CN114596220A - 校正图像横向色差的方法、电子设备及计算机存储介质 - Google Patents
校正图像横向色差的方法、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114596220A CN114596220A CN202210107075.4A CN202210107075A CN114596220A CN 114596220 A CN114596220 A CN 114596220A CN 202210107075 A CN202210107075 A CN 202210107075A CN 114596220 A CN114596220 A CN 114596220A
- Authority
- CN
- China
- Prior art keywords
- image
- chromatic aberration
- color channel
- coordinate
- model
- 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.)
- Pending
Links
- 230000004075 alteration Effects 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 107
- 238000001514 detection method Methods 0.000 claims description 33
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种校正图像横向色差的方法、电子设备及计算机存储介质,涉及图像处理技术领域。该校正图像横向色差的方法包括:建立基于图像坐标的横向色差校正模型;对横向色差校正模型进行标定,确定横向色差校正模型的校正参数;基于确定校正参数后的横向色差校正模型对待校正图像进行横向色差校正。通过上述方式,本申请的校正图像横向色差的方法能够充分利用横向色差的全局特性,提升横向色差的消除效果。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种校正图像横向色差的方法、电子设备及计算机存储介质。
背景技术
图像色边指图像中物体的边缘出现不属于物体的颜色,属于图像的局部颜色错误,因此它对图像质量和视觉效果的影响巨大,控制图像色边是成像系统非常基础而重要的课题。
图像色边的种类和原因很多,其中较为突出和重要的原因是镜头等光学系统带来的色差。可见光的波长范围约为380nm~760nm,由于镜头材料的固有属性,对不同波长的折射率不同,往往波长越长的光折射率越大,因此不同波长的光经过相同的光学系统以后,焦点和成像位置却不同,从而导致图像边缘出现不属于本来物体的颜色,这就是由光学系统带来的色差。光学系统色差可以分为纵向色差和横向色差。其中,横向色差尤为常见和明显,且具有明显的全局性,在单透镜光学系统中,其一般规律是离镜头中心越远,色差越剧烈。
目前消除图像的横向色差主要分为硬件解决方法和软件解决方法两大类,硬件解决方法一般通过对光学系统的透镜材料、设计等入手,制造成本较高。在软件解决方案中,去除横向色差的技术通常通过检测边缘和紫色,针对检测到的像素点进行优化,稳定性和鲁棒性较低,且没有考虑到除了紫色以外的其他颜色,因此去除图像的横向色差的效果不好。
发明内容
本申请提出了一种校正图像横向色差的方法、电子设备及计算机存储介质,充分利用横向色差的全局特性进来消除图像的横向色差。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种校正图像横向色差的方法。该方法包括:
建立基于图像坐标的横向色差校正模型;对横向色差校正模型进行标定,确定横向色差校正模型的校正参数;基于确定校正参数后的横向色差校正模型对待校正图像进行横向色差校正。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种电子设备,该电子设备包括处理器及与处理器连接的存储器,存储器中存储有程序数据,处理器执行存储器存储的程序数据,以执行实现上述校正图像横向色差的方法。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种计算机存储介质,其内部存储有程序指令,程序指令被执行以实现上述校正图像横向色差的方法。
本申请的有益效果是:区别于现有技术的情况,本申请的校正图像横向色差的方法通过建立基于图像坐标的横向色差校正模型对图像进行横向色差的校正,在横向色差校正模型确定校正参数后,就可对待校正的图像进行校正。相较于传统的横向色差校正模型,本申请采用图像的坐标作为横向色差校正模型的自变量,是基于横向色差全局特性的,能够充分利用横向色差的全局特性,有利于更为精确地确定横向色差的变化趋势,能够提升横向色差的消除效果。
附图说明
图1是图像的纵向色差成因示意图;
图2是图像的横向色差成因示意图;
图3是本申请校正图像横向色差的方法一实施例的流程示意图;
图4是图3中步骤S101的一具体实施流程示意图;
图5是图4中步骤S201的一具体实施流程示意图;
图6是本申请第二颜色通道像素点对应的横向色差校正模型的变量示意图;
图7是图4中步骤S202的一具体实施流程示意图;
图8是图3中步骤S102的一具体实施流程示意图;
图9是图3中步骤S103的一具体实施流程示意图;
图10是本申请电子设备一实施例的结构示意图;
图11是本申请计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在光学系统中,由于镜头材料的固有属性,对不同波长的折射率不同,往往波长越长的光折射率越大,因此不同波长的光经过相同的光学系统以后,焦点和成像位置却不同,从而导致图像边缘出现不属于本来物体的颜色,这就是由光学系统带来的色差。
光学系统色差可以分为纵向色差和横向色差。如图1所示,图1是图像的纵向色差成因示意图。当不同波长的光经过镜头后,焦点在成像面的前后位置不同,被称为纵向色差,也叫位置色差;如图2所示,图2是图像的横向色差成因示意图。当不同波长的光经过镜头后,焦点都在成像面上,但是在成像面上的高低位置不同,被称为横向色差,也叫倍率色差。
为了解决上述的横向色差问题,本申请首先提出一种校正图像横向色差的方法,如图3所示,图3是本申请校正图像横向色差的方法一实施例的流程示意图。该方法具体包括步骤S101至步骤S103:
步骤S101:建立基于图像坐标的横向色差校正模型。
在解决横向色差问题时,传统建模模型的自变量是横向色差的大小,具体为沿着图像中心到像素点方向上的理想点到实际拍摄点的偏移距离;传统建模模型中的自变量为图像中心和像素点的距离。但传统的建模模型与现实的光学系统存在一点的误差。存在误差的原因是传统建模模型假定光学系统导致的横向色差在各个方向上规律是相同的且同自变量单调递增。这与现实的光学系统不符。
因此,为了提升横向色差校正模型的精度,对消除横向色差取得更好的效果,本申请建立基于图像坐标的横向色差校正模型。本申请的基于图像坐标的横向色差校正模型的自变量分为两个,一个是像素点基于坐标轴X轴方向的偏移量,另一个是像素点基于坐标轴Y轴方向的偏移量。所谓的X轴方向的偏移量,指的是图像的水平方向上,像素点的实际坐标和理想坐标之间的偏移量。所谓的Y轴方向的偏移量,指的是图像的垂直方向上,像素点的实际坐标和理想坐标之间的偏移量。
其中,每个图像都有一个或多个颜色通道,图像中默认的颜色通道数取决于其颜色模式,即一个图像的颜色模式将决定其颜色通道的数量。在建立横向色差校正模型时,需要标定一个颜色通道的成像为理想的,也就是无色差的,从而建立其他颜色通道的横向色差校正模型。以三原色光模式的图像为例,该图像具有R颜色通道、G颜色通道及B颜色通道。假定G颜色通道为理想通道,也就是无色差时,需要建立R颜色通道像素点对应的横向色差校正模型及B颜色通道像素点对应的横向色差校正模型。
步骤S102:对横向色差校正模型进行标定,确定横向色差校正模型的校正参数。
建立了上述基于图像坐标的横向色差校正模型,需要对本申请的横向色差校正模型进行标定,需要对除理想通道以外的其他颜色通道的横向色差校正模型都进行标定,确定其他颜色通道的横向色差校正模型的校正参数。
此外,不同的电子设备及光学系统的参数不同,更换设备时,其横向色差的校正模型的校正参数需要进行重新标定,同一电子设备进行标定后,因具有固定的参数,后续处理图像时就无需频繁获取校正参数。
步骤S103:基于确定校正参数后的横向色差校正模型对待校正图像进行横向色差校正。
确定电子设备的校正参数后,就可以使用横向色差校正模型对该电子设备拍摄的任意待校正图像进行校正。
区别于现有技术的情况,本申请的校正图像横向色差的方法通过建立基于图像坐标的横向色差校正模型对图像进行横向色差的校正,在横向色差校正模型确定校正参数后,就可对待校正的图像进行校正。相较于传统的横向色差校正模型,本申请采用图像的坐标作为横向色差校正模型的自变量,是基于横向色差全局特性的,能够充分利用横向色差的全局特性,有利于更为精确地确定横向色差的变化趋势,能够提升横向色差的消除效果。
可选地,如图4所示,图4是图3中步骤S101的一具体实施流程示意图。本实施例可通过如图4所示的方法实现步骤S101,具体实施步骤包括步骤S201至步骤S202:
步骤S201:基于图像的第一颜色通道像素点的第一坐标、第二颜色通道像素点的第二坐标及中心原点坐标建立图像的第二颜色通道像素点对应的横向色差校正模型。
在建立横向色差校正模型时,以上述的三原色光模式的图像为例,该图像共有三个颜色通道,分别设置为图像的第一颜色通道、第二颜色通道及第三颜色通道。假定图像的第一颜色通道为理想通道,也就是图像的第一颜色通道像素点无色差时,基于图像的第一颜色通道像素点的第一坐标、第二颜色通道像素点的第二坐标及中心原点坐标建立图像的第二颜色通道像素点对应的横向色差校正模型,其中第一颜色通道可以是G颜色通道,也可以为R颜色通道或B颜色通道,在此不作限定。
可选地,如图5所示,图5是图4中步骤S201的一具体实施流程示意图。本实施例可通过如图5所示的方法实现步骤S201。其中,横向色差校正模型包括:参考坐标子模型、坐标偏移量子模型及多项式模型。步骤S201的具体实施步骤包括步骤S301至步骤S303:
步骤S301:建立第一坐标与中心原点坐标之间的差值模型为第二颜色通道像素点的参考坐标子模型。
以上述三原色光模式的图像为例,在假定图像的第一颜色通道为理想通道,建立第二颜色通道像素点对应的横向色差校正模型时,首先需要建立第一颜色通道像素点的第一坐标与中心原点坐标之间的差值模型,即参考坐标子模型。参考子模型如下公式(1)及公式(2)所示:
xR=uG-u0 (1)
yR=vG-v0 (2)
其中,如图6所示,图6是本申请第二颜色通道像素点对应的横向色差校正模型的变量示意图。(u0,v0)是图像中心点坐标,(uG,vG)是第一颜色通道像素点的第一坐标,xR为第一坐标与中心原点坐标之间X轴方向上的差值,yR为第一坐标与中心原点坐标之间Y轴方向上的差值。
步骤S302:建立第二坐标与第一坐标之间的差值模型为第二颜色通道像素点的坐标偏移量子模型。
其次,建立第二坐标与第一坐标之间的差值模型为第二颜色通道像素点的坐标偏移量子模型,偏移量子模型如下公式(3)及公式(4)所示:
ΔxR=u′R-uR (3)
ΔyR=v′R-vR (4)
其中,如图6所示,(R′,R′)是第二颜色通道像素点的第二坐标,ΔxR和ΔyR分别用于衡量第一颜色通道和第二颜色通道X轴方向上、Y轴方向上横向色差的大小,分别表示第二颜色通道相对于第一颜色通道横坐标的偏移距离和纵坐标的偏移距离。
步骤S303:建立第一坐标与中心原点坐标之间的差值关于第二坐标与第一坐标之间的差值的第一多项式模型。
最终,建立第一坐标与中心原点坐标之间的差值关于第二坐标与第一坐标之间的差值的第一多项式模型,第一多项式模型如下公式(5)及公式(6)所示:
其中,aR,i,j和bR,i,j是第一多项式模型的校正模型系数;公式(5)和公式(6)次数分别为m和n。
步骤S202:基于图像的第一颜色通道像素点的第一坐标、第三颜色通道像素点的第三坐标及中心原点坐标建立第三颜色通道像素点对应的横向色差校正模型。
其中,上述图像的第一颜色通道像素点无色差。
可选地,如图7所示,图7是图4中步骤S202的一具体实施流程示意图。本实施例可通过如图7所示的方法实现步骤S202。步骤S202的具体实施步骤包括步骤S401至步骤S403:
步骤S401:建立第一坐标与中心原点坐标之间的差值模型为第三颜色通道像素点的参考坐标子模型。
步骤S402:建立第三坐标与第一坐标之间的差值模型为第三颜色通道像素点的坐标偏移量子模型。
步骤S403:建立第三坐标与中心原点坐标之间的差值关于第三坐标与第一坐标之间的差值的第二多项式模型。
上述S401至S403步骤中,第三颜色通道像素点的参考坐标子模型、坐标偏移量子模型及第二多项式模型如下公式(7)至公式(12)所示:
xB=uG-u0 (7)
yB=vG-v0 (8)
ΔxB=u′B-uB (9)
ΔyB=v′B-vB (10)
其中,(u0,v0)是图像中心点坐标,(uG,vG)是第一颜色通道像素点的第一坐标,xB为第一坐标与中心原点坐标之间X轴方向上的差值,yB为第一坐标与中心原点坐标之间Y轴方向上的差值;(u′B,u′B)是第三颜色通道像素点的第三坐标,ΔxB和ΔyB分别用于衡量第一颜色通道和第三颜色通道X轴方向上、Y轴方向上横向色差的大小,分别表示第三颜色通道相对于第一颜色通道横坐标的偏移距离和纵坐标的偏移距离;aR,i,j和bR,i,j是第二多项式模型的校正模型系数;公式(11)和公式(12)次数分别为m和n。
具体地,在本实施中,上述第一多项式模型及第二多项式模型为二元多项式模型,其中二元多项式模型的次数为奇数。
本申请的第一多项式模型及第二多项式模型为二元多项式模型,其中二元多项式模型的次数为奇数。
以第一多项式模型为例,如果令m=2,n=2,公式(5)及公式(6)可化简为公式(13)及公式(14):
由于现在的光学系统往往不是普通的单透镜系统,因此会带来不同规律的色差变化形式,并不一定是传统的距离图像中心越远,横向色差越大。但是满足基本的对称性,即横向色差是关于坐标轴轴对称的。因此,在本实施例中,为了更为精确的建模横向色差的变化趋势,二元多项式模型的次数为奇数,例如令m=3,n=3,得到ΔxR是关于xR的奇函数、关于yR的偶函数,ΔyR是关于xR的偶函数、关于yR的奇函数,从而可以得到公式(15)及公式(16):
公式(15)及公式(16)是公式(5)及公式(6)在大部分情况下能够满足精度需求的二元多项式模型的公式。如果对精度有着更高的需求,可以提高m和n的值,所付出的代价是更多的乘法、加法,以及少数的参数,由于不存在增加除法和开方等复杂运算,所以不会对处理器和储存器造成过大的负担。
因此,本实施例最终建立的第二颜色通道像素点对应的横向色差校正模型为:
同理,第三颜色通道像素点对应的横向色差校正模型为:
可选地,如图8所示,图8是图3中步骤S102的一具体实施流程示意图。本实施例可通过如图8所示的方法实现步骤S102,具体实施步骤包括步骤S501至步骤S504:
步骤S501:获取棋盘格的彩色图像,并从彩色图像中提取获取棋盘格的第一颜色通道图像、第二颜色通道图像及第三颜色通道图像。
确定向色差校正模型,可以利用棋盘格对横向色差校正模型进行标定,首先,利用电子设备拍照获取黑白棋盘格的彩色图像,该彩色图像可以为三原色光模式的图像,也可以为其他图像,在此不作限定。以三原色光模式的图像为例,从彩色图像中提取获取棋盘格的第一颜色通道图像、第二颜色通道图像及第三颜色通道图像。
步骤S502:利用角点检测算法分别获取第一颜色通道图像的角点、第二颜色通道图像的角点及第三颜色通道图像的角点。
基于棋盘格的第一颜色通道图像、第二颜色通道图像及第三颜色通道图像利用角点检测算法,可以获取第一颜色通道图像、第二颜色通道图像及第三颜色通道图像的角点若干。在上述建模过程中,假定第一颜色通道图像无色差,即第一颜色通道的图像的角点坐标即为第一坐标(uG,vG)。第二颜色通道的图像的角点坐标为(u′R,v′R);第三颜色通道的图像的角点坐标为(u′B,v′B)。图像中心坐标(u0,v0)一般为图像的中心,也可以通过电子设备和光学系统的具体参数计算。
步骤S503:基于第一颜色通道图像的角点的坐标及第二颜色通道图像的角点的坐标,确定第一多项式模型的校正参数。
获取上述第一颜色通道的图像的角点坐标(uG,vG)及第二颜色通道的图像的角点坐标为(u′R,v′R),可以将第一颜色通道的图像的所有角点坐标和第二颜色通道的图像所有的角点坐标带入公式(17),再利用最小二乘法,就可以确定第一多项式模型的校正参数。在其他实施例中,也可以用其他算法拟合得到第一多项式模型的校正参数,在此不作限定。
步骤S504:基于第一颜色通道图像的角点的坐标及第三颜色通道图像的角点的坐标,确定第二多项式模型的校正参数。
获取上述第一颜色通道的图像的角点坐标(uG,vG)及第三颜色通道的图像的角点坐标为(u′B,v′B),可以将第一颜色通道的图像的所有角点坐标和第三颜色通道的图像所有的角点坐标带入公式(18),再利用最小二乘法,就可以确定第二多项式模型的校正参数。在其他实施例中,也可以用其他算法拟合得到第二多项式模型的校正参数,在此不作限定。
具体地,在本实施例中,角点检测算法包括基于灰度梯度的角点检测算法、基于模板的角点检测算法、基于多尺度的特征点检测算法及基于深度学习的角点检测方法中的任一种。
角点检测是计算机视觉系统中用来获得图像特征的一种方法,广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中。也称为特征点检测。角点通常被定义为两条边的交点,更严格的说,角点的局部邻域应该具有两个不同区域的不同方向的边界。而实际应用中,大多数所谓的角点检测方法检测的是拥有特定特征的图像点,而不仅仅是“角点”。这些角点在图像中有具体的坐标,并具有某些数学特征,如局部最大或最小灰度、某些梯度特征等。
其中,基于灰度梯度的角点检测算法是通过计算边缘的曲率来判断角点的存在性从而检测角点;基于模板的角点检测算法可以是Harris角点检测、SUSAN角点检测、KLT角点检测等,这些角点检测都具有固定的算法流程;基于多尺度的特征点检测可以是SIFT特征点检测、SURF特征点检测等;基于深度学习的角点检测算法可以通过神经网格训练角点检测的模型从而实现本申请的角点检测。在本申请的角点检测算法,利用的角点检测算法可以为上述算法的任意一种,本实施例可以根据精度和计算强度要求的不同,选择上述不同的方法进行角点检测,从而保证角点检测的可靠性,也为后续校正参数的准确性提供保障。
可选地,如图9所示,图9是图3中步骤S103的一具体实施流程示意图。本实施例可通过如图9所示的方法实现步骤S103,具体实施步骤包括步骤S601至步骤S603:
步骤S601:获取待校正图像的第一颜色通道像素点的第四坐标及中心原点坐标。
对待校正图像进行横向色差校正时,首先获取与上述的理想通道对应颜色通道的颜色像素的第四坐标,再获取中心原点的坐标。以三原色光模式的图像为例,在建立横向色差校正模型时,以G颜色通道为无色差通道的理想通道,建立R颜色通道和B颜色通道的横向色差校正模型;后续校正图像时,获取校正图像的G颜色通道像素点的第四坐标及中心原点坐标。
步骤S602:基于确定校正参数后的第一多项式模型及待校正图像的第四坐标、中心原点坐标对待校正图像的第二颜色通道的像素点的坐标进行校正。
基于确定校正参数后的第一多项式模型及待校正图像的第四坐标、中心原点坐标带入公式(17)就可以计算得到第二颜色通道的像素点的理想位置在图像中的实际位置的坐标(u′R,v′R),基于实际位置的坐标(u′R,v′R)从而对待校正图像的第二颜色通道的像素点的坐标进行校正。
步骤S603:基于确定校正参数后的第二多项式模型及待校正图像的第四坐标、中心原点坐标对待校正图像的第三颜色通道的像素点的坐标进行校正。
基于确定校正参数后的第二多项式模型及待校正图像的第四坐标、中心原点坐标带入公式(18)就可以计算得到第三颜色通道的像素点的理想位置在图像中的实际位置的坐标(u′B,v′B),基于实际位置的坐标(u′B,v′B)从而对待校正图像的第三颜色通道的像素点的坐标进行校正。
在获得理想的第二颜色通道图像和第三颜色通道图像以后,和理想的第一颜色通道图像组合为彩色图像,即完成所有对待校正图像的横向色差校正步骤。
区别于现有技术的情况,本申请的校正图像横向色差的方法通过建立基于图像坐标的横向色差校正模型对图像进行横向色差的校正,在横向色差校正模型确定校正参数后,就可对待校正的图像进行校正。相较于传统的基于距离的横向色差校正模型,传统模型中计算距离是会进行平方根等运算,提升了计算的复杂度;本申请采用图像的坐标作为横向色差校正模型的自变量,将自变量变成了两个,在本申请横向色差校正模型只有加减乘除的基本运算,没有平方根的计算,有利于降低计算的复杂度,且只需保存校正参数,没有提高存储的复杂度;其次,本申请的校正图像横向色差的方法能够充分利用横向色差的全局特性,对像素点进行逐点校正,有利于更为精确地确定横向色差的变化趋势,使横向色差校正模型更符合实际,提升了横向色差校正模型的精度能够提升横向色差的消除效果。
可选地,本申请进一步提出一种电子设备。如图10所示,图10为本申请电子设备一实施例的结构示意图,该电子设备100包括处理器101及与处理器101连接的存储器102。
处理器101还可以称为CPU(Central Processing Unit,中央处理单元)。处理器101可能是一种集成电路芯片,具有信号的处理能力。处理器101还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器102用于存储处理器101运行所需的程序数据。
处理器101还用于执行存储器102存储的程序数据以实现上述校正图像横向色差的方法。
可选地,本申请进一步提出一种计算机存储介质。如图11所示,图11为本申请计算机存储介质一实施例的结构示意图。
本申请实施例的计算机存储介质200内部存储有程序指令210,程序指令210被执行以实现:上述校正图像横向色差的方法。
其中,程序指令210可以形成程序文件以软件产品的形式存储在上述存储介质中,以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种校正图像横向色差的方法,其特征在于,包括:
建立基于图像坐标的横向色差校正模型;
对所述横向色差校正模型进行标定,确定所述横向色差校正校正模型的校正参数;
基于确定校正参数后的所述横向色差校正模型对待校正图像进行横向色差校正。
2.根据权利要求1所述的校正图像横向色差的方法,其特征在于,所述建立基于图像坐标的横向色差校正模型,包括:
基于图像的第一颜色通道像素点的第一坐标、第二颜色通道像素点的第二坐标及中心原点坐标建立所述图像的第二颜色通道像素点对应的横向色差校正模型;
基于图像的第一颜色通道像素点的第一坐标、第三颜色通道像素点的第三坐标及中心原点坐标建立所述第三颜色通道像素点对应的横向色差校正模型;
其中,所述图像的第一颜色通道像素点无色差。
3.根据权利要求2所述的校正图像横向色差的方法,其特征在于,所述横向色差校正模型包括:参考坐标子模型、坐标偏移量子模型及多项式模型;所述基于图像的第一颜色通道像素点的第一坐标、第二颜色通道像素点的第二坐标及中心原点坐标建立所述图像的第二颜色通道像素点对应的横向色差校正模型,包括:
建立所述第一坐标与所述中心原点坐标之间的差值模型为所述第二颜色通道像素点的参考坐标子模型;
建立所述第二坐标与所述第一坐标之间的差值模型为所述第二颜色通道像素点的坐标偏移量子模型;
建立所述第一坐标与所述中心原点坐标之间的差值关于所述第二坐标与所述第一坐标之间的差值的第一多项式模型;
所述基于图像的第一颜色通道像素点的第一坐标、第三颜色通道像素点的第三坐标及中心原点坐标建立所述图像的第三颜色通道像素点对应的横向色差校正模型,包括:
建立所述第一坐标与所述中心原点坐标之间的差值模型为所述第三颜色通道像素点的参考坐标子模型;
建立所述第三坐标与所述第一坐标之间的差值模型为所述第三颜色通道像素点的坐标偏移量子模型;
建立所述第三坐标与所述中心原点坐标之间的差值关于所述第三坐标与所述第一坐标之间的差值的第二多项式模型。
4.根据权利要求3所述的校正图像横向色差的方法,其特征在于,所述第一多项式模型及所述第二多项式模型为二元多项式模型,其中所述二元多项式模型的次数为奇数。
5.根据权利要求3所述的校正图像横向色差的方法,其特征在于,所述对所述横向色差校正模型进行标定,确定所述横向色差校正模型的校正参数,包括:
获取棋盘格的彩色图像,并从所述彩色图像中提取获取所述棋盘格的第一颜色通道图像、第二颜色通道图像及第三颜色通道图像;
利用角点检测算法分别获取所述第一颜色通道图像的角点、所述第二颜色通道图像的角点及所述第三颜色通道图像的角点;
基于所述第一颜色通道图像的角点的坐标及所述第二颜色通道图像的角点的坐标,确定所述第一多项式模型的校正参数;
基于所述第一颜色通道图像的角点的坐标及所述第三颜色通道图像的角点的坐标,确定所述第二多项式模型的校正参数。
6.根据权利要求5所述的校正图像横向色差的方法,其特征在于,所述角点检测算法包括基于灰度梯度的角点检测算法、基于模板的角点检测算法、基于多尺度的特征点检测算法及基于深度学习的角点检测方法中的任一种。
7.根据权利要求5所述的校正图像横向色差的方法,其特征在于,所述基于确定校正参数后的所述横向色差校正模型对待校正图像进行横向色差校正,包括:
获取待校正图像的第一颜色通道像素点的第四坐标及中心原点坐标;
基于确定校正参数后的所述第一多项式模型及所述待校正图像的第四坐标、中心原点坐标对所述待校正图像的第二颜色通道的像素点的坐标进行校正;
基于确定校正参数后的所述第二多项式模型及所述待校正图像的第四坐标、中心原点坐标对所述待校正图像的第三颜色通道的像素点的坐标进行校正。
8.根据权利要求1至7任一项所述的校正图像横向色差的方法,其特征在于,所述待校正图像包括第一颜色通道图像、第二颜色通道图像及第三颜色通道图像,其中,第一颜色通道图像无色差,基于权利要求1至7任一项所述的方法对所述第二颜色通道图像及所述第三颜色通道图像进行校正。
9.一种电子设备,其特征在于,所述电子设备包括处理器以及与所述处理器连接的存储器,其中,所述存储器中存储有程序数据,所述处理器执行所述存储器存储的所述程序数据,以执行实现权利要求1-8任一项所述的方法。
10.一种计算机存储介质,其特征在于,其内部存储有程序指令,所述程序指令被执行以实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107075.4A CN114596220A (zh) | 2022-01-28 | 2022-01-28 | 校正图像横向色差的方法、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107075.4A CN114596220A (zh) | 2022-01-28 | 2022-01-28 | 校正图像横向色差的方法、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596220A true CN114596220A (zh) | 2022-06-07 |
Family
ID=81806154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210107075.4A Pending CN114596220A (zh) | 2022-01-28 | 2022-01-28 | 校正图像横向色差的方法、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596220A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943658A (zh) * | 2022-06-09 | 2022-08-26 | 豪威科技(武汉)有限公司 | 一种基于横向色差标定的去色边方法 |
-
2022
- 2022-01-28 CN CN202210107075.4A patent/CN114596220A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943658A (zh) * | 2022-06-09 | 2022-08-26 | 豪威科技(武汉)有限公司 | 一种基于横向色差标定的去色边方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861813B2 (en) | Image distortion correction method and apparatus | |
CN106469431B (zh) | 图像处理装置 | |
JP5075757B2 (ja) | 画像処理装置、画像処理プログラム、画像処理方法、および電子機器 | |
CN110223226B (zh) | 全景图像拼接方法及系统 | |
CN110689581B (zh) | 结构光模组标定方法、电子设备、计算机可读存储介质 | |
US9070042B2 (en) | Image processing apparatus, image processing method, and program thereof | |
US8199202B2 (en) | Image processing device, storage medium storing image processing program, and image pickup apparatus | |
CN106815869B (zh) | 鱼眼相机的光心确定方法及装置 | |
WO2022135588A1 (zh) | 图像校正方法、装置及系统、电子设备 | |
CN112241976A (zh) | 一种训练模型的方法及装置 | |
CN112233189B (zh) | 多深度相机外部参数标定方法、装置及存储介质 | |
CN112470192A (zh) | 双摄像头标定方法、电子设备、计算机可读存储介质 | |
US20220360707A1 (en) | Photographing method, photographing device, storage medium and electronic device | |
CN115082450A (zh) | 基于深度学习网络的路面裂缝检测方法和系统 | |
CN111179184B (zh) | 基于随机抽样一致性的鱼眼图像有效区域提取方法 | |
CN114283095B (zh) | 一种图像畸变校正方法、系统、电子设备及存储介质 | |
CN114596220A (zh) | 校正图像横向色差的方法、电子设备及计算机存储介质 | |
US20120038785A1 (en) | Method for producing high resolution image | |
CN117058183A (zh) | 一种基于双摄像头的图像处理方法、装置、电子设备及存储介质 | |
CN115619678B (zh) | 一种图像变形的矫正方法、装置、计算机设备及存储介质 | |
CN116777769A (zh) | 畸变图像的校正方法及装置、电子设备、存储介质 | |
JP5446285B2 (ja) | 画像処理装置及び画像処理方法 | |
CN115661258A (zh) | 标定方法及装置、畸变校正方法及装置、存储介质、终端 | |
KR101255742B1 (ko) | 렌즈 왜곡 보정 파라미터 결정 기법 | |
WO2013011797A1 (ja) | 劣化復元システム、劣化復元方法およびプログラム |
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 |