CN115660959A - 图像的生成方法、装置、电子设备及存储介质 - Google Patents
图像的生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115660959A CN115660959A CN202211679405.3A CN202211679405A CN115660959A CN 115660959 A CN115660959 A CN 115660959A CN 202211679405 A CN202211679405 A CN 202211679405A CN 115660959 A CN115660959 A CN 115660959A
- Authority
- CN
- China
- Prior art keywords
- image
- image acquisition
- acquisition device
- area
- corresponding relation
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本公开涉及图像处理技术领域,尤其涉及一种图像的生成方法、装置、电子设备及存储介质,所述生成方法包括:获取至少两个待处理图像;其中,不同的待处理图像由不同的图像采集装置获取;根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像;将至少两个第一图像进行图像拼接,得到拼接后的图像。本公开实施例可省去外参标定过程,有利于降低人力成本。此外,本公开实施例并不依赖于离线外参联合标定的精度,故即使相机安装位置出现细微变化也具有较强的鲁棒性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像的生成方法、装置、电子设备及存储介质。
背景技术
随着图像处理领域的不断发展,开发人员逐渐开始关注对多个图像采集装置采集到的多个图像进行拼接(例如:车载相机领域、广角拍摄领域等),以得到涵盖信息更多的拼接后图像,但是拼接后的图像通常会出现重影或空洞的现象。故如何更好地对多张图像进行拼接,是开发人员亟需解决的技术问题。
发明内容
本公开提出了一种图像的生成技术方案。
根据本公开的一方面,提供了一种图像的生成方法,包括:获取至少两个待处理图像;其中,不同的待处理图像由不同的图像采集装置获取;根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像;其中,所述第一对应关系用以表示每个图像采集装置对应的像素坐标系与虚拟图像采集装置对应的预设像素坐标系之间的对应关系;将至少两个第一图像进行图像拼接,得到拼接后的图像。
在一种可能的实施方式中,所述生成方法还包括:获取至少两个图像采集装置的外参、虚拟图像采集装置的外参;根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系。
在一种可能的实施方式中,所述外参包括:位置信息、角度信息,所述根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系,包括:根据每个所述图像采集装置对应的位置信息、所述虚拟图像采集装置对应的位置信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的平移向量;根据每个所述图像采集装置对应的角度信息、所述虚拟图像采集装置对应的角度信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的旋转矩阵;根据每个所述图像采集装置对应的平移向量以及旋转矩阵、每个所述图像采集装置对应的安装高度、所述虚拟图像采集装置对应的安装高度,确定每个所述第一对应关系。
在一种可能的实施方式中,所述将至少两个第一图像进行图像拼接,得到拼接后的图像,包括:依次将至少两个图像采集装置中相邻的两个图像采集装置作为一组当前图像采集装置组;将所述当前图像采集装置组中每个图像采集装置对应的第一图像输入至训练后的机器学习模型中,得到所述当前图像采集装置组中每个图像采集装置之间对应的第二对应关系;其中,所述第二对应关系用以表示当前图像采集装置组中每个图像采集装置之间像素坐标系的对应关系;在每个当前图像采集装置组均对应有第二对应关系的情况下,根据每个图像采集装置对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
在一种可能的实施方式中,所述训练后的机器学习模型为利用多组训练数据和对应的第二对应关系,对机器学习模型进行训练后得到的:其中,每组训练数据包括:原始图像、原始图像对应的转换图像;所述每组训练数据对应的第二对应关系用以表示所述每组训练数据中原始图像与转换图像之间的对应关系;所述机器学习模型用于基于输入的所述多组训练数据,输出每组训练数据中的原始图像与转换图像之间的预测对应关系,并基于所述预测对应关系和第二对应关系,进行参数调节;机器学习模型用于响应于满足训练完成条件,被确定为训练后的机器学习模型。
在一种可能的实施方式中,所述训练数据和所述第二对应关系的生成过程,包括:获取基准图像;根据所述基准图像的预设点的位置,在所述基准图像中确定第一区域;其中,所述预设点位于所述第一区域中;根据所述第一区域中多个顶点的位置,在所述基准图像中确定每个顶点对应的第二区域;其中,所述每个顶点位于所述每个顶点对应的第二区域中;根据每个第二区域,生成所述第一区域对应的一个第三区域,并确定所述第一区域与所述第三区域之间的对应关系;根据所述对应关系,调整所述基准图像;根据所述第一区域的顶点对应的像素点坐标,在调整后的所述基准图像中确定第四区域;将所述第一区域对应的图像作为所述原始图像,将所述第四区域对应的图像作为所述转换图像,将所述第一区域与所述第三区域之间的对应关系,作为所述第二对应关系。
在一种可能的实施方式中,所述根据每个第二区域,生成所述每个第二区域对应的一个第三区域,并确定所述第一区域与所述第三区域之间的对应关系,包括:在每个第二区域中选取一个第一像素点,将连接多个所述第一像素点所围成的区域作为第三区域;根据所述第一区域的顶点对应的像素点坐标与所述第三区域的顶点对应的像素点坐标,得到第一区域与所述第三区域之间的对应关系。
在一种可能的实施方式中,所述将至少两个第一图像进行图像拼接,得到拼接后的图像,包括:对每个图像采集装置对应的第一图像进行特征提取,得到每个图像采集装置对应的第一图像的图像特征点;依次将至少两个图像采集装置中相邻的两个图像采集装置作为一个当前图像采集装置组;将所述当前图像采集装置组中每个图像采集装置对应的第一图像的图像特征点进行相似度匹配;根据相似度匹配成功的图像特征点,建立所述每个当前图像采集装置组中的每个图像采集装置之间对应的第二对应关系;在每个当前图像采集装置组均对应有第二对应关系的情况下,根据每个图像采集装置对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
根据本公开的一方面,提供了一种图像的生成装置,所述生成装置包括:图像获取模块,用以通过至少两个图像采集装置获取至少两个待处理图像;其中,不同的待处理图像由不同的图像采集装置获取;第一图像获取模块,用以根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像;其中,所述第一对应关系用以表示每个图像采集装置对应的像素坐标系与预设像素坐标系的对应关系;图像拼接模块,用以将所述至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,可获取至少两个待处理图像,而后根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像,最终将至少两个第一图像进行图像拼接,得到拼接后的图像。在本公开实施例中,不同的图像采集装置对应了同一个预设像素坐标系,可省去外参标定过程,有利于降低人力成本。此外,本公开实施例并不依赖于离线外参联合标定的精度,故即使相机安装位置出现细微变化也具有较强的鲁棒性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出了根据本公开实施例提供的图像的生成方法的流程图。
图2示出了根据本公开实施例提供的虚拟图像采集装置的设定位置的参考示意图。
图3示出了根据本公开实施例提供的机器学习模型的模型结构的参考示意图。
图4示出了根据本公开实施例提供的第一区域、第二区域、第三区域、第四区域的参考示意图。
图5示出了根据本公开实施例提供的图像的生成方法的参考示意图。
图6示出了根据本公开实施例提供的图像的生成装置的框图。
图7示出了根据本公开实施例提供的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种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,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
此处,以汽车智能化领域举例,现有技术通常会在车身周围安装多个鱼眼镜头,而后对鱼眼镜头进行内参标定、离线外参联合标定,而后基于标定后的多个鱼眼镜头对图像进行拼接,得到全景图像。此举易出现以下问题:1、在外参联合标定阶段,同一车型的不同车辆之间不具有标定的通用性。2、外参联合标定只有在精度极高的情况下,才能使得拼接后的图像效果较好,故外参联合标定需要更高的人力成本。3、结合车辆的实际应用场景,即使鱼眼镜头的外参联合标定结果在初始阶段表现良好,但是随着车辆在运行期间内的颠簸、碰撞等外力因素,鱼眼镜头的位置是存在变化的,该种情况会影响拼接后的图像的生成质量。
有鉴于此,本公开实施例提供了一种图像的生成方法,可获取至少两个待处理图像,而后根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像,最终将至少两个第一图像进行图像拼接,得到拼接后的图像。在本公开实施例中,不同的图像采集装置对应了同一个预设像素坐标系,可省去外参标定过程,有利于降低人力成本。此外,本公开实施例并不依赖于离线外参联合标定的精度,故即使相机安装位置出现细微变化也具有较强的鲁棒性。
参阅图1所示,图1示出了根据本公开实施例提供的图像的生成方法的流程图,如图1所示,所述生成方法包括:步骤S100,获取至少两个待处理图像。其中,不同的待处理图像由不同的图像采集装置获取。示例性地,上述图像采集装置可包括任意一种可采集图像的电子设备,例如:智能手机的摄像头、智能家居场景中置于墙体的摄像头、汽车智能化领域中的车载图像采集装置(如车载鱼眼镜头)等,本公开实施例在此不做限制。示例性地,上述图像采集装置可预先进行内参标定,得到相机的内参矩阵以及畸变系数,具体标定流程可参考相关技术,本公开实施例在此不做赘述,上述待处理图像可为经内参矩阵、畸变系数得到的畸变矫正后的图像。后文以车载鱼眼相机作为上述图像采集装置,但是并不仅限于该种类的图像采集装置。示例性地,可在目标汽车上布置四个鱼眼镜头,前视镜头可安装于目标汽车的前方车牌上部、后视镜头可安装于目标汽车的后方车牌上部,左、右视镜头分别安装于左右后视镜附近。
步骤S200,根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像。其中,所述第一对应关系用以表示每个图像采集装置对应的像素坐标系与虚拟图像采集装置对应的预设像素坐标系的对应关系。示例性地,上述虚拟图像采集装置的预设像素坐标系可由开发人员根据实际情况进行设定,本公开实施例在此不做限制,上述预设像素坐标系在图像生成过程中保持固定即可。上述虚拟图像采集装置可为非实体图像采集装置,上文中像素坐标系的定义可参考相关技术,本公开实施例在此不做赘述。示例性地,上述第一图像可表现为相关技术中的鸟瞰图。拼接后的图像可表现为相关技术中的全景图像。
在一种可能的实施方式中,上述预设像素坐标系可通过如下方式建立:获取至少两个图像采集装置的外参、虚拟图像采集装置的外参。示例性地,上述虚拟图像采集装置的位置可根据所述至少两个图像采集装置的位置而定,例如:虚拟图像采集装置的位置可位于所述至少两个图像采集装置所覆盖的区域中,若共有两个图像采集装置,则虚拟图像采集装置可位于两个图像采集装置的连线附近。若共有三个图像采集装置,则虚拟图像采集装置可位于三个图像采集装置所围成的三角形区域中。在一个示例中,若出于提高图像拼接后准确度的考量,可将虚拟图像采集装置与每个图像采集装置的水平距离设置为等同,例如:若共有两个图像采集装置,则虚拟图像采集装置可位于两个图像采集装置的连线的中点,若共有三个图像采集装置,则虚拟图像采集装置可位于三个图像采集装置所围成的三角形区域的外心。应当理解的是,开发人员可根据实际需求对虚拟图像采集装置的位置进行设定,本公开实施例在此不做限制。参阅图2所示,图2示出了根据本公开实施例提供的虚拟图像采集装置的设定位置的参考示意图,结合图2,虚拟图像采集装置的镜头可指向汽车的底部,例如图2中的垂直于地面设置,其中,虚拟图像采集装置的高度(非实体的、虚拟的设置高度)可任意设定。图2中以汽车的前视镜头为例,前视镜头与虚拟图像采集装置之间可对应有映射关系。而后根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系。示例性地,上述虚拟图像采集装置为虚拟的图像采集装置,即不存在实体,通过将多个图像采集装置的像素坐标系映射至虚拟图像采集装置的像素坐标系,即可视为通过一个虚拟图像采集装置完成了拼接后图像的采集,而由于多个图像采集装置共用了同一个像素坐标系,故每个图像采集装置细致的位置偏移对拼接后图像的拼接效果影响较小,即提高了图像的生成过程的鲁棒性。此外,本公开实施例可将多个图像采集装置与虚拟图像采集装置之间进行图像变换,故省去了相关技术中繁琐的外参联合标定流程,有利于降低人工成本,且在同一车型或图像采集装置的位置变化不大的车辆间具备通用性。
在一种可能的实施方式中,所述外参包括:位置信息、角度信息。其中,所述位置信息用以表示每个图像采集装置的安装位置、所述角度信息用以表示每个图像采集装置的安装角度。所述根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系,可包括:根据每个所述图像采集装置对应的位置信息、所述虚拟图像采集装置对应的位置信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的平移向量。示例性地,上述平移向量用以表示同一三维坐标点在两个采集装置中的平移距离。而后根据每个所述图像采集装置对应的角度信息、所述虚拟图像采集装置对应的角度信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的旋转矩阵。示例性地,假定每个所述图像采集装置变换到虚拟图像采集装置的角度,需要绕x、y、z轴(可由开发人员进行自定义,例如x可为长度轴、y可为宽度轴、z可为高度轴,此处以车载相机为例,可以车辆前方为x轴,左侧为y轴,z轴垂直地面向上)需要旋转的角度分别为α、β、γ,则每个所述图像采集装置三次旋转需要的旋转矩阵分别为:、、。按照相关技术中外旋的方式,按照x-y-z的旋转顺序(即先绕x轴旋转,再绕y轴旋转,最后绕z轴旋转),可得旋转矩阵:,其中R即代表每个所述图像采集装置与所述虚拟图像采集装置之间的旋转矩阵(每个图像采集装置可对应一个旋转矩阵,不同的图像采集装置由于位置的不同,对应的旋转矩阵也可不同)。最终根据每个所述图像采集装置对应的平移向量以及旋转矩阵、每个所述图像采集装置对应的安装高度、所述虚拟图像采集装置对应的安装高度,确定每个所述第一对应关系。示例性地,上述虚拟采集装置、图像采集装置的安装高度均可以地面为基准进行计算,其中,由于虚拟图像采集装置为非实体图像采集装置,故虚拟采集装置的安装高度可根据开发人员的实际需求进行设定。在一个示例中,由于虚拟图像采集装置是用来整合每个图像采集装置对应的图像的,故虚拟图像采集装置的安装高度可高于任意一个图像采集装置,开发人员可据此设定虚拟图像采集装置的安装高度。示例性地,每个图像采集装置a与虚拟图像采集装置b之间的第一对应关系可表现为:,其中,用以表示图像采集装置对应的安装高度(z坐标),用以表示虚拟图像采集装置对应的安装高度,表示在图像采集装置的像素坐标系下的像素坐标,用以表示在虚拟图像采集装置的像素坐标系下的像素坐标,K表示相机内参,表示图像采集装置a与虚拟图像采集装置b之间的旋转矩阵,表示图像采集装置a与虚拟图像采集装置b之间的平移向量,据此可得与的对应关系,作为上述第一对应关系。
继续参阅图1所示,步骤S300,将至少两个第一图像进行图像拼接,得到拼接后的图像。示例性地,可通过相关技术中任意一种图像拼接算法对图像进行拼接,本公开实施例在此不做限制。
在一种可能的实施方式中,步骤S300可包括:依次将至少两个图像采集装置中相邻的两个图像采集装置作为一组当前图像采集装置组。将所述当前图像采集装置组中每个图像采集装置对应的第一图像输入至训练后的机器学习模型中,得到所述当前图像采集装置组中每个图像采集装置之间对应的第二对应关系。其中,所述第二对应关系用以表示当前图像采集装置组中每个图像采集装置之间像素坐标系的对应关系。示例性地,若图像采集装置共有四个,分别以A、B、C、D表示,其中,A与B、D相邻,B与A、C相邻,C与B、D相邻,D与C、A相邻,组成了一个矩形的全景区域。则可将A与B、B与C、C与D、D与A依次作为四个当前图像采集装置组(在一些示例中,可仅建立前三个当前图像采集装置组,后文将详述原因)。并在每个当前图像采集装置组中确定每个图像采集装置之间的对应关系。将安装位置相邻的图像采集装置进行第二对应关系的确定,可提高拼接后图像的拼接效果。而后根据当前图像采集装置组中每个图像采集装置之间对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后图像。示例性地,针对图像采集装置A至D采集的待处理图像a至d,可根据图像采集装置A与B之间的第二对应关系,将待处理图像b拼接至待处理图像a中,得到图像ab,而后根据图像采集装置B与C之间的第二对应关系,将待处理图像c拼接至图像ab中,得到图像abc,再根据图像采集装置C与D之间的第二对应关系,将待处理图像d拼接至图像abc中,即可得到拼接后的图像abcd。在此情况下,可无需得知图像采集装置D与图像采集装置A之间的第二对应关系,便已得到拼接后的图像abcd,应当理解的是,在一些示例中,也可基于图像采集装置D与图像采集装置A之间的第二对应关系,对图像abcd进行微调,本公开实施例在此不做限制。相关技术中通常采用线性加权的方式对重叠区域的图像进行拼接和融合,此举受限于外参标定精度的影响,易出现融合区域存在重影的问题,降低了拼接后图像的显示效果。而本公开实施例通过使用机器学习的方式,可对待拼接图像进行变换,可获得更好的融合及显示效果。
在一种可能的实施方式中,所述训练后的机器学习模型为利用多组训练数据和对应的第二对应关系,对机器学习模型进行训练后得到的。其中,每组训练数据包括:原始图像、原始图像对应的转换图像;所述每组训练数据对应的第二对应关系用以表示所述每组训练数据中原始图像与转换图像之间的对应关系。所述机器学习模型用于基于输入的所述多组训练数据,输出每组训练数据中的原始图像与转换图像之间的预测对应关系,并基于所述预测对应关系和第二对应关系,进行参数调节。机器学习模型用于响应于满足训练完成条件,被确定为训练后的机器学习模型。
示例性地,上述机器学习模型可为CNN(Convolutional Neural Network,卷积神经网络)、Transformer模型(一种编码-解码架构的模型)等人工智能模型。此处以机器学习模型为卷积神经网络为例,结合图3所示,图3示出了根据本公开实施例提供的机器学习模型的模型结构的参考示意图,结合图3所示,可输入图片至一机器学习模型中,上述机器学习模型可由多个卷积层(可参考图3中的卷积层1至8)、多个池化层(可参考图3中池化层1至4)、多个全连接层(可参考图3中的全连接层1、2)构成,其中全连接层第一层神经元的数量可为1024,最后一层神经元的数量可为8,代表着第二对应关系(此处以第二对应关系由相关技术中的单应性矩阵表示为例,该单应性矩阵共有9个元素,其中1个元素为常量,故有8个可求的参数,对应最后一层8个神经元)。示例性地,上述机器学习模型的损失函数可包括:预测对应关系、第二对应关系之间8个可求的参数之间差值的平方和,上述机器学习模型以最小化该平方和为训练目标进行训练迭代。应当理解的是,开发人员也可根据实际需求设定其他损失函数,机器学习模型在训练时的训练样本批量大小、模型的优化器、学习率、训练轮数均可由开发人员根据实际情况进行设定,本公开实施例在此不做限制。
在一种那可能的实施方式中,所述生成方法可包括:获取基准图像。其中,基准图像可为任意一种图像。而后根据所述基准图像的预设点的位置,在所述基准图像中确定第一区域。其中,所述预设点位于所述第一区域中,示例性地,上述预设点可表现为所述基准图像的中心点。在一个示例中,第一区域可为矩形区域,上述预设点也为上述矩形区域的中心点。再根据所述第一区域中多个顶点的位置,在所述基准图像中确定每个顶点对应的第二区域。其中,所述每个顶点位于所述每个顶点对应的第二区域中。示例性地,上述第二区域也可为矩形区域,第一区域的每个顶点可对应一个矩形区域。在一个示例中,第二区域的中心点为其对应的、第一区域的顶点。根据每个第二区域,生成所述第一区域对应的一个第三区域,并确定所述第一区域与所述第三区域之间的对应关系。在一个示例中,该步骤可包括:在每个第二区域中选取一个第一像素点,将连接多个所述第一像素点所围成的区域作为第三区域。而后根据所述第一区域的顶点对应的像素点坐标与所述第三区域的顶点对应的像素点坐标,得到第一区域与所述第三区域之间的对应关系。示例性地,也可通过其他方式生成第三区域,第一区域与第三区域的像素点存在交集即可,本公开实施例在此不做限制。再根据所述对应关系,调整所述基准图像。示例性地,上述对应关系可表现为单应性矩阵,可求取该单应性矩阵的逆矩阵,以该逆矩阵调整所述基准图像中的像素点分布,以实现图像调整。而后根据所述第一区域的顶点对应的像素点坐标,在调整后的所述基准图像中确定第四区域。示例性地,可在调整后的基准图像中,以上述第一区域的顶点对应的像素点坐标,确定第一区域的每个顶点在调整后的基准图像中的位置,而后连接每个顶点,以围出的区域作为上述第四区域。当然开发人员也可对第四区域的顶点分布进行微调,本公开实施例在此不做限制。应当理解的是,上述顶点、中心点也可由随机一个像素点代替。最终将所述第一区域对应的图像作为所述原始图像,将所述第四区域对应的图像作为所述转换图像,将所述第一区域与所述第三区域之间的对应关系,作为所述第二对应关系,以此构建一组训练数据,在应用于多张图像的情况下重复以上步骤,即可得到多组训练数据。在一个示例中,原始图像、转换图像的图像大小可能不等,在此情况下,可将原始图像、转换图像的图像大小调整为相同的大小,而后再构成训练数据,本公开实施例在此不做限制。参阅图4所示,图4示出了根据本公开实施例提供的第一区域、第二区域、第三区域、第四区域的参考示意图,结合图4,自上至下共有四张图像,分别表示不同进程下的区域的分布,其中第一张图像可作为上述基准图像,而后从中选取四个像素点依次连接形成第一区域(此处以第一区域为矩形举例)。而后在第二张图像处,可根据第一区域的四个顶点,再分别生成四个第二区域。在第三张图像处,可各从每个第二区域随机选取一个像素点作为第三区域的顶点,依次连接第三区域的顶点,得到第三区域。第四张图像是根据第一区域与第三区域之间的对应关系,进行调整后的基准图像。可在调整后的基准图像中,根据第一区域的顶点的坐标,确定第四区域的顶点的坐标(例如:第一区域的顶点与第四区域的顶点的像素坐标相等),依次连接第四区域的顶点,即可得到第四区域。应当理解的是,本公开实施例在此并不限制第一区域与第二区域之间的大小关系,也不限定第一区域、第二区域的具体形状,二者所包括的像素点有交集即可。
在一种可能的实施方式中,步骤S300还可包括:对每个图像采集装置对应的第一图像进行特征提取,得到每个图像采集装置对应的第一图像的图像特征点。示例性地,可通过相关技术中的图像特征点提取算法获取上述第一图像的图像特征点。而后依次将至少两个图像采集装置中相邻的两个图像采集装置作为一个当前图像采集装置组。将所述当前图像采集装置组中每个图像采集装置对应的第一图像的图像特征点进行相似度匹配,根据相似度匹配成功的图像特征点,建立所述每个当前图像采集装置组中的每个图像采集装置之间对应的第二对应关系。在一个示例中,也可通过相关技术中的描述子生成算法,生成当前图像采集装置组的一组图像特征点中每个图像特征点的描述子,并在当前图像采集装置组中对其进行描述子匹配。示例性地,上述描述子匹配可通过比较一组图像特征点之间在高维空间中的汉明距离予以表示,一组图像特征点之间的相似度与其对应的汉明距离呈反比,应当理解的是也可使用相关技术中可用的相似度匹配算法。在实际场景中,两个第一图像之间可对应有多组图像特征点,每组图像特征点对应有一个第二对应关系,故开发人员可通过对多个第二对应关系进行拟合的方式,得到一个单应性矩阵作为两个第一图像之间整体上的第二对应关系。在每个当前图像采集装置组均对应有第二对应关系的情况下,根据每个图像采集装置对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。示例性地,针对图像采集装置A至D采集的待处理图像a至d,可根据图像采集装置A与B之间的第二对应关系,将待处理图像b拼接至待处理图像a中,得到图像ab,而后根据图像采集装置B与C之间的第二对应关系,将待处理图像c拼接至图像ab中,得到图像abc,再根据图像采集装置C与D之间的第二对应关系,将待处理图像d拼接至图像abc中,即可得到拼接后的图像abcd。在此情况下,可无需得知图像采集装置D与图像采集装置A之间的第二对应关系,便已得到拼接后的图像abcd,应当理解的是,在一些示例中,也可基于图像采集装置D与图像采集装置A之间的第二对应关系,对图像abcd进行微调,本公开实施例在此不做限制。
在一种可能的实施方式中,所述生成方法还可包括:
确定所述至少两个第一图像中的重叠区域。其中,重叠区域中的像素点特征相似或相同。示例性地,可通过相关技术中的重叠区域检测算法,确定所述至少两个第一图像中的重叠区域。而后对拼接后的图像中的所述重叠区域对应区域的像素点进行图像融合,得到融合后图像。示例性地,可通过相关技术中线性加权求和的方式,对重叠区域的像素点对应的像素值进行求解,本公开实施例在此不做限制。应当理解的是也可通过相关技术中任意一种方式对同一个像素点对应的多个像素值进行计算得到该像素点对应的一个像素值,例如直接求取平均值,本公开实施例在此不做限制。最终对所述融合后图像进行亮度及颜色平衡,得到处理后图像。示例性地,由于每个图像采集装置的拍摄角度不同,故每个图像采集装置采集到的待处理图像可能存在着亮度、整体颜色不一的问题,导致拼接后的图像可能会出现拼接痕迹突出的问题,故本公开实施例可对待处理图像进行亮度及颜色平衡的方式,弱化拼接后的图像的拼接痕迹,有利于提高待处理图像的图像拼接效果。示例性地,上述的亮度及颜色平衡的流程可参考相关技术,本公开实施例在此不做赘述。
结合实际情况,参阅图5所示,图5示出了根据本公开实施例提供的图像的生成方法的参考示意图,此处以图像采集装置为车载鱼眼相机(或称上文的鱼眼镜头)为例,结合图5所示,开发人员可先对车载相机进行布置及位姿参数的获取(可参考图中相机布置及位姿参数获取),而后生成一个虚拟相机(也即上文所述的虚拟图像采集装置,可参考图中虚拟相机生成),求解虚拟相机和四路鱼眼相机(例如上文所述的前视镜头、后视镜头、左视镜头、右视镜头)之间外参(也即上文所述的平移向量、旋转矩阵),据此得到畸变矫正后的图像到鸟瞰图单应矩阵(也即上文所述的第一对应关系)求解,鱼眼相机采集视频,而后鱼眼相机视频输出,生成畸变矫正后的图片(根据鱼眼相机设定的内参进行畸变矫正),根据上述的单应矩阵,可以分别得到四路相机鸟瞰图(也即上文所述的第一图像,可参考图中获得四路相机鸟瞰图)。将其输入至单应性矩阵预测模型(也即上文所述的训练后的机器学习模型),即可得到四路鸟瞰图单应性矩阵(也即上文所述的第二对应关系)。其中,单应性矩阵预测模型是经由数据集(也即上文所述的训练样本)构造、图像拼接单应矩阵预测模型构建、图像拼接单应矩阵预测模型训练所得到的。在得到四路鸟瞰图单应性矩阵之后,进行图像拼接、图像融合、亮度及颜色平衡后,可得车载环视全景图像。该车载环视全景图像可作为自动、辅助驾驶或自动、辅助泊车等功能所需处理的图像,可提高自动、辅助驾驶或自动、辅助泊车等功能的精度。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像的生成装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像的生成方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
参阅图6所示,图6示出了根据本公开实施例提供的图像的生成装置的框图,结合图6所示,所述生成装置100包括:图像获取模块110,用以通过至少两个图像采集装置获取至少两个待处理图像;其中,不同的待处理图像由不同的图像采集装置获取;第一图像获取模块120,用以根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像;其中,所述第一对应关系用以表示每个图像采集装置对应的像素坐标系与预设像素坐标系的对应关系;图像拼接模块130,用以将所述至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
在一种可能的实施方式中,所述生成装置还包括:第一对应关系确定模块,用以获取至少两个图像采集装置的外参、虚拟图像采集装置的外参;根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系。
在一种可能的实施方式中,所述外参包括:位置信息、角度信息,所述根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系,包括:根据每个所述图像采集装置对应的位置信息、所述虚拟图像采集装置对应的位置信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的平移向量;根据每个所述图像采集装置对应的角度信息、所述虚拟图像采集装置对应的角度信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的旋转矩阵;根据每个所述图像采集装置对应的平移向量以及旋转矩阵、每个所述图像采集装置对应的安装高度、所述虚拟图像采集装置对应的安装高度,确定每个所述第一对应关系。
在一种可能的实施方式中,所述将至少两个第一图像进行图像拼接,得到拼接后的图像,包括:依次将至少两个图像采集装置中相邻的两个图像采集装置作为一组当前图像采集装置组;将所述当前图像采集装置组中每个图像采集装置对应的第一图像输入至训练后的机器学习模型中,得到所述当前图像采集装置组中每个图像采集装置之间对应的第二对应关系;其中,所述第二对应关系用以表示当前图像采集装置组中每个图像采集装置之间像素坐标系的对应关系;在每个当前图像采集装置组均对应有第二对应关系的情况下,根据每个图像采集装置对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
在一种可能的实施方式中,所述训练后的机器学习模型为利用多组训练数据和对应的第二对应关系,对机器学习模型进行训练后得到的:其中,每组训练数据包括:原始图像、原始图像对应的转换图像;所述每组训练数据对应的第二对应关系用以表示所述每组训练数据中原始图像与转换图像之间的对应关系;所述机器学习模型用于基于输入的所述多组训练数据,输出每组训练数据中的原始图像与转换图像之间的预测对应关系,并基于所述预测对应关系和第二对应关系,进行参数调节;机器学习模型用于响应于满足训练完成条件,被确定为训练后的机器学习模型。
在一种可能的实施方式中,所述训练数据和所述第二对应关系的生成过程,包括:获取基准图像;根据所述基准图像的预设点的位置,在所述基准图像中确定第一区域;其中,所述预设点位于所述第一区域中;根据所述第一区域中多个顶点的位置,在所述基准图像中确定每个顶点对应的第二区域;其中,所述每个顶点位于所述每个顶点对应的第二区域中;根据每个第二区域,生成所述第一区域对应的一个第三区域,并确定所述第一区域与所述第三区域之间的对应关系;根据所述对应关系,调整所述基准图像;根据所述第一区域的顶点对应的像素点坐标,在调整后的所述基准图像中确定第四区域;将所述第一区域对应的图像作为所述原始图像,将所述第四区域对应的图像作为所述转换图像,将所述第一区域与所述第三区域之间的对应关系,作为所述第二对应关系。
在一种可能的实施方式中,所述根据每个第二区域,生成所述每个第二区域对应的一个第三区域,并确定所述第一区域与所述第三区域之间的对应关系,包括:在每个第二区域中选取一个第一像素点,将连接多个所述第一像素点所围成的区域作为第三区域;根据所述第一区域的顶点对应的像素点坐标与所述第三区域的顶点对应的像素点坐标,得到第一区域与所述第三区域之间的对应关系。
在一种可能的实施方式中,所述将至少两个第一图像进行图像拼接,得到拼接后的图像,包括:对每个图像采集装置对应的第一图像进行特征提取,得到每个图像采集装置对应的第一图像的图像特征点;依次将至少两个图像采集装置中相邻的两个图像采集装置作为一个当前图像采集装置组;将所述当前图像采集装置组中每个图像采集装置对应的第一图像的图像特征点进行相似度匹配;根据相似度匹配成功的图像特征点,建立所述每个当前图像采集装置组中的每个图像采集装置之间对应的第二对应关系;在每个当前图像采集装置组均对应有第二对应关系的情况下,根据每个图像采集装置对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
该方法与计算机系统的内部结构存在特定技术关联,且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等),从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为服务器、终端设备或其它形态的设备。
图7示出了根据本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器或终端设备。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OS XTM),多用户多进程的计算机操作系统(UnixTM), 自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种图像的生成方法,其特征在于,所述生成方法包括:
获取至少两个待处理图像;其中,不同的待处理图像由不同的图像采集装置获取;
根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像;其中,所述第一对应关系用以表示每个图像采集装置对应的像素坐标系与虚拟图像采集装置对应的预设像素坐标系之间的对应关系;
将至少两个第一图像进行图像拼接,得到拼接后的图像。
2.如权利要求1所述的生成方法,其特征在于,所述生成方法还包括:
获取至少两个图像采集装置的外参、虚拟图像采集装置的外参;
根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系。
3.如权利要求2所述的生成方法,其特征在于,所述外参包括:位置信息、角度信息,所述根据所述至少两个图像采集装置的外参、虚拟图像采集装置的外参,确定每个所述第一对应关系,包括:
根据每个所述图像采集装置对应的位置信息、所述虚拟图像采集装置对应的位置信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的平移向量;
根据每个所述图像采集装置对应的角度信息、所述虚拟图像采集装置对应的角度信息,确定每个所述图像采集装置与所述虚拟图像采集装置之间的旋转矩阵;
根据每个所述图像采集装置对应的平移向量以及旋转矩阵、每个所述图像采集装置对应的安装高度、所述虚拟图像采集装置对应的安装高度,确定每个所述第一对应关系。
4.如权利要求1至3中任意一项所述的生成方法,其特征在于,所述将至少两个第一图像进行图像拼接,得到拼接后的图像,包括:
依次将至少两个图像采集装置中相邻的两个图像采集装置作为一组当前图像采集装置组;
将所述当前图像采集装置组中每个图像采集装置对应的第一图像输入至训练后的机器学习模型中,得到所述当前图像采集装置组中每个图像采集装置之间对应的第二对应关系;其中,所述第二对应关系用以表示当前图像采集装置组中每个图像采集装置之间像素坐标系的对应关系;
在每个当前图像采集装置组均对应有第二对应关系的情况下,根据每个图像采集装置对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
5.如权利要求4所述的生成方法,其特征在于,所述训练后的机器学习模型为利用多组训练数据和对应的第二对应关系,对机器学习模型进行训练后得到的:
其中,每组训练数据包括:原始图像、原始图像对应的转换图像;所述每组训练数据对应的第二对应关系用以表示所述每组训练数据中原始图像与转换图像之间的对应关系;
所述机器学习模型用于基于输入的所述多组训练数据,输出每组训练数据中的原始图像与转换图像之间的预测对应关系,并基于所述预测对应关系和第二对应关系,进行参数调节;
机器学习模型用于响应于满足训练完成条件,被确定为训练后的机器学习模型。
6.如权利要求5所述生成方法,其特征在于,所述训练数据和所述第二对应关系的生成过程,包括:
获取基准图像;
根据所述基准图像的预设点的位置,在所述基准图像中确定第一区域;其中,所述预设点位于所述第一区域中;
根据所述第一区域中多个顶点的位置,在所述基准图像中确定每个顶点对应的第二区域;其中,所述每个顶点位于所述每个顶点对应的第二区域中;
根据每个第二区域,生成所述第一区域对应的一个第三区域,并确定所述第一区域与所述第三区域之间的对应关系;
根据所述对应关系,调整所述基准图像;
根据所述第一区域的顶点对应的像素点坐标,在调整后的所述基准图像中确定第四区域;
将所述第一区域对应的图像作为所述原始图像,将所述第四区域对应的图像作为所述转换图像,将所述第一区域与所述第三区域之间的对应关系,作为所述第二对应关系。
7.如权利要求6所述的生成方法,其特征在于,所述根据每个第二区域,生成所述每个第二区域对应的一个第三区域,并确定所述第一区域与所述第三区域之间的对应关系,包括:
在每个第二区域中选取一个第一像素点,将连接多个所述第一像素点所围成的区域作为第三区域;
根据所述第一区域的顶点对应的像素点坐标与所述第三区域的顶点对应的像素点坐标,得到第一区域与所述第三区域之间的对应关系。
8.如权利要求1至3中任意一项所述的生成方法,其特征在于,所述将至少两个第一图像进行图像拼接,得到拼接后的图像,包括:
对每个图像采集装置对应的第一图像进行特征提取,得到每个图像采集装置对应的第一图像的图像特征点;
依次将至少两个图像采集装置中相邻的两个图像采集装置作为一个当前图像采集装置组;
将所述当前图像采集装置组中每个图像采集装置对应的第一图像的图像特征点进行相似度匹配;
根据相似度匹配成功的图像特征点,建立所述每个当前图像采集装置组中的每个图像采集装置之间对应的第二对应关系;
在每个当前图像采集装置组均对应有第二对应关系的情况下,根据每个图像采集装置对应的第二对应关系,对至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
9.如权利要求1中所述的生成方法,其特征在于,所述生成方法还包括:
确定所述至少两个第一图像中的重叠区域;其中,重叠区域中的像素点特征相似或相同;
对拼接后的图像中的所述重叠区域对应区域的像素点进行图像融合,得到融合后图像;
对所述融合后图像进行亮度及颜色平衡,得到处理后图像。
10.一种图像的生成装置,其特征在于,所述生成装置包括:
图像获取模块,用以通过至少两个图像采集装置获取至少两个待处理图像;其中,不同的待处理图像由不同的图像采集装置获取;
第一图像获取模块,用以根据每个所述图像采集装置对应的第一对应关系,将每个图像采集装置获取到的待处理图像映射至预设像素坐标系中,得到每个所述图像采集装置对应的第一图像;其中,所述第一对应关系用以表示每个图像采集装置对应的像素坐标系与预设像素坐标系的对应关系;
图像拼接模块,用以将所述至少两个图像采集装置对应的至少两个第一图像进行图像拼接,得到拼接后的图像。
11.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的图像的生成方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的图像的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679405.3A CN115660959B (zh) | 2022-12-27 | 2022-12-27 | 图像的生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679405.3A CN115660959B (zh) | 2022-12-27 | 2022-12-27 | 图像的生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660959A true CN115660959A (zh) | 2023-01-31 |
CN115660959B CN115660959B (zh) | 2023-03-21 |
Family
ID=85022717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211679405.3A Active CN115660959B (zh) | 2022-12-27 | 2022-12-27 | 图像的生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660959B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275621A (zh) * | 2020-01-17 | 2020-06-12 | 中南大学 | 一种行车环视系统中全景图生成方法、系统及存储介质 |
CN113610927A (zh) * | 2021-08-06 | 2021-11-05 | 镁佳(北京)科技有限公司 | 一种avm摄像头参数标定方法、装置及电子设备 |
CN114881863A (zh) * | 2022-06-30 | 2022-08-09 | 湖北芯擎科技有限公司 | 一种图像拼接方法、电子设备及计算机可读存储介质 |
CN114943777A (zh) * | 2022-06-20 | 2022-08-26 | 商汤国际私人有限公司 | 图像采集设备的外参的标定方法、装置及电子设备 |
CN114972023A (zh) * | 2022-04-21 | 2022-08-30 | 合众新能源汽车有限公司 | 图像拼接处理方法、装置、设备及计算机存储介质 |
-
2022
- 2022-12-27 CN CN202211679405.3A patent/CN115660959B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275621A (zh) * | 2020-01-17 | 2020-06-12 | 中南大学 | 一种行车环视系统中全景图生成方法、系统及存储介质 |
CN113610927A (zh) * | 2021-08-06 | 2021-11-05 | 镁佳(北京)科技有限公司 | 一种avm摄像头参数标定方法、装置及电子设备 |
CN114972023A (zh) * | 2022-04-21 | 2022-08-30 | 合众新能源汽车有限公司 | 图像拼接处理方法、装置、设备及计算机存储介质 |
CN114943777A (zh) * | 2022-06-20 | 2022-08-26 | 商汤国际私人有限公司 | 图像采集设备的外参的标定方法、装置及电子设备 |
CN114881863A (zh) * | 2022-06-30 | 2022-08-09 | 湖北芯擎科技有限公司 | 一种图像拼接方法、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
卢官明;陈浩;肖鲁宁;苏昊;钟锐;: "全景视图泊车辅助系统中的多视点视频拼接" * |
Also Published As
Publication number | Publication date |
---|---|
CN115660959B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875451B (zh) | 相机标定方法、装置及电子设备 | |
CN108257183B (zh) | 一种相机镜头光轴校准方法和装置 | |
CN106799993B (zh) | 街景采集方法和系统、车辆 | |
CN107809610B (zh) | 摄像头参数集算出装置、摄像头参数集算出方法以及记录介质 | |
KR102637901B1 (ko) | 전자 장치에 의한 돌리 줌 효과 제공 방법 및 상기 방법에서 사용되는 전자 장치 | |
CN112991358A (zh) | 风格图像生成方法、模型训练方法、装置、设备和介质 | |
CN114972023A (zh) | 图像拼接处理方法、装置、设备及计算机存储介质 | |
CN114143528A (zh) | 多视频流融合方法、电子设备、存储介质 | |
CN111402404B (zh) | 全景图补全方法、装置、计算机可读存储介质及电子设备 | |
WO2022166868A1 (zh) | 漫游视图的生成方法、装置、设备和存储介质 | |
CN110782507A (zh) | 一种基于人脸网格模型的纹理贴图生成方法、系统及电子设备 | |
US20210407113A1 (en) | Information processing apparatus and information processing method | |
CN114616586A (zh) | 图像标注方法、装置、电子设备及计算机可读存储介质 | |
CN115660959B (zh) | 图像的生成方法、装置、电子设备及存储介质 | |
CN115797210A (zh) | 用于水下拍摄图片的校正方法、装置及存储介质 | |
CN113065999B (zh) | 车载全景图生成方法、装置、图像处理设备及存储介质 | |
WO2021134715A1 (zh) | 一种控制方法、设备、无人机及存储介质 | |
Kim et al. | Hemispherical 3D around view monitoring algorithm using image synthesis of multi-channel cameras | |
CN115004683A (zh) | 成像装置、成像方法和程序 | |
CN116188583B (zh) | 相机位姿信息生成方法、装置、设备和计算机可读介质 | |
CN112712459B (zh) | 抠图方法及装置 | |
CN115346006A (zh) | 3d重建方法、装置、电子设备和存储介质 | |
CN117119125A (zh) | 画面生成方法、装置、电子设备及存储介质 | |
CN114845055A (zh) | 图像采集设备的拍摄参数的确定方法、装置及电子设备 | |
CN117115782A (zh) | 针对鱼眼图像执行机器视觉任务的方法、装置及介质 |
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 |