CN115222621A - 图像校正方法、电子设备、存储介质及计算机程序产品 - Google Patents
图像校正方法、电子设备、存储介质及计算机程序产品 Download PDFInfo
- Publication number
- CN115222621A CN115222621A CN202210769731.7A CN202210769731A CN115222621A CN 115222621 A CN115222621 A CN 115222621A CN 202210769731 A CN202210769731 A CN 202210769731A CN 115222621 A CN115222621 A CN 115222621A
- Authority
- CN
- China
- Prior art keywords
- image
- corrected
- distortion correction
- target object
- correction algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003702 image correction Methods 0.000 title claims abstract description 19
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 223
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 21
- 230000002349 favourable effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G06T5/80—
Abstract
本申请提供一种图像校正方法、电子设备、存储介质及计算机程序产品,涉及图像处理技术领域。该方法通过确定目标对象在待校正图像中的布局信息,然后根据布局信息来确定畸变校正算法,对待校正图像进行校正,所以本申请的图像校正方法考虑了对象在图像中的布局信息,从而可以根据对象的布局信息灵活地选择更合适的畸变校正算法,以缓解图像中目标对象的畸变问题,进而达到更优的校正效果。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像校正方法、电子设备、存储介质及计算机程序产品。
背景技术
为了获得视野更广阔的图像,一般可采用超广角摄像头进行拍摄,但是由于超广角摄像头的中心区域和边缘区域的厚度不同,容易导致拍摄得到的图像存在畸变的情况,如图像中的直线被弯曲。
为了避免图像畸变对用户视觉感受的影响,可以对拍摄得到的图像进行畸变校正处理,以使得图像中的线条能够保持较好的线性,但是目前的畸变校正算法进行校正后,只是对线条的校正效果较好,而非直线区域则被异常拉伸,如人脸,如此又会导致人脸畸变,所以现有的校正方式校正效果较差。
发明内容
本申请实施例的目的在于提供一种图像校正方法、电子设备、存储介质及计算机程序产品,用以改善现有的校正方式校正效果差的问题。
第一方面,本申请实施例提供了一种图像校正方法,所述方法包括:
确定目标对象在待校正图像中的布局信息;
根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正。
在上述实现过程中,通过确定目标对象在待校正图像中的布局信息,然后根据布局信息来确定畸变校正算法,对待校正图像进行校正,所以本申请的图像校正方法考虑了对象在图像中的布局信息,从而可以根据对象的布局信息灵活地选择更合适的畸变校正算法,以缓解图像中目标对象的畸变问题,进而达到更优的校正效果。
可选地,所述布局信息包括所述目标对象在所述待校正图像中的位置信息,所述根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正,包括:
根据所述位置信息确定对应的畸变校正算法,对所述待校正图像进行校正,其中,所述目标对象处于所述待校正图像的不同区域时,对应的畸变校正算法不同。
在上述实现过程中,对于待校正图像的不同区域,选择不同的畸变校正算法进行校正,如此可兼顾待校正图像中的不同区域的校正效果。
可选地,所述根据所述位置信息确定对应的畸变校正算法,对所述待校正图像进行校正,包括:
获取所述位置信息与所述待校正图像的畸变最小区域的位置关系;
根据所述位置关系确定对应的畸变校正算法,对所述待校正图像进行校正。
在上述实现过程中,通过获取待校正图像的畸变最小区域,如此可根据目标对象与畸变最小区域的位置关系来确定畸变校正算法,进而可使得选择的畸变校正算法能够兼顾到其他畸变较大区域,对其他畸变较大区域实现较好的校正效果。
可选地,所述畸变最小区域为所述待校正图像的图像中心区域,所述根据所述位置关系确定对应的畸变校正算法,对所述待校正图像进行校正,包括:
若所述位置关系表明所述目标对象处于所述待校正图像的图像中心区域,则确定利用保线畸变校正算法对所述待校正图像进行校正;
若所述位置关系表明所述目标对象处于所述待校正图像的非图像中心区域,则确定利用保形畸变校正算法对所述待校正图像进行校正。
在上述实现过程中,通过判断目标对象与图像中心区域的位置关系来选择保形畸变校正算法或保线畸变校正算法对待校正图像进行校正,由于保形畸变校正算法能够削弱图像中的对象畸变,让对象看起来更接近真实场景,而保线畸变校正算法能够图像中的线条和真实场景的线条更接近,如此这样的校正方式能够兼顾图像中的线条和对象的畸变校正效果,进而能够达到更好的校正效果。
可选地,所述获取所述位置信息与所述待校正图像的畸变最小区域的位置关系,包括:
在所述待校正图像的图像中心划分中心规则区域,所述中心规则区域为所述畸变最小区域;
获取所述目标对象的对象矩形框,所述对象矩形框为所述目标对象在所述待校正图像中的位置信息;
获取所述对象矩形框与所述中心规则区域之间的位置关系。
在上述实现过程中,通过对待校正图像划分中心规则区域,以此来判断目标对象的对象矩形框与待校正图像的畸变最小区域的位置关系,从而能够准确判断目标对象是否处于待校正图像的中心规则区域,进而可便于选择对图像中的对象或背景线条有利的畸变校正算法进行校正,以达到更好的校正效果。
可选地,所述根据所述位置信息确定对应的畸变校正算法,对所述待校正图像进行校正,包括:
根据所述位置信息确定对应的畸变校正算法,并确定所述目标对象的属性信息;
根据所述属性信息确定所述畸变校正算法对应的校正参数;
利用所述畸变校正算法以及所述校正参数对所述待校正图像进行校正。
在上述实现过程中,通过位置信息确定对应的畸变校正算法后,还根据对象的属性信息确定对应的校正参数,如此可在对图像进行校正时,更加贴合图像中对象的属性信息,以达到对目标对象更好的校正效果。
可选地,所述布局信息包括所述待校正图像中是否存在所述目标对象,所述根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正,包括:
若所述待校正图像中不存在所述目标对象,则确定利用保线畸变校正算法对所述待校正图像进行校正。如此可选择对背景线条有利的畸变校正算法进行校正,使得校正效果更好。
可选地,所述布局信息包括所述目标对象在所述待校正图像中的占比大小,所述根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正,包括:
根据所述占比大小确定对应的畸变校正算法对所述待校正图像进行校正,其中,所述目标对象在所述待校正图像中占比大小在不同范围时,对应的畸变校正算法不同。
在上述实现过程中,根据占比大小来选择对应的畸变校正算法,如此可根据占比大小来判断目标对象在待校正图像中的重要程度,进而可选择对图像校正效果更有利的畸变校正算法进行校正,以兼顾目标对象与背景线条之间的校正效果。
可选地,所述待校正图像中所述目标对象所位于的区域与剩余区域对应的畸变校正算法不同。这样可以针对不同区域采用不同的校正算法进行校正,以达到更好的校正效果。
第二方面,本申请实施例提供了一种图像校正装置,所述装置包括:
布局信息确定模块,用于根据目标对象在待校正图像中的布局信息;
校正模块,用于根据所述布局信息确定畸变校正算法,对待校正图像进行校正。
第三方面,本申请实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行第一方面提供的方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种图像校正方法的流程图;
图2为本申请实施例提供的一种对象矩形框与待校正图像的中心矩形框的一种位置关系示意图;
图3为本申请实施例提供的一种对象矩形框与待校正图像的中心椭圆区域的一种位置关系示意图;
图4为本申请实施例提供的一种图像校正装置的结构框图;
图5为本申请实施例提供的一种用于执行图像校正方法的电子设备的结构示意图。
具体实施方式
近年来,基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence,简称AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科,涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支,具体是让机器识别世界,计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步,该项技术在众多领域展开了应用,例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。本申请实施例中的图像校正方法也属于图像处理的范畴。
本申请提供的图像校正方法通过确定目标对象在待校正图像中的布局信息,然后根据布局信息来确定畸变校正算法,对待校正图像进行校正,本申请的图像校正方法考虑了对象在图像中的布局信息,从而可以根据对象的布局信息灵活地选择更合适的畸变校正算法,以缓解图像中目标对象的畸变问题,进而达到更优的校正效果。
需要说明的是,本发明实施例中的术语“多个”是指两个或两个以上,鉴于此,本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述。
请参照图1,图1为本申请实施例提供的一种图像校正方法的流程图,该方法包括如下步骤:
步骤S110:确定目标对象在待校正图像中的布局信息。
其中,待校正图像是指需要进行畸变校正的图像,其可以是通过摄像头实时采集获得的,也可以是存储在电子设备本地中的,这样在需要进行畸变校正时,可以通过摄像头采集获得待校正图像,也可以从电子设备中读取获得待校正图像。
目标对象可以是指人脸、人物、车辆或动植物等对象,具体在实际应用中,可以根据实际需求灵活设置。由于摄像头拍摄的图像一般产生畸变的位置或者范围可能不同,所以这里的布局信息可以包括目标对象在待校正图像中的位置信息,当然布局信息可以还包括目标对象在待校正图像中的大小信息,位置信息和/或大小信息均可以反映目标对象在待校正图像中的布局信息。
可以理解地,这里的布局信息还可以包括目标对象在待校正图像中的数量,如果有多个目标对象,则可包括这多个目标对象在待校正图像中的位置分布等信息。
步骤S120:根据布局信息确定畸变校正算法,对待校正图像进行校正。
这里根据布局信息确定畸变校正算法有如下两种理解:
(1)其中一种理解可以是:待校正图像中目标对象所位于的区域与剩余区域对应的畸变校正算法不同。比如,对于目标对象在待校正图像中的所在区域,采用一种畸变校正算法进行校正,而对于其他非目标对象所在的区域,则采用另一种畸变校正算法进行校正。这种方式中,根据布局信息可以直接确定出畸变校正算法,如畸变校正算法可预先存储在电子设备中,需要时调取即可,然后对确定出的待校正图像中目标对象所在的区域利用该畸变校正算法进行校正即可。
举例来说,以目标对象为人脸为例,对于图像中的人脸区域可以采用保形畸变校正算法进行校正,该算法可以削弱图像中的人脸畸变,让人脸效果更接近真实场景,而对于图像中除人脸区域外的其他区域,可以采用保线畸变校正算法进行校正,该算法可以让图像中的线条和真实场景中的线条更接近,对线条的畸变校正效果更好。所以,可以针对人脸在待校正图像中的所在区域,针对这部分区域可采用保形畸变校正算法,而对于其他部分区域,可采用保线畸变校正算法。
这里采用两种畸变校正算法对待校正图像进行校正的过程中,可以是先利用保形畸变校正算法对待校正图像中目标对象所在的区域进行校正,此时校正时,对于其他非目标对象所在的区域,其校正参数可以设置为0,即对其他区域的像素点不做处理,而只对目标对象所在的区域的像素点进行处理,如此可得到初始校正后图像,然后可针对初始校正后图像中的非目标对象所在的区域利用保线畸变校正算法进行校正,此时校正时,可以针对目标对象所在的区域,其校正参数设置为0,即对目标对象所在的区域的像素点不做处理,而只对非目标对象所在的区域的像素点进行处理,如此可获得最终校正后的图像。可以理解地,在对待校正图像进行校正时,也可以同时采用两种算法进行一次校正,只是这两种算法所作用的图像区域不同。
这种方案的情况下,根据布局信息确定对应的畸变校正算法可以理解为是:可根据目标对象的布局信息(如位置区域等)来确定保形畸变校正算法中的校正参数以及保线畸变校正算法的校正参数,即确定保形畸变校正算法和保线畸变校正算法的校正参数在哪些位置区域生效,在哪些位置区域不生效。
(2)另一种理解可以是:根据布局信息的不同可确定不同的畸变校正算法。因为待校正图像中目标对象发生畸变所处的位置不同,则也可以针对位置所处的区域,选择合适的畸变校正算法进行校正,即目标对象处于待校正图像的不同区域时,对应的畸变校正算法不同,此时只需要对待校正图像进行一次校正即可达到较好的校正效果,例如,人脸处于待校正图像的中心区域时,采用保线畸变校正算法对待校正图像进行校正,而若人脸处于待校正图像的边缘区域时,则采用保形畸变校正算法对待校正图像进行校正。该实施方式的具体实现过程在后续实施例将做详细介绍,在此先不过多赘述。
在上述实现过程中,通过确定目标对象在待校正图像中的布局信息,然后根据布局信息来确定畸变校正算法,对待校正图像进行校正,所以本申请的图像校正方法考虑了对象在图像中的布局信息,从而可以根据对象的布局信息灵活地选择更合适的畸变校正算法,以缓解图像中目标对象的畸变问题,进而达到更优的校正效果。
在上述实施例的基础上,上述的布局信息可以包括目标对象在待校正图像中的位置信息,此时根据布局信息确定畸变校正算法的方式中,可以根据位置信息确定对应的畸变校正算法,对待校正图像进行校正,其中,目标对象处于待校正图像的不同区域时,对应的畸变校正算法不同。
其中,可以通过以下方式获取目标对象在待校正图像中的位置信息:用户可在电子设备中输入待校正图像,并同时输入待校正图像中目标对象的对象信息,如对象矩形框坐标以及对象数量等,如此电子设备可直接根据对象矩形框坐标获得目标对象在待校正图像中的位置信息;或者,以人脸为例,也可以自动对待校正图像中的人脸进行检测,如通过神经网络模型进行人脸检测,输出人脸框以及人脸框所在的坐标(这里可包括人脸框的中心点坐标或者是四个角点的坐标),如此可获得人脸在待校正图像中的位置信息。
由于摄像头的畸变原理,一般在图像边缘会发生较为严重的畸变,而在图像中心则畸变可能不严重,所以,可以针对目标对象所在的位置信息处于待校正图像的不同区域,而选择不同的畸变校正算法。例如,如果人脸处于待校正图像的中心区域,则可选择对背景线条校正有利的保线畸变校正算法,对待校正图像进行校正,而如果人脸处于待校正图像的非中心区域,则可以选择对人脸校正有利的保形畸变校正算法,对待校正图像进行校正。
可以理解地,这里的区域也可以不仅仅是区分中心区域和非中心区域,在实际应用中,也可以将待校正图像划分为中心区域和中心区域以外的四个区域,即一共五个区域,每个区域可设置一种畸变校正算法,所以可以根据目标对象的位置信息所在的区域来选择对应的畸变校正算法,对待校正图像进行校正。这里目标对象的位置信息处于某个区域可以理解为是目标对象的对象矩形框全部或大部分面积位于某个区域内即可。
在上述实现过程中,对于待校正图像的不同区域,选择不同的畸变校正算法进行校正,如此可兼顾待校正图像中的不同区域的校正效果。
在上述实施例的基础上,在根据位置信息确定对应的畸变校正算法的方式中,还可以获取位置信息与待校正图像的畸变最小区域的位置关系,然后根据位置关系确定对应的畸变校正算法,对待校正图像进行校正。
这里的畸变最小区域是指待校正图像中发生畸变最小的区域,其畸变最小区域可以通过神经网络模型来对待校正图像进行畸变检测获得,其区域的大小可以根据实际情况灵活设置。例如,若检测出待校正图像的畸变最小区域为待校正图像的中心区域,则可获取目标对象所处的位置信息与中心区域的位置关系,如是否在中心区域内,或距离中心区域的远近等位置关系,然后可根据位置关系来确定畸变校正算法,如若目标对象所处的位置信息是在中心区域内,则可选择对应的畸变校正算法进行校正,如果不是在中心区域内,可选择另一种畸变校正算法进行校正。
在上述实现过程中,通过获取待校正图像的畸变最小区域,如此可根据目标对象与畸变最小区域的位置关系来确定畸变校正算法,进而可使得选择的畸变校正算法能够兼顾到其他畸变较大区域,对其他畸变较大区域实现较好的校正效果。
在一些实施方式中,在实验中发现,一般图像中的畸变最小区域为图像的中心区域,该中心区域产生严重畸变的情况较少,所以畸变最小区域可以为待校正图像的图像中心区域,若上述的位置关系表明目标对象处于待校正图像的图像中心区域,表明目标对象所处的位置没有怎么发生畸变,则可选择对背景线条校正有利的保线畸变校正算法对待校正图像进行校正;而若位置关系表明目标对象处于待校正图像的非图像中心区域,表明目标对象所处的位置可能发生畸变,所以可以选择对目标对象(如人脸)校正有利的保形畸变校正算法对待校正图像进行校正。
可以理解地,不管待校正图像的畸变最小区域在哪里,若位置关系表明目标对象处于畸变最小区域,则可选择对背景线条校正有利的保线畸变校正算法对待校正图像进行校正,若位置关系表明目标对象不处于畸变最小区域,则可选择对目标对象校正有利的保形畸变校正算法对待校正图像进行校正。
另外,在目标对象有多个时,也可判断多个目标对象与畸变最小区域之间的位置关系,以此来确定对应的畸变校正算法,如若有超过预设数量的目标对象均处于畸变最小区域内,此时可能有目标对象在畸变最小区域外,可选择对背景线条校正有利的保线畸变校正算法对待校正图像进行校正,若有小于预设数量的目标对象处于畸变最小区域内,则大部分目标对象在畸变最小区域外,则可选择对目标对象校正有利的保形畸变校正算法对待校正图像进行校正。
上述的保线畸变校正算法可以选择任意一种已有的保线畸变校正算法,保形畸变校正算法也可以选择任意一种已有的保形畸变校正算法。
在上述实现过程中,通过判断目标对象与图像中心区域的位置关系来选择保形畸变校正算法或保线畸变校正算法对待校正图像进行校正,这样的校正方式能够兼顾图像中的线条和对象两者的畸变校正效果,进而能够达到更好的校正效果。
在上述实施例的基础上,可以通过以下方式获取位置信息与待校正图像的畸变最小区域的位置关系:在待校正图像的图像中心划分中心规则区域,中心规则区域为畸变最小区域;获取目标对象的对象矩形框,该对象矩形框为目标对象在待校正图像中的位置信息;获取对象矩形框与中心规则区域之间的位置关系。
其中,中心规则区域可以为待校正图像的中心矩形框,如图2所示,其展示了判断对象矩形框与待校正图像的中心矩形框的位置关系的一种方式,假设待校正图像的宽为W,高为H,以待校正图像的中心点建立中心矩形框,其宽为w’=W/2,高为h’=H/2(可以理解地,这里w’和W、h’和H之间的关系可以根据实际需求灵活设置)。判断对象矩形框与中心矩形框的一种位置关系是指判断对象矩形框是否在中心矩形框内,如判断对象矩形框的四个角点的坐标是否落入中心矩形框内,若是,则确定对象矩形框落入中心矩形框内,或者,若是对象矩形框的其中三个角点的坐标落入中心矩形框内,则认为对象矩形框也落入中心矩形框内,否则,则认为对象矩形框未落入中心矩形框内。
或者,也可以是在对象矩形框与中心矩形框之间重叠的面积大于设定面积,或者对象矩形框与中心矩形框之间的交并比(Intersection Over Union,IOU)大于设定值,则认为对象矩形框落入中心矩形框内,反之,则认为对象矩形框未落入中心矩形框内。
中心规则区域也可以为待校正图像的中心椭圆区域,如图3所示,其展示了判断对象矩形框与待校正图像的中心椭圆区域的位置关系的一种方式,假设待校正图像的宽为W,高为H,以待校正图像的中心点建立中心椭圆区域,中心椭圆区域的两个半径分别为r1和r2,r1与W、r2与H之间的关系可以根据需求设置,如r1=W/3,r2=H/4。判断对象矩形框与中心椭圆区域的一种位置关系是指判断对象矩形框是否在中心椭圆区域内,如对象矩形框的四个角点或其中三个角点的坐标均满足则认为对象矩形框落入中心椭圆区域内,反之,则认为对象矩形框未落入中心椭圆区域内。
当然,这里也可以是在确定对象矩形框与中心椭圆区域之间重叠的面积大于设定面积,或者对象矩形框与中心椭圆区域之间的交并比(Intersection Over Union,IOU)大于设定值,则认为对象矩形框落入中心椭圆区域内,反之,则认为对象矩形框未落入中心椭圆区域内。
可以理解地,判断目标对象的位置信息与畸变最小区域(如中心规则区域)的位置关系的方式还可以包括其他方式,如:通过在待校正图像的图像中心划分中心圆形区域(即中心规则区域为中心圆形区域,不一定是中心椭圆区域),然后判断对象矩形框是否落入中心圆形区域中,这里的判断方式与上述判断对象矩形框是否落入中心椭圆区域的方式类似,在此不重复赘述;或者,还可以将对象矩形框的中心点与待校正图像的中心点(此时的中心规则区域包含该中心点)之间的距离进行比较,如距离小于设定距离,则认为对象矩形框落入待校正图像的中心区域,反之,则认为对象矩形框未落入待校正图像的中心区域。
可以理解地,对于其他的判断方式在此不一一列举,其他的判断方式也应落入本申请的保护范围之内。
在上述实现过程中,通过对待校正图像划分中心规则区域,以此来判断目标对象的对象矩形框与待校正图像的畸变最小区域的位置关系,从而能够准确判断目标对象是否处于待校正图像的中心规则区域,进而可便于选择对图像中的对象或背景线条有利的畸变校正算法进行校正,以达到更好的校正效果。
在上述实施例的基础上,目标对象的布局信息还可以包括待校正图像中是否存在目标对象,在根据布局信息确定畸变校正算法时,还可以先判断待校正图像中是否存在目标对象,若待校正图像中不存在目标对象,则确定利用保线畸变校正算法对待校正图像进行校正。
可以理解地,如果待校正图像中不存在目标对象,这里的目标对象可以是指除背景之外的对象,此时待校正图像中只包含背景信息,如此可选择对背景线条校正有利的保线畸变校正算法进行校正,使得校正效果更好。而如果待校正图像中存在目标对象,则可再根据目标对象的布局信息(如位置信息或占比大小等)来确定对应的畸变校正算法。
在一些实施方式中,目标对象的布局信息可包括目标对象在待校正图像中的占比大小,在根据布局信息确定畸变校正算法的方式中,还可根据占比大小确定对应的畸变校正算法对待校正图像进行校正,其中,目标对象在待校正图像中的占比大小在不同范围时,对应的畸变校正算法不同。
其中,占比大小可以理解为是目标对象在待校正图像中的面积占比大小,如可以通过获取目标对象在待校正图像中的对象矩形框,然后计算对象矩形框的面积,对象矩形框的面积与待校正图像的面积之比即为目标对象的占比大小。如果占比较大(如占比大小超过设定占比),可认为目标对象在待校正图像中占据了较大的面积,表明目标对象在待校正图像中比较重要,比如人像图像中包含了少数背景图像,则可以选择对目标对象校正有利的保形畸变校正算法对待校正图像进行校正。而如果占比较小(如占比大小小于设定占比),可认为目标对象在待校正图像中占据较小的面积,表明目标对象在待校正图像中不是很重要,比如风景图像中误入了人脸,此时可选择对背景校正有利的保线畸变校正算法对待校正图像进行校正,如此可根据占比大小灵活选择对待校正图像校正有利的畸变校正算法,从而达到更好的校正效果。
在上述实施例的基础上,上述在根据位置信息确定对应的畸变校正算法中,还可以根据位置信息先确定对应的畸变校正算法,再确定目标对象的属性信息,根据属性信息确定畸变校正算法对应的校正参数,然后利用畸变校正算法以及校正参数对待校正图像进行校正。
其中根据位置信息确定对应的畸变校正算法的方式与上述实施例中的方式一致,具体可参照上述实施例的相关过程,在此不再重复赘述。
目标对象的属性信息可以是指目标对象的年龄属性(如老人、小孩等)、性别属性、人脸属性(如正脸、侧脸等)或大小等属性信息,目标对象的属性信息可以通过神经网络模型进行识别获得。对于不同的属性信息,对应的校正参数可能不同,例如,如果根据位置信息确定出的畸变校正算法为保形畸变校正算法,表示此时需要对目标对象所在区域的像素点进行畸变校正,以人脸为例,可以对待校正图像中的人脸进行识别,可识别出人脸所属的性别属性、或人脸属性、或年龄属性等。由于不同的性别属性、人脸属性或年龄属性等在图像中产生的畸变程度不同,所以,可以针对不同的属性信息设置对应的校正参数,如此可实现对目标对象更好的畸变校正效果。
上述的校正参数可以是预先设置的针对不同属性信息的标准校正参数,如在人脸为侧脸时,其标准校正参数包括人脸面积为A、人脸径向距离为B,此时可获取待校正图像中人脸的面积和径向距离,然后可确定人脸的畸变程度(即待校正图像中人脸的面积与径向距离,和标准校正参数之间的差别),如此即可根据畸变程度对待校正图像进行调整,以实现对待校正图像的畸变校正。
或者,上述的校正参数可以包括切向畸变参数和径向畸变参数,所以,也可以针对不同的属性信息设置对应的切向畸变参数以及径向畸变参数,通过切向畸变参数和径向畸变参数可以生成相应的畸变校正函数,畸变校正函数用于表征待校正图像中每个像素点的像素距离值与像素偏移值之间的关系,这里的像素距离值是指各个像素点与待校正图像的中心像素点之间的距离值,像素偏移值是指各个像素点的实际位置与理想位置之间的偏移值,所以可以根据生成的畸变校正函数对待校正图像中的各个像素点进行处理,进而实现对待校正图像的校正。
在上述实现过程中,通过位置信息确定对应的畸变校正算法后,还根据对象的属性信息确定对应的校正参数,如此可在对图像进行校正时,更加贴合图像中对象的属性信息,以达到对目标对象更好的校正效果。
请参照图4,图4为本申请实施例提供的一种图像校正装置200的结构框图,该装置200可以是电子设备上的模块、程序段或代码。应理解,该装置200与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置200具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
可选地,所述装置200包括:
布局信息确定模块210,用于根据目标对象在待校正图像中的布局信息;
校正模块220,用于根据所述布局信息确定畸变校正算法,对待校正图像进行校正。
可选地,所述布局信息包括所述目标对象在所述待校正图像中的位置信息,所述校正模块220,用于根据所述位置信息确定对应的畸变校正算法,对所述待校正图像进行校正,其中,所述目标对象处于所述待校正图像的不同区域时,对应的畸变校正算法不同。
可选地,所述校正模块220,用于获取所述位置信息与所述待校正图像的畸变最小区域的位置关系;根据所述位置关系确定对应的畸变校正算法,对所述待校正图像进行校正。
可选地,所述畸变最小区域为所述待校正图像的图像中心区域,所述校正模块220,用于若所述位置关系表明所述目标对象处于所述待校正图像的图像中心区域,则确定利用保线畸变校正算法对所述待校正图像进行校正;若所述位置关系表明所述目标对象处于所述待校正图像的非图像中心区域,则确定利用保形畸变校正算法对所述待校正图像进行校正。
可选地,所述校正模块220,用于在所述待校正图像的图像中心划分中心规则区域,所述中心规则区域为所述畸变最小区域;获取所述目标对象的对象矩形框,所述对象矩形框为所述目标对象在所述待校正图像中的位置信息;获取所述对象矩形框与所述中心规则区域之间的位置关系。
可选地,所述校正模块220,用于根据所述位置信息确定对应的畸变校正算法,并确定所述目标对象的属性信息;根据所述属性信息确定所述畸变校正算法对应的校正参数;利用所述畸变校正算法以及所述校正参数对所述待校正图像进行校正。
可选地,所述布局信息包括所述待校正图像中是否存在所述目标对象,所述校正模块220,用于若所述待校正图像中不存在所述目标对象,则确定利用保线畸变校正算法对所述待校正图像进行校正。
可选地,所述布局信息包括所述目标对象在所述待校正图像中的占比大小,所述校正模块220,用于根据所述占比大小确定对应的畸变校正算法对所述待校正图像进行校正,其中,所述目标对象在所述待校正图像中占比大小在不同范围时,对应的畸变校正算法不同。
可选地,所述待校正图像中所述目标对象所位于的区域与剩余区域对应的畸变校正算法不同。
需要说明的是,本领域技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再重复描述。
请参照图5,图5为本申请实施例提供的一种用于执行图像校正方法的电子设备的结构示意图,所述电子设备可以包括:至少一个处理器310,例如CPU,至少一个通信接口320,至少一个存储器330和至少一个通信总线340。其中,通信总线340用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口320用于与其他节点设备进行信令或数据的通信。存储器330可以是高速RAM存储器,也可以是非易失性的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器330可选的还可以是至少一个位于远离前述处理器的存储装置。存储器330中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器310执行时,电子设备执行上述图1所示方法过程。
可以理解,图5所示的结构仅为示意,所述电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,执行如图1所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如,包括:确定目标对象在待校正图像中的布局信息;根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正。
综上所述,本申请实施例提供一种图像校正方法、电子设备、存储介质及计算机程序产品,该方法通过确定目标对象在待校正图像中的布局信息,然后根据布局信息来确定畸变校正算法,对待校正图像进行校正,所以本申请的图像校正方法考虑了对象在图像中的布局信息,从而可以根据对象的布局信息灵活地选择更合适的畸变校正算法,以缓解图像中目标对象的畸变问题,进而达到更优的校正效果。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种图像校正方法,其特征在于,所述方法包括:
确定目标对象在待校正图像中的布局信息;
根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正。
2.根据权利要求1所述的方法,其特征在于,所述布局信息包括所述目标对象在所述待校正图像中的位置信息,所述根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正,包括:
根据所述位置信息确定对应的畸变校正算法,对所述待校正图像进行校正,其中,所述目标对象处于所述待校正图像的不同区域时,对应的畸变校正算法不同。
3.根据权利要求2所述的方法,其特征在于,所述根据所述位置信息确定对应的畸变校正算法,对所述待校正图像进行校正,包括:
获取所述位置信息与所述待校正图像的畸变最小区域的位置关系;
根据所述位置关系确定对应的畸变校正算法,对所述待校正图像进行校正。
4.根据权利要求3所述的方法,其特征在于,所述畸变最小区域为所述待校正图像的图像中心区域,所述根据所述位置关系确定对应的畸变校正算法,对所述待校正图像进行校正,包括:
若所述位置关系表明所述目标对象处于所述待校正图像的图像中心区域,则确定利用保线畸变校正算法对所述待校正图像进行校正;
若所述位置关系表明所述目标对象处于所述待校正图像的非图像中心区域,则确定利用保形畸变校正算法对所述待校正图像进行校正。
5.根据权利要求3所述的方法,其特征在于,所述获取所述位置信息与所述待校正图像的畸变最小区域的位置关系,包括:
在所述待校正图像的图像中心划分中心规则区域,所述中心规则区域为所述畸变最小区域;
获取所述目标对象的对象矩形框,所述对象矩形框为所述目标对象在所述待校正图像中的位置信息;
获取所述对象矩形框与所述中心规则区域之间的位置关系。
6.根据权利要求2所述的方法,其特征在于,所述根据所述位置信息确定对应的畸变校正算法,对所述待校正图像进行校正,包括:
根据所述位置信息确定对应的畸变校正算法,并确定所述目标对象的属性信息;
根据所述属性信息确定所述畸变校正算法对应的校正参数;
利用所述畸变校正算法以及所述校正参数对所述待校正图像进行校正。
7.根据权利要求1所述的方法,其特征在于,所述布局信息包括所述待校正图像中是否存在所述目标对象,所述根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正,包括:
若所述待校正图像中不存在所述目标对象,则确定利用保线畸变校正算法对所述待校正图像进行校正。
8.根据权利要求1所述的方法,其特征在于,所述布局信息包括所述目标对象在所述待校正图像中的占比大小,所述根据所述布局信息确定畸变校正算法,对所述待校正图像进行校正,包括:
根据所述占比大小确定对应的畸变校正算法对所述待校正图像进行校正,其中,所述目标对象在所述待校正图像中占比大小在不同范围时,对应的畸变校正算法不同。
9.根据权利要求1所述的方法,其特征在于,所述待校正图像中所述目标对象所位于的区域与剩余区域对应的畸变校正算法不同。
10.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-9任一所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-9任一所述的方法。
12.一种计算机程序产品,其特征在于,包括计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769731.7A CN115222621A (zh) | 2022-06-30 | 2022-06-30 | 图像校正方法、电子设备、存储介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769731.7A CN115222621A (zh) | 2022-06-30 | 2022-06-30 | 图像校正方法、电子设备、存储介质及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222621A true CN115222621A (zh) | 2022-10-21 |
Family
ID=83609635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210769731.7A Pending CN115222621A (zh) | 2022-06-30 | 2022-06-30 | 图像校正方法、电子设备、存储介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222621A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071272A (zh) * | 2023-03-07 | 2023-05-05 | 上海聚跃检测技术有限公司 | 一种图像校正方法、装置、电子设备及其存储介质 |
-
2022
- 2022-06-30 CN CN202210769731.7A patent/CN115222621A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071272A (zh) * | 2023-03-07 | 2023-05-05 | 上海聚跃检测技术有限公司 | 一种图像校正方法、装置、电子设备及其存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220092882A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
US20220400246A1 (en) | Gaze correction of multi-view images | |
CN111027504A (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
CN108428214B (zh) | 一种图像处理方法及装置 | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN111914748B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN110147708B (zh) | 一种图像数据处理方法和相关装置 | |
CN112036284B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113570530A (zh) | 图像融合方法、装置、计算机可读存储介质和电子设备 | |
CN111488853A (zh) | 金融机构安防系统的大数据人脸识别方法、系统及机器人 | |
CN112446322A (zh) | 眼球特征检测方法、装置、设备及计算机可读存储介质 | |
CN115222621A (zh) | 图像校正方法、电子设备、存储介质及计算机程序产品 | |
CN112613471B (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
CN112836682A (zh) | 视频中对象的识别方法、装置、计算机设备和存储介质 | |
CN112017148B (zh) | 一种单节骨骼轮廓的提取方法及装置 | |
CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
WO2007077694A1 (ja) | 鼻紋情報生成装置及び鼻紋情報照合装置及び鼻紋情報生成プログラム及び鼻紋情報生成方法 | |
CN115830354A (zh) | 双目立体匹配方法、设备和介质 | |
CN115577768A (zh) | 半监督模型训练方法和装置 | |
CN113837020B (zh) | 一种化妆进度检测方法、装置、设备及存储介质 | |
CN112395912B (zh) | 一种人脸分割方法、电子设备及计算机可读存储介质 | |
CN116777767A (zh) | 图像处理方法、电子设备及存储介质 | |
CN115984945A (zh) | 一种人脸关键点真值的获取方法、装置、车辆及电子设备 |
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 |