATH_IMAGE010
表示第i个第二待估参数，
Figure 237319DEST_PATH_IMAGE011
表示第一差分转换模型的第
Figure 263044DEST_PATH_IMAGE012
次输出真值，
Figure 218493DEST_PATH_IMAGE013
表示第一差分转换模型的第
Figure 89497DEST_PATH_IMAGE014
次输入值，
Figure 679747DEST_PATH_IMAGE015
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；
第二差分转换模型子模块，用于定义输入序列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；
所述第二差分转换模型表达式如下：
Figure 876373DEST_PATH_IMAGE016
Figure 53539DEST_PATH_IMAGE038
Figure 993813DEST_PATH_IMAGE018
其中，
Figure 172991DEST_PATH_IMAGE019
表示第二差分转换模型的第k次输出观测值，
Figure 274939DEST_PATH_IMAGE020
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 204980DEST_PATH_IMAGE021
表示第二差分转换模型的第
Figure 683366DEST_PATH_IMAGE022
次输出真值，
Figure 248208DEST_PATH_IMAGE023
表示第二差分转换模型的第
Figure 52216DEST_PATH_IMAGE022
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；
辨识模型子模块，用于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；
所述辨识模型表达式如下：
Figure 203974DEST_PATH_IMAGE024
Figure 486051DEST_PATH_IMAGE025
Figure 170979DEST_PATH_IMAGE026
Figure 614730DEST_PATH_IMAGE027
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，h(m)表示m维的输入序列，y(m-n)表示第
Figure 507644DEST_PATH_IMAGE028
次输出真值，x(m-n)表示第
Figure 780363DEST_PATH_IMAGE029
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；
估计参数矩阵模块，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 70530DEST_PATH_IMAGE030
；
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 701493DEST_PATH_IMAGE030
，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。
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 CN114429431A (zh) 2022-05-03
CN114429431B true 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 (7)

* 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
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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242908B (zh) * 2018-07-12 2021-08-03 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
CN110763152B (zh) * 2019-10-09 2021-08-20 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
US11164291B2 (en) * 2020-01-14 2021-11-02 International Business Machines Corporation Under water image color correction
CN113744351B (zh) * 2021-09-03 2023-11-28 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 (7)

* 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
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
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

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》.2020,第32卷(第2期), *
Lin Hong等.WSUIE: Weakly Supervised Underwater Image Enhancement for Improved Visual Perception.《IEEE Robotics and Automation Letters》.2021,第6卷(第4期), *
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》.2019,第34卷(第12期),第75-79页. *
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》.2021,(第(2021)08期),第C037-29页. *
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》.2022,(第(2022)03期), *
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》.2018,(第(2018)02期),第I138-1792页. *
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》.2019,(第(2019)08期),第I138-120页. *

Also Published As

Publication number Publication date
CN114429431A (zh) 2022-05-03

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
JP4702122B2 (ja) 合成開口レーダ画像のオルソ補正装置
CN106896069A (zh) 一种基于彩色数码相机单幅rgb图像的光谱重建方法
CN110969670B (zh) 基于显著特征的多光谱相机动态立体标定方法
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
CN106887016B (zh) 一种gf-4卫星序列图像自动相对配准方法
US10755477B2 (en) Real-time face 3D reconstruction system and method on mobile device
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
CN110880191B (zh) 基于直方图均衡化的红外立体相机动态外参计算方法
CN112580407B (zh) 一种基于轻量化神经网络模型的空间目标部件识别方法
CN109166143A (zh) 一种大区域网立体测绘卫星影像匹配方法
CN114494388A (zh) 一种大视场环境下图像三维重建方法、装置、设备及介质
CN114429431B (zh) 一种水下到空气中图像转化的辨识方法及系统
CN114529615A (zh) 雷达标定方法、装置及存储介质
CN105547286B (zh) 一种复合三视场星敏感器星图模拟方法
CN111735447A (zh) 一种仿星敏式室内相对位姿测量系统及其工作方法
CN111353412A (zh) 端到端的3D-CapsNet火焰检测方法及装置
CN116563460A (zh) 三维重建优化方法及装置、介质、设备
CN114357721B (zh) 水下对空成像全链路仿真方法
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
CN115035252A (zh) 一种基于神经辐射场的燃气厂站三维重建方法及装置
CN109919998B (zh) 卫星姿态确定方法、装置和终端设备
Marcelino et al. Centroid determination hardware algorithm for star trackers
CN114659523A (zh) 一种大范围高精度姿态测量方法及装置

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

Granted publication date: 20220621