CN115619678A - 一种图像变形的矫正方法、装置、计算机设备及存储介质 - Google Patents

一种图像变形的矫正方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115619678A
CN115619678A CN202211347791.6A CN202211347791A CN115619678A CN 115619678 A CN115619678 A CN 115619678A CN 202211347791 A CN202211347791 A CN 202211347791A CN 115619678 A CN115619678 A CN 115619678A
Authority
CN
China
Prior art keywords
feature map
image
corrected
feature
focusing
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
CN202211347791.6A
Other languages
English (en)
Other versions
CN115619678B (zh
Inventor
何良雨
蒋文
刘彤
崔健
张文刚
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.)
Fengrui Lingchuang Zhuhai Technology Co ltd
Original Assignee
Fengrui Lingchuang Zhuhai 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 Fengrui Lingchuang Zhuhai Technology Co ltd filed Critical Fengrui Lingchuang Zhuhai Technology Co ltd
Priority to CN202211347791.6A priority Critical patent/CN115619678B/zh
Publication of CN115619678A publication Critical patent/CN115619678A/zh
Application granted granted Critical
Publication of CN115619678B publication Critical patent/CN115619678B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，尤其涉及一种图像变形的矫正方法、装置、计算机设备及存储介质。提取待矫正图像的聚焦特征，对待矫正图像进行边缘特征提取，得到边缘特征图，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图，对基于待矫正图像取反后的取反特征图进行聚焦卷积得到离焦特征图，对第一特征图进行离焦补偿处理，得到第二特征图。本发明中，通过将聚焦卷积得到的特征与边缘特征图进行通道融合，使待矫正图像的原始信息和浅层特征融合，避免了图像信息的丢失，通过与取反特征图进行级联，有效地对图像信息进行了补偿，避免了图像有效像素点的丢失，提高了特征点的预测精度，从而提高了图像矫正的精度。

Description

一种图像变形的矫正方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像变形的矫正方法、装置、计算机设备及存储介质。
背景技术
视觉检测是智能制造工业领域常用的产品检测方法，其中，基于线扫相机成像的检测方法由于成像连续性好、画幅不受限等优点被广泛使用。但在半导体制造等高精度检测要求的场景，线扫相机成像方式依旧存在一些限制。线扫相机基于逐行依次采集成像模式，一旦运动机构稳定不足或其他原因，很可能导致相机采集的图像产生变形拉伸，图像中的产品外形扭曲失真，从而引起产品检测准确性降低、生产良率降低等各种后果。目前矫正图像变形的算法以传统算法透视变换矫正为主，但其主要针对面阵相机成像，而线阵相机在运动方向基于正视投影规律，基于透视变换矫正的方法并不适用，使矫正精度较低。因此，对线扫相机成像变形矫正的过程中，如何提高矫正精度成为亟待解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种图像变形的矫正方法、装置、计算机设备及存储介质，以解决图像变形矫正时精度较低的问题。
本申请实施例的第一方面提供了一种图像变形的矫正方法，所述矫正方法包括：
获取待矫正图像，提取所述待矫正图像的聚焦特征，得到所述待矫正图像对应的聚焦特征图；
对所述待矫正图像进行边缘特征提取，得到边缘特征图，基于所述边缘特征图对所述聚焦特征图进行几何强化处理，得到第一特征图；
对基于所述待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过所述离焦特征图与所述第一特征图进行通道融合，对所述第一特征图进行离焦补偿处理，得到第二特征图；
对所述第二特征图多次卷积，得到第三特征图，将第三特征图与基于所述聚焦特征图进行多次卷积得到的第四特征图进行通道融合，得到最终融合后的特征图；
将所述最终融合后的特征图输入至预设预测模型中，输出所述待矫正图像中的特征点预测坐标；
根据所述特征点预测坐标与预设矫正规则，对所述待矫正图像进行矫正处理，得到目标图像。
本申请实施例的第二方面提供了一种图像变形的矫正装置，其特征在于，所述矫正装置包括：
聚焦特征提取模块，用于获取待矫正图像，提取所述待矫正图像的聚焦特征，得到所述待矫正图像对应的聚焦特征图；
几何强化模块，用于对所述待矫正图像进行边缘特征提取，得到边缘特征图，基于所述边缘特征图对所述聚焦特征图进行几何强化处理，得到第一特征图；
离焦补偿模块，用于对基于所述待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过所述离焦特征图与所述第一特征图进行通道融合，对所述第一特征图进行离焦补偿处理，得到第二特征图；
融合模块，用于对所述第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于所述聚焦特征图进行多次卷积得到的第四特征图进行通道融合，得到最终融合后的特征图；
预测模块，用于将所述最终融合后的特征图输入至预设预测模型中，输出所述待矫正图像中的特征点预测坐标；
矫正模块，用于根据所述特征点预测坐标与预设矫正规则，对所述待矫正图像进行矫正处理，得到目标图像。
第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的矫正方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的矫正方法。
本发明与现有技术相比存在的有益效果是：
获取待矫正图像，提取待矫正图像的聚焦特征，得到待矫正图像对应的聚焦特征图，对待矫正图像进行边缘特征提取，得到边缘特征图，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图，对基于待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图，对第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于聚焦特征图进行多次卷积得到的第四特征图进行通道融合，得到最终融合后的特征图，将最终融合后的特征图输入至预设预测模型中，输出待矫正图像中的特征点预测坐标，根据特征点预测坐标与预设矫正规则，对待矫正图像进行矫正处理，得到目标图像。本发明中，通过将聚焦卷积得到的特征与边缘特征图进行通道融合，使待矫正图像的原始信息和浅层特征融合，避免了图像信息的丢失，通过与取反特征图进行级联，有效地对图像信息进行了补偿，避免了图像有效像素点的丢失，提高了特征点的预测精度，从而提高了图像矫正的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种图像变形的矫正方法的一应用环境示意图；
图2是本发明一实施例提供的一种图像变形的矫正方法的流程示意图；
图3是本发明一实施例提供的一种卷积计算示意图；
图4是本发明一实施例提供的一种聚焦卷积计算示意图；
图5是本发明一实施例提供的一种聚焦特征图进行卷积的网络结构示意图；
图6是本发明一实施例提供的一种一像素点的灰度值与其相邻像素点灰度值示意图；
图7是本发明一实施例提供的一种图像变形的特征点预测的网络结构示意图；
图8是本发明一实施例提供的一种离焦补偿的网络结构示意图；
图9是本发明一实施例提供的一种待矫正图像的真实图像，待矫正图像的预测图像与正常产品图像之间的映射关系示意图；
图10是本发明一实施例提供的一种图像变形的矫正方法的流程示意图；
图11是本发明一实施例提供的一种图像变形的矫正装置的结构示意图；
图12是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明一实施例提供的一种图像变形的矫正方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2，是本发明一实施例提供的一种图像变形的矫正方法的流程示意图，上述图像变形的矫正方法可以应用于图1中的服务端，上述服务端连接相应的客户端，为客户端提供视觉分析服务。如图2所示，该图像变形的矫正方法可以包括以下步骤：
S201：获取待矫正图像，提取待矫正图像的聚焦特征，得到待矫正图像对应的聚焦特征图。
在步骤S201中，待矫正图像为基于线扫相机获得的图像，聚焦特征为待矫正图像中有效像素中的特征，待矫正图像对应的聚焦特征图为包含待矫正图像中所有有效像素特征的特征图。
本实施例中，提取待矫正图像的聚焦特征之前，对待矫正图像进行预处理，将基于线性相机扫描得到的RGB图像转换为灰度图像，由于原数据为彩色三通道图，直接彩色图像处理数据运算量较大，处理时间比较长，因此对原始图像进行灰度化处理。将待矫正图像进行灰度化处理，灰度化处理具体是在RGB模型中，采用分量法、最大值法、平均值法或加权平均法对彩色图像进行灰度化处理，分量法将彩色图像中的三分量RGB的亮度作为三个灰度图像的灰度值，可根据应用需要选取三种中的一种灰度图像。最大值法，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值，平均值法，将彩色图像中的三分量亮度求平均得到一个灰度图，加权平均法，根据重要性及其它指标，将三个分量以不同的权值进行加权平均。
本实施例中，为了得到更准确的灰度值，只用加权平均法对待矫正图像进行灰度化处理，得到待矫正图像对应的灰度图像，为了消除指标之间的量纲影响，需要将灰度图像进行归一化处理，灰度图像的数值为0-255之间，彼此之间数据差值较大，通过归一化处理，将数值映射为0-1之间，得到归一化灰度图。根据归一化灰度图，提取归一化灰度图中的聚焦特征，得到对应的聚焦特征图。
可选地，提取待矫正图像的聚焦特征，得到待矫正图像对应的聚焦特征图，包括：
对待矫正图像进行聚焦卷积，得到待矫正图像对应的聚焦特征图。
本实施例中，提取聚焦特征时，先使用深度估计模型MiDaS，生成深度图，设置合适的深度阈值，对深度图进行阈值化处理，根据深度阈值对深度图像中的像素进行过滤，过滤掉深度值较低的不相关的像素点，得到相关深度图，对相关深度图进行聚焦卷积，得到对应的聚焦特征图，提取对应深度图中的有效像素点的特征，得到聚焦特征得到待矫正图像对应的聚焦特征图。
如图3所示，为卷积计算示意图，将3D输入张量的块转换为2D矩阵的列，例如图3中的第一个3D张量的块，将3D张量的块转换为2D矩阵的第一列数据，然后判断3D输入张量的块是否为相关的像素点，若3D输入张量的块为相关的像素点，将3D输入张量的块转换为2D矩阵的列，若3D输入张量的块为不相关的像素点，则不将D输入张量的块转换为2D矩阵的列，从而减少2D矩阵数据量，提高特征提取效率，如图4所示，为聚焦卷积计算示意图。
对相关图像进行卷积时，使用预设卷积核，对相关图像进行卷积，采用不同的卷积核是需要提取不同感受野的特征，网络越深，特征也会随之变的愈加抽象，并且特征所涵盖的感受野也会越来越大，所以需要大量的3*3和5*5的卷积核，在聚焦卷积网络中，卷积层使用3*3的卷积核对相关图像进行卷积，并采用ReLU作为非线性激活函数，最后通过池化层对图像进行下采样处理得到聚焦特征图。
为了提取聚焦特征图中更深层次的特征，对聚焦特征图进行多层卷积网络进行卷积，如图5所示，为本申请一实施例中的聚焦特征图进行卷积的网络结构示意图，通过7个卷积网络相互连接，上一卷积网络的输出作为下一卷积网络的输入，每个卷积网络中都包括一个卷积层，一个激活函数层与一个池化层，卷积层中的卷积核选用3*3和5*5的卷积核，采用连续的堆积小卷积核是因为多层网络可以在增加网络深度的情况下能够保持复杂度的同时参数反而更少，确保了参数量的下降。激活函数层使用ReLU作为非线性激活函数，池化层使用均值池化或者最大值池化，在最后一层卷积网络中使用均值池化，其余卷积网络后使用最大值池化。
需要说明的是，在第二卷积网络与第三卷积网络中，使用上采样层加大图像的特征多样性，在第四卷积网络与第五卷积网络中，使用上采样层加大图像的特征多样性，新增上采样层以扩大感受野。并将第二卷积网络与第三卷积网络输出的卷积特征进行通道融合，增加网络多样性，防止网络过拟合，将第四卷积网络与第五层卷积网络输出的第四卷积特征也进行通道融合，增加网络多样性，防止网络过拟合。
S202：对待矫正图像进行边缘特征提取，得到边缘特征图，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图。
在步骤S202中，提取待矫正图像中的边缘特征，获取待矫正图像中的边缘特征线，为了充分提取利用图像中的原始信息，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图。
本实施例中，随着卷积神经网络的加深，对原始图像不断进行卷积运算，在卷积前向传播过程中，不可避免的会发生信息丢失的现象，而浅层特征包含了丰富的图像信息，利用好图像原始信息和浅层特征，无疑会提高网络的表现性；为了充分提取利用图像中的原始信息，更好的完成点的回归任务，让网络注意力更多的放在图像边缘特征上，所以基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图。
图像的边缘特征由像素点灰度值的不连续性所反映的，它是指图像中其周围像素点灰度值有阶跃状变化的像素点的集合，边缘特征广泛存在于目标与背景、目标与目标、区域与区域之间，边缘能勾勒出图像中目标物体的轮廓线。本实施例中提取待矫正图像的边缘特征可以使用一阶微分的边缘提取算法、基于二阶微分的边缘提取算法、基于相位一致性的边缘提取算法和基于小波理论的边缘提取算法等。
本实施例中，使用一阶微分的边缘提取算法提取边缘特征，提取边缘特征时是计算每个像素点的梯度值，基于梯度值，提取边缘特征，例如，如图6所示，为本实施例中待矫正图像中的一个像素点的灰度值与其相邻像素点灰度值示意图，则像素点p5在水平方向与垂直方向的梯度大小的计算公式如下式：
边缘特征提取公式如下式：
Figure BDA0003918837280000101
Figure BDA0003918837280000102
其中，gy为像素点垂直方向的梯度大小，gx为像素点水平方向的梯度大小，P1，P2，P3，P4，P5，P6，P7，P8，P9，为像素点的灰度值。
可选地，对待矫正图像进行边缘特征提取，得到边缘特征图，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图，包括：
对边缘特征图进行缩放处理，得到缩放特征图；
对缩放特征图进行两次卷积，得到卷积缩放特征图；
将卷积缩放特征图与聚焦卷积特征图进行通道融合，得到第一特征图。
本实施例中，提取到待矫正图像的边缘特征，将边缘特征融合到聚焦特征图中，以充分利用待矫正图像中的浅层图像信息，可以在聚焦卷积的过程中融合待矫正图像的边缘特征。将在聚焦特征提取的过程中融合待矫正图像的边缘特征。
将边缘特征进行缩放处理，分别缩放为不同尺寸大小的边缘特征图，将缩放后的边缘特征图与聚焦网络输出的聚焦特征图进行通道融合，将融合后的特征图作为第一特征图。
需要说明的是，在将待矫正图像中的边缘特征图与聚焦特征图进行融合时，至少与一层中网络层输出的特征图进行通道融合，得到第一特征图。
S203：对基于待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图。
在步骤S203中，对基于待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，离焦特征图为对取反特征图进行聚焦卷积得到的，通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图，离焦补偿处理可以补偿聚焦特征图中待矫正图像中丢失的信息。
本实施例中，由于图片受不同光照环境、机构不同速度引起图片拉伸程度等影响问题，可能导致网络识别各像素点坐标效果不佳，在对待矫正图像进行聚焦卷积时，提取待矫正图像的相关图像时，舍去的小于深度阈值的像素点可能为有效的像素点，为了对舍去的有效像素点的补偿，进行离焦补偿处理。离焦补偿是将离焦处理得到的离焦特征图与基于聚焦特征图得到的第一特征图进行融合，以便得到信息更完善的特征图。
可选地，对基于待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图，包括：
对待矫正图像进行取反处理，得到取反特征图；
将取反特征图进行聚焦卷积，得到离焦特征图；
通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图。
本实施例中，将待矫正图像进行二值化处理，得到二值化图像，像素点的值为0和1，对二值化图像进行取反处理，将像素值为0的像素点转换为像素值1，将像素值为1的像素点转换为像素值0，得到取反特征图后，对取反特征图进行聚焦卷积处理，通过对不相关像素点的卷积运算，从而加强模型的泛化能力。提取反特征图中的有效像素点，离焦特征图，将离焦特征图与第一特征图进行通道融合，得到第二特征图。
本实施例中，将离焦补偿处理过程中得到离焦特征图与聚焦特征图进行了三次通道融合，将边缘特征图缩放为第一边缘征图、第二边缘特征图与第三边缘特征图，将第一边缘特征图、第二边缘特征图与第三边缘特征图进行两次卷积，分别得到第一卷积边缘特征图，第二卷积边缘特征图与第三卷积边缘特征图，将第一卷积边缘特征图与聚焦特征图进行通道融合，得到第一特征图，将第一特征图与离焦特征图进行第一次通道融合，得到第二特征图，为第一次通道融合；将第二特征图进行多次卷积，得到第三卷积特征图，将基于聚焦特征图得到第一融合特征图与第三卷积特征图进行通道融合，得到第三融合特征图，为第二次通道融合；将第三融合特征图与基于聚焦特征图得到的第四融合特征图进行通道融合，得到第五融合特征图，为第三次通道融合。再通过卷积得到第三特征图。
S204：对第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于聚焦特征图进行多次卷积得到的第四特征图进行通道融合，得到最终融合后的特征图。
在步骤S204中，为了提取待矫正图像更深层的特征，对第二特征图像进行多次卷积，得到第三特征图，为提取有效像素更深层的特征，对聚焦特征图进行多次卷积，得到第四特征图，将第三特征图与第四特征图进行通道融合，得到最终融合后的特征图。
本实施例中，为了进一步补偿聚焦特征图中的舍去的特征，对第二特征图进行多层卷积，得到第三特征图，将第三特征图与基于聚焦特征图进行多次卷积得到的第四特征图进行通道融合，得到最终融合后的特征图。在对第二特征图与第一特征图进行卷积的过程中，可以将大小相等的特征图进行通道融合，以便于提高待矫正图像中特征精度。
S205：将最终融合后的特征图输入至预设预测模型中，输出待矫正图像中的特征点预测坐标。
在步骤S205中，预设预测模型为预测待矫正图像中特征点的坐标，将最终融合后的特征图输入至预设预测模型中，输出待矫正图像中的特征点预测坐标。
本实施例中，为了减少模型的计算量，降低特征图的维度，将最后一层卷积网络输出的特征图输入至1*1的卷积层中，通过预设预测模型输出待校正图像中的特征点的坐标，包括1280个坐标。
另一实施例中，如图7所示，为本发明一实施例提供的一种图像变形的特征点预测的网络结构示意图，图像变形的特征点预测的网络结构包括几何强化模块，聚焦特征提取模块与离焦特征补偿模块，在对待矫正图像进行预测时，首先对待矫正图像进行聚焦卷积，提取有效像素的特征，得到聚焦特征图，使用边缘特征图与聚焦特征图进行通道融合时，将边缘特征图缩放为不同大小的边缘特征图，分别为第一边缘特征图、第二边缘特征图与第三边缘特征图，将第一边缘特征图、第二边缘特征图与第三边缘特征图进行两次卷积，分别得到第一卷积边缘特征图，第二卷积边缘特征图与第三卷积边缘特征图，将第一卷积边缘特征图与聚焦特征图进行通道融合，得到第一特征图，将第一特征图进行卷积，得到第一卷积特征图，将第一卷积特征图，通过卷积后生成特征图，再与第二卷积边缘特征图进行通道融合，得到第一融合特征图，将第一融合特征图进行反卷积，得到第一反卷积特征图，将第一反卷积特征图进行卷积，得到第二卷积特征图，将第二卷积特征图与第一融合特征图进行通道融合，得到第二融合特征图，将第二融合特征图与第三卷积边缘特征图进行通道融合，得到第四融合特征图，将第四融合特征图进行卷积，得到第四特征图。
在进行离焦补偿时，如图8所示，为本申请一实施例中的离焦补偿的网络结构示意图。对取反特征图进行聚焦卷积，得到离焦特征图，对离焦特征图与第一特征图进行通道融合，得到第二特征图；将第二特征图进行卷积，得到第三卷积特征图；第三卷积特征图卷积后，再与第一融合特征图与进行通道融合，得到第三融合特征图；第三融合特征图卷积后，再与第四融合特征图进行通道融合，得到第五融合特征图；对第五融合特征图进行卷积，得到第三特征图。
将第三特征图与第四特征图进行通道融合，得到最终融合后的特征图，为了减少模型的计算量，降低特征图的维度将最后一层卷积网络输出的特征图输入至1*1的卷积层中，通过预设预测模型输出待校正图像中的特征点的坐标，包括1280个坐标。S206：根据特征点预测坐标与预设矫正规则，对待矫正图像进行矫正处理，得到目标图像。
在步骤S206中，预设矫正规则为待矫正图像与正常图像之间的映射关系，根据映射关系，对待矫正图像进行矫正处理，得到目标图像。
本实施例中，根据待矫正图像中特征点的预测坐标与，待矫正图像与正常图像之间的映射关系，得到对应正常图像中特征点的实际坐标，待矫正图像的特征点为待矫正图像中的边缘点。
可选地，根据特征点预测坐标与预设矫正规则，对待矫正图像进行矫正处理，得到目标图像，包括：
根据预设矫正映射公式与每个特征点的预测坐标，计算每个特征点的目标坐标；
基于目标坐标对待矫正图像进行矫正，得到目标图像。
本实施例中，根据预设矫正映射公式计算每个特征点的目标坐标，预设矫正映射公式如下式：
Figure BDA0003918837280000151
其中，g(x,y)为每个特征点预测坐标，f(x',y')为每个特征点的目标坐标，tx为待矫正图像的x列的上边缘点，bx为待矫正图像的x列的下边缘点，x′与x相等，cx为正常产品上边缘的y值，dx为正常产品的上下边缘点间距。具体地，如图9所示，是本申请一实施例中待矫正图像的真实图像，待矫正图像的预测图像与正常产品图像之间的映射关系。
获取待矫正图像，提取待矫正图像的聚焦特征，得到待矫正图像对应的聚焦特征图，对待矫正图像进行边缘特征提取，得到边缘特征图，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图，在进行几何强化处理时，将边缘特征图进行两次卷积，提取待矫正图像的边缘特征，将待矫正图像中的边缘特征与待矫正图像中的有效像素点中的特征图进行融合，强化待矫正图像中的特征，以便于提高特征点预测的精度。基于待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图，对第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于聚焦特征图进行多次卷积得到的第四特征图，进行通道融合，得到最终融合后的特征图，将最终融合后的特征图输入至预设预测模型中，输出待矫正图像中的特征点预测坐标，根据特征点预测坐标与预设矫正规则，对待矫正图像进行矫正处理，得到目标图像。本发明中，通过将聚焦卷积得到的特征与边缘特征图进行通道融合，使待矫正图像的原始信息和浅层特征融合，避免了图像信息的丢失，通过与取反特征图进行级联，有效地对图像信息进行了补偿，避免了图像有效像素点的丢失，提高了特征点的预测精度，从而提高了图像矫正的精度。
参见图10，是本发明一实施例提供的一种图像变形的矫正方法的流程示意图，如图10，该图像变形的矫正方法可以包括以下步骤：
S1001：获取待矫正图像，提取待矫正图像的聚焦特征，得到待矫正图像对应的聚焦特征图。
S1002：对待矫正图像进行边缘特征提取，得到边缘特征图，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图。
S1003：对基于待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图。
S1004：对第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于聚焦特征图进行多次卷积得到的第四特征图，进行通道融合，得到最终融合后的特征图。
其中，上述步骤S1001至步骤S1004与上述步骤S201至步骤S204的内容相同，可参考上述步骤S201至步骤S204的描述，在此不再赘述。
S1005：获取样本数据，样本数据标注有每个特征点的真实坐标；
S1006：根据样本数据与预先构建的损失函数，对初始预测模型进行训练，得到训练好的预测模型，将训练好的预测模型作为预设预测模型。
本实施例中，获取样本数据，其中，样本数据包括待矫正图像中特征点的真实坐标，将样本数据输入至初始预测模型中，输出对应的特征点的预测坐标，对初始预测模型进行训练计算相同特征点真实坐标与预测坐标的差值，当预先构建的损失函数收敛时，结束训练，输出训练好的预测模型，将训练好的预测模型作为预设预测模型。
可选地，根据样本数据与预先构建的损失函数，对初始预测模型进行训练，得到训练好的预测模型，包括：
根据每个特征点预测坐标与每个特征点的相邻特征点的真实坐标，构建每个特征点预测坐标与每个特征点的相邻特征点的真实坐标之间的误差函数，得到每个特征点的误差函数；
利用高斯分布加权对每个特征点的误差函数分配权重值，基于每个特征点的误差函数的权重值，构建预设损失函数；
基于预设损失函数，对初始预测模型进行训练，得到训练好的预测模型。
本实施例中，由于有些待矫正图像有一定的拉伸变形且不规律，均方差损失函数对坐标的矫正可能不适合，本实施例中，根据每个特征点预测坐标与每个特征点的相邻特征点的真实坐标，构建每个特征点预测坐标与每个特征点的相邻特征点的真实坐标之间的误差函数，得到每个特征点的误差函数，利用高斯分布加权对每个特征点的误差函数分配权重值，基于每个特征点的误差函数的权重值，构建预设损失函数，如下式：
Figure BDA0003918837280000171
Figure BDA0003918837280000181
其中，tx为待矫正图像的x列的上边缘点，bx为待矫正图像的x列的下边缘点，tn′待矫正图像的预测的第n个特征点的上边缘点，bn′待矫正图像的预测的第n个特征点的下边缘点，ωm为第m个特征点的误差函数高斯加权归一化后分配的权重值，基于预设损失函数，对初始预测模型进行训练，得到训练好的预测模型。
S1007：将最终融合后的特征图输入至预设预测模型中，输出待矫正图像中的特征点预测坐标。
S1008：根据特征点预测坐标与预设矫正规则，对待矫正图像进行矫正处理，得到目标图像。
其中，上述步骤S1007至步骤S1008与上述步骤S205至步骤S206的内容相同，可参考上述步骤S205至步骤S206的描述，在此不再赘述。
请参阅图11，图11是本发明实施例提供的一种图像变形的矫正装置的结构示意图。本实施例中该终端包括的各单元用于执行图2至图10对应的实施例中的各步骤。具体请参阅图2至图10以及图2至图10所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图11，矫正装置110包括：聚焦特征提取模块111，几何强化模块112，离焦补偿模块113，融合模块114，预测模块115，矫正模块116。
聚焦特征提取模块111，用于获取待矫正图像，提取待矫正图像的聚焦特征，得到待矫正图像对应的聚焦特征图。
几何强化模块112，用于对待矫正图像进行边缘特征提取，得到边缘特征图，基于边缘特征图对聚焦特征图进行几何强化处理，得到第一特征图。
离焦补偿模块113，用于对基于待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图。
融合模块114，用于对第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于聚焦特征图进行多次卷积得到的第四特征图，进行通道融合，得到最终融合后的特征图。
预测模块115，用于将最终融合后的特征图输入至预设预测模型中，输出待矫正图像中的特征点预测坐标。
矫正模块116，用于根据特征点预测坐标与预设矫正规则，对待矫正图像进行矫正处理，得到目标图像。
可选地，上述聚焦特征提取模块111包括：
聚焦卷积单元，用于对待矫正图像进行聚焦卷积，得到待矫正图像对应的聚焦特征图。
可选地，上述几何强化模块112包括：
缩放单元，用于对边缘特征图进行缩放处理，得到缩放特征图。
缩放特征图的特征提取单元，用于对缩放特征图进行两次卷积，得到卷积缩放特征图。
第一融合单元，用于将缩放特征图与聚焦卷积特征图进行通道融合，得到第一特征图。
可选地，上述离焦补偿模块113包括：
取反单元，用于对待矫正图像进行取反处理，得到取反特征图。
离焦卷积单元，用于将取反特征图进行聚焦卷积，得到离焦特征图。
补偿单元，用于通过离焦特征图与第一特征图进行通道融合，对第一特征图进行离焦补偿处理，得到第二特征图。
可选地，上述矫正模块115包括：
预测单元，用于根据预设矫正映射公式与每个特征点的预测坐标，计算每个特征点的目标坐标；
目标图像确定单元，用于基于目标坐标对待矫正图像进行矫正，得到目标图像。
可选地，上述矫正装置110还包括：
获取模块，用于获取样本数据，样本数据标注有每个特征点的真实坐标。
构建模块，用于根据样本数据与预先构建的损失函数，对初始预测模型进行训练，得到训练好的预测模型，将训练好的预测模型作为预设预测模型。
可选地，上述构建模块包括：
每个特征点的误差函数确定单元，用于据每个特征点预测坐标与每个特征点的相邻特征点的真实坐标，构建每个特征点预测坐标与每个特征点的相邻特征点的真实坐标之间的误差函数，得到每个特征点的误差函数。
分配单元，用于利用高斯分布加权对每个特征点的误差函数分配权重值，基于每个特征点的误差函数的权重值，构建预设损失函数。
训练单元，用于基于预设损失函数，对初始预测模型进行训练，得到训练好的预测模型。
需要说明的是，上述单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图12是本发明实施例提供的一种计算机设备的结构示意图。如图12所示，该实施例的计算机设备包括：至少一个处理器(图12中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个图像变形的矫正方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图12仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像变形的矫正方法，其特征在于，所述矫正方法包括：
获取待矫正图像，提取所述待矫正图像的聚焦特征，得到所述待矫正图像对应的聚焦特征图；
对所述待矫正图像进行边缘特征提取，得到边缘特征图，基于所述边缘特征图对所述聚焦特征图进行几何强化处理，得到第一特征图；
对基于所述待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过所述离焦特征图与所述第一特征图进行通道融合，对所述第一特征图进行离焦补偿处理，得到第二特征图；
对所述第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于所述聚焦特征图进行多次卷积得到的第四特征图进行通道融合，得到最终融合后的特征图；
将所述最终融合后的特征图输入至预设预测模型中，输出所述待矫正图像中的特征点预测坐标；
根据所述特征点预测坐标与预设矫正规则，对所述待矫正图像进行矫正处理，得到目标图像。
2.如权利要求1所述的矫正方法，其特征在于，所述提取所述待矫正图像的聚焦特征，得到所述待矫正图像对应的聚焦特征图，包括：
对所述待矫正图像进行聚焦卷积，得到所述待矫正图像对应的聚焦特征图。
3.如权利要求1所述的矫正方法，其特征在于，所述对所述待矫正图像进行边缘特征提取，得到边缘特征图，基于所述边缘特征图对所述聚焦特征图进行几何强化处理，得到第一特征图，包括：
对所述边缘特征图进行缩放处理，得到缩放特征图；
对所述缩放特征图进行两次卷积，得到卷积缩放特征图；
将所述卷积缩放特征图与所述聚焦卷积特征图进行通道融合，得到第一特征图。
4.如权利要求1所述的矫正方法，其特征在于，所述对基于所述待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过所述离焦特征图与所述第一特征图进行通道融合，对所述第一特征图进行离焦补偿处理，得到第二特征图，包括：
对所述待矫正图像进行取反处理，得到取反特征图；
将所述取反特征图进行聚焦卷积，得到离焦特征图；
通过所述离焦特征图与所述第一特征图进行通道融合，对所述第一特征图进行离焦补偿处理，得到第二特征图。
5.如权利要求1所述的矫正方法，其特征在于，所述将所述最终融合后的特征图输入至预设预测模型中，输出所述待矫正图像中的特征点预测坐标之前，还包括：
获取样本数据，所述样本数据标注有每个特征点的真实坐标；
根据所述样本数据与预先构建的损失函数，对初始预测模型进行训练，得到训练好的预测模型，将所述训练好的预测模型作为预设预测模型。
6.如权利要求5所述的矫正方法，其特征在于，所述根据所述样本数据与预先构建的损失函数，对初始预测模型进行训练，得到训练好的预测模型，包括：
根据每个特征点预测坐标与每个特征点的相邻特征点的真实坐标，构建每个特征点预测坐标与每个特征点的相邻特征点的真实坐标之间的误差函数，得到每个特征点的误差函数；
利用高斯分布加权对每个特征点的误差函数分配权重值，基于所述每个特征点的误差函数的权重值，构建预设损失函数；
基于所述预设损失函数，对初始预测模型进行训练，得到训练好的预测模型。
7.如权利要求1所述的矫正方法，其特征在于，所述根据所述特征点预测坐标与预设矫正规则，对所述待矫正图像进行矫正处理，得到目标图像，包括：
根据预设矫正映射公式与每个特征点的预测坐标，计算每个特征点的目标坐标；
基于所述目标坐标对所述待矫正图像进行矫正，得到目标图像。
8.一种图像变形的矫正装置，其特征在于，所述矫正装置包括：
聚焦特征提取模块，用于获取待矫正图像，提取所述待矫正图像的聚焦特征，得到所述待矫正图像对应的聚焦特征图；
几何强化模块，用于对所述待矫正图像进行边缘特征提取，得到边缘特征图，基于所述边缘特征图对所述聚焦特征图进行几何强化处理，得到第一特征图；
离焦补偿模块，用于对基于所述待矫正图像取反后的取反特征图进行聚焦卷积，得到离焦特征图，通过所述离焦特征图与所述第一特征图进行通道融合，对所述第一特征图进行离焦补偿处理，得到第二特征图；
融合模块，用于对所述第二特征图进行多次卷积，得到第三特征图，将第三特征图与基于所述聚焦特征图进行多次卷积得到的第四特征图进行通道融合，得到最终融合后的特征图；
预测模块，用于将所述最终融合后的特征图输入至预设预测模型中，输出所述待矫正图像中的特征点预测坐标；
矫正模块，用于根据所述特征点预测坐标与预设矫正规则，对所述待矫正图像进行矫正处理，得到目标图像。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的矫正方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的矫正方法。
CN202211347791.6A 2022-10-31 2022-10-31 一种图像变形的矫正方法、装置、计算机设备及存储介质 Active CN115619678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211347791.6A CN115619678B (zh) 2022-10-31 2022-10-31 一种图像变形的矫正方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211347791.6A CN115619678B (zh) 2022-10-31 2022-10-31 一种图像变形的矫正方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN115619678A true CN115619678A (zh) 2023-01-17
CN115619678B CN115619678B (zh) 2024-04-19

Family

ID=84876366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211347791.6A Active CN115619678B (zh) 2022-10-31 2022-10-31 一种图像变形的矫正方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115619678B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557447A (zh) * 2024-01-11 2024-02-13 深圳智能思创科技有限公司 图像还原方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011153905A (ja) * 2010-01-27 2011-08-11 Mitsutoyo Corp マシンビジョン検査システム用の光学収差補正
WO2021179485A1 (zh) * 2020-03-11 2021-09-16 平安科技（深圳）有限公司 图像矫正处理方法、装置、存储介质及计算机设备
US20210327136A1 (en) * 2020-04-17 2021-10-21 Mvtec Software Gmbh System and method for efficient 3d reconstruction of objects with telecentric line-scan cameras
CN113724163A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 基于神经网络的图像矫正方法、装置、设备及介质
CN114372932A (zh) * 2021-12-31 2022-04-19 北京旷视科技有限公司 一种图像处理的方法及计算机程序产品
CN115244586A (zh) * 2020-03-03 2022-10-25 苏州七星天专利运营管理有限责任公司 微波识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011153905A (ja) * 2010-01-27 2011-08-11 Mitsutoyo Corp マシンビジョン検査システム用の光学収差補正
CN115244586A (zh) * 2020-03-03 2022-10-25 苏州七星天专利运营管理有限责任公司 微波识别方法及系统
WO2021179485A1 (zh) * 2020-03-11 2021-09-16 平安科技（深圳）有限公司 图像矫正处理方法、装置、存储介质及计算机设备
US20210327136A1 (en) * 2020-04-17 2021-10-21 Mvtec Software Gmbh System and method for efficient 3d reconstruction of objects with telecentric line-scan cameras
CN113724163A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 基于神经网络的图像矫正方法、装置、设备及介质
CN114372932A (zh) * 2021-12-31 2022-04-19 北京旷视科技有限公司 一种图像处理的方法及计算机程序产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CALEB TUNG 等: "Irrelevant Pixels are Everywhere: Find and Exclude Them for More Efficient Computer Vision", 《ARXIV:2207.10741V1》, pages 1 - 4 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557447A (zh) * 2024-01-11 2024-02-13 深圳智能思创科技有限公司 图像还原方法、装置、设备及存储介质
CN117557447B (zh) * 2024-01-11 2024-04-26 深圳智能思创科技有限公司 图像还原方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115619678B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN109508681B (zh) 生成人体关键点检测模型的方法和装置
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN112348815A (zh) 图像处理方法、图像处理装置以及非瞬时性存储介质
CN108596944B (zh) 一种提取运动目标的方法、装置及终端设备
CN111860398B (zh) 遥感图像目标检测方法、系统及终端设备
US20150215590A1 (en) Image demosaicing
CN109712071B (zh) 基于航迹约束的无人机图像拼接与定位方法
CN111369550A (zh) 图像配准与缺陷检测方法、模型、训练方法、装置及设备
CN110659664A (zh) 一种基于ssd的高精度识别小物体的方法
CN111104941B (zh) 图像方向纠正方法、装置及电子设备
CN111768415A (zh) 一种无量化池化的图像实例分割方法
CN113689373B (zh) 图像处理方法、装置、设备及计算机可读存储介质
CN110599455A (zh) 显示屏缺陷检测网络模型、方法、装置、电子设备及存储介质
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN115082450A (zh) 基于深度学习网络的路面裂缝检测方法和系统
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN115619678A (zh) 一种图像变形的矫正方法、装置、计算机设备及存储介质
WO2022188102A1 (zh) 深度图像的修复方法及装置、摄像头组件及电子设备
US8472756B2 (en) Method for producing high resolution image
CN117893858A (zh) 一种融合多层级多尺度与边界信息的图像篡改定位方法
Yang et al. Feature similarity rank-based information distillation network for lightweight image superresolution
CN111507252A (zh) 人体跌倒检测装置、方法、电子终端及存储介质
CN114511862B (zh) 表格识别方法、装置及电子设备
CN116740375A (zh) 一种图像特征提取方法、系统及介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置

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