CN115861077A - 一种全景图像的确定方法、装置、设备及存储介质 - Google Patents
一种全景图像的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115861077A CN115861077A CN202211710038.9A CN202211710038A CN115861077A CN 115861077 A CN115861077 A CN 115861077A CN 202211710038 A CN202211710038 A CN 202211710038A CN 115861077 A CN115861077 A CN 115861077A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- initial
- panoramic image
- edge
- 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 53
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101100496858 Mus musculus Colec12 gene Proteins 0.000 description 2
- 101100534231 Xenopus laevis src-b gene Proteins 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种全景图像的确定方法、装置、设备及存储介质。该方法包括：获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘，基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；基于各路初始图像的图像边缘确定初始全景图像中的重叠区域，对初始全景图像中的重叠区域进行像素调整得到标准全景图像；对标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像，能够解决现有全景图像的确定方法所描述的信息不够清晰和准确的问题，得到具有更清晰、更完整和更准确的信息描述的全景图，提升了用户的体验感。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种全景图像的确定方法、装置、设备及存储介质。
背景技术
随着科技技术的发展，各种车辆的车载环视逐渐融入更多车型当中。车载环视是一种常见的辅助驾驶技术，在车辆的车头、车尾和左右后视镜处安装相机并通过图像处理得到目标全景图像，可为驾驶员提供观察周围环境丰富的视角，从而提高驾驶安全性。
但是，由于在不同位置安装的相机所采集的图像之间存在重叠区域，目前基于多个相机采集的图像进行简单拼接确定目标全景图像的方法，所描述的信息不够清晰、完整和准确，导致用户的体验感较差。
发明内容
本发明提供了一种全景图像的确定方法、装置、设备及存储介质，以解决现有全景图像的确定方法所描述的信息不够清晰和准确的问题，对全景图有更清晰、更完整和更准确的信息描述，提升用户的体验感。
根据本发明的一方面，提供了一种全景图像的确定方法，包括：
获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘；
基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；
基于各路初始图像的图像边缘确定所述初始全景图像中的重叠区域，对所述初始全景图像中的重叠区域进行像素调整得到标准全景图像；
对所述标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像。
根据本发明的另一方面，提供了一种全景图像的确定装置，包括：
边缘检测模块，用于获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘；
图像对齐模块，用于基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；
像素调整模块，用于基于各路初始图像的图像边缘确定所述初始全景图像中的重叠区域，对所述初始全景图像中的重叠区域进行像素调整得到标准全景图像；
像素融合模块，用于对所述标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的全景图像的确定方法。
根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的全景图像的确定方法。
本发明公开了一种全景图像的确定方法、装置、设备及存储介质。该方法包括：获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘，基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；基于各路初始图像的图像边缘确定初始全景图像中的重叠区域，对初始全景图像中的重叠区域进行像素调整得到标准全景图像；对标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像。通过对重叠区域进行像素调整和像素融合，使重叠区域的信息描述更加清晰和准确，从而能够解决现有全景图像的确定方法所描述的信息不够清晰和准确的问题，得到具有更清晰、更完整和更准确的信息描述的全景图，提升了用户的体验感。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例一提供的一种全景图像的确定方法的流程图；
图2是本发明实施例二提供的一种全景图像的确定方法的流程图；
图3是本发明实施例三提供的一种全景图像的确定装置的结构示意图；
图4是实现本发明实施例的全景图像的确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种全景图像的确定方法的流程图，本实施例可适用于确定多路图像的目标全景图像的情况，该方法可以由全景图像的确定装置来执行，该全景图像的确定装置可以采用硬件和/或软件的形式实现，该全景图像的确定装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘。
其中，初始图像可以理解为多路相机分别采集到的原始图像。多路相机可以根据实际使用环境和需求设置在不同的位置，以便于获取不同视角的图像。示例性的，对于车辆的使用场景，为了是驾驶员可以看到车辆周围的全视角图像，多路相机可以分别设置在车头、车尾和左右后视镜。相机可以采用平面相机；为了扩大相机的视野范围一般也可以选择鱼眼相机。
具体的，从安装在不同位置的多路相机分别采集初始图像，对于每个初始图像进行边缘检测得到图像边缘。图像边缘检测的方法可以采用任何已有的边缘检测模型或算法，本发明实施例对此不设限制。
S120、基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像。
其中，各路初始图像的位置关系可以理解为各路初始图像在位置上的关系，该位置关系可以基于采集各路初始图像的相机的安装位置确定，例如可以包括方向和距离等信息。初始全景图像是对各路初始图像进行对齐和拼接后所初步得到的全景图像。
具体的，基于各路初始图像的位置关系确定各路初始图像进行拼接的位置关系，对各路初始图像进行空间对齐使各路初始图像中的图像元素可以对齐，对对齐图像进行图像拼接得到初始全景图像。此时，所确定的初始全景图像可以构成初步的目标全景图像，但初始全景图像中还存在重叠区域导致信息描述不够清晰和准确，因此，还需要进一步对初始全景图像中的重叠区域进行像素调整和像素融合才能得到目标全景图像，提升全景图像的清晰度和准确度。
S130、基于各路初始图像的图像边缘确定初始全景图像中的重叠区域，对初始全景图像中的重叠区域进行像素调整得到标准全景图像。
其中，标准全景图像可以理解为对初始全景图像中重叠区域的像素点进行标准化处理后得到的全景图像。
具体的，根据各路初始图像的图像边缘，可以确定图像边缘之间所构成的重叠区域。由于重叠区域与图像边缘之间存在色差导致图像边缘突出，因此，经过对重叠区域的像素进行调整，弱化重叠区域的边缘像素，减少重叠区域的色差得到标准全景图像。
S140、对标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像。
其中，目标全景图像可以理解为最终所确定的全景图像。
具体的，由于标准全景图像中的重叠区域是由至少两幅初始图像所构成的，因此，需要构成重叠区域的初始图像进行像素融合，避免接缝。像素融合的方式可以采用基于像素特征点匹配的像素融合的方式，具体为提取构成重叠区域的初始图像的像素特征点，并对像素特征点进行特征点匹配，将匹配度满足条件的一对像素点进行像素融合。
本发明实施例的技术方案，通过获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘，基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；基于各路初始图像的图像边缘确定初始全景图像中的重叠区域，对初始全景图像中的重叠区域进行像素调整得到标准全景图像；对标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像，能够解决现有全景图像的确定方法所描述的信息不够清晰和准确的问题，得到具有更清晰、更完整和更准确的信息描述的全景图，提升了用户的体验感。
可选的，S110、所述对各路初始图像进行边缘检测得到图像边缘，包括：
S111、对于每路初始图像，根据所述初始图像的不同颜色通道之间的像素差值和边缘阈值确定所述初始图像的初始边缘区域。
其中，初始边缘区域是基于边缘阈值所确定初始图像的边缘区域。边缘阈值是预先设定的用于区分边缘区域的阈值，边缘阈值的取值可以基于实际情况确定，本发明实施例对此不设限制。
具体的，相机所采集得到的初始图像一般为基于RGB颜色通道的图像，对初始图像进行RGB颜色通道拆分，将初始图像中每个像素点的任意两个不同颜色通道的像素值进行相减得到像素差值，比较像素差值和边缘阈值，大于边缘阈值的像素构成初始边缘区域。
示例性的，将初始图像中R通道的像素和G通道的像素进行相减得到像素差值，并和边缘阈值进行比较确定初始边缘区域。
S112、对所述初始边缘区域进行滤波处理和锐化处理得到目标边缘区域。
其中，目标边缘区域是对初始边缘区域进一步处理得到的边缘区域。
具体的，经过像素差值所确定的初始边缘区域为粗略确定的边缘区域，为了进一步精确确定边缘区域，对初始边缘区域进行滤波处理平滑图像，滤掉图像噪声；再计算初始边缘区域中每个像素点的梯度强度和方向，对初始边缘区域进行锐化处理。
S113、将所述目标边缘区域中像素值高于或等于第一阈值的像素点确定为边缘像素点。
其中，边缘像素点是基于第一阈值所确定的处于目标边缘区域的像素点。
具体的，设定双阈值对目标边缘区域中的像素点进行进一步判定，以确定边缘像素点。设定第一阈值作为上界阈值，将目标边缘区域中像素值高于或等于第一阈值的像素点确定为边缘像素点。
S114、将所述目标边缘区域中像素值低于第一阈值且高于第二阈值的像素点确定为潜在边缘像素点；其中，所述第一阈值大于所述第二阈值。
其中，潜在边缘像素点是基于第一阈值和第二阈值所确定的处于目标边缘区域的像素点，潜在边缘像素点可以进一步确定为边缘像素点。
具体的，设定第二阈值作为下界阈值，将像素值低于下界阈值的像素点确定为非边缘像素点，将像素值高于第二阈值(下界阈值)且低于第一阈值(上界阈值)的像素点确定为潜在边缘像素点。
S115、对于所述潜在边缘像素点，根据所述潜在边缘像素点的领域内的像素值确定所述初始图像的边缘像素点。
具体的，确定潜在边缘像素点的8领域，若在8领域内存在像素值高于第二阈值的像素点，则确定该潜在边缘像素点为初始图像的边缘像素点。若在8领域内不存在像素值高于第二阈值的像素点，则确定该潜在边缘像素点不是初始图像的边缘像素点。
S116、对所述边缘像素点进行边缘拟合得到图像边缘。
示例性的，获取目标边缘区域中的不连续像素点，判断每个不连续像素点与边缘像素点的位置关系；若不连续像素点与边缘像素点相邻，则确定所述不连续像素点属于边缘像素点；若不连续像素点未与边缘像素点相邻，则确定所述不连续像素点不属于边缘像素点；对所有的边缘像素点进行连通，计算每块连通域坐标，拟合连通域的边缘得图像边缘。
可选的，步骤S120、所述基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像，包括：
S121、获取各路初始图像在世界坐标系下的位置关系。
其中，世界坐标系可以理解为各路相机所在空间内所构建的世界坐标系。
具体的，由于各路初始图像分别从不同位置安装的相机采集得到，因此，在对初始图像进行拼接时需要确定各路初始图像在世界坐标系下的位置关系。
S122、对各路初始图像进行鱼眼畸变矫正。
具体的，由于各路相机一般采用鱼眼相机，而基于鱼眼相机的成像特点导致鱼眼相机所采集的图像会发生畸变，因此需要对各路初始图像进行鱼眼畸变矫正，减少图像畸变。本发明实施例对鱼眼畸变矫正的算法不作限定，可以采用任意的现有畸变矫正算法。
S123、将矫正后的各路初始图像在世界坐标系下的世界坐标投影变化到各自的图像坐标系下的图像坐标。
具体的，对于每一路初始图像，在进行畸变矫正后将初始图像的各像素点在世界坐标系下的世界坐标经过坐标系参数矩阵，投影变化到各自的图像坐标系下的图像坐标。本发明实施例对世界坐标系和图像坐标系之间的坐标转换不作赘述，可以基于相机内参矩阵和相机外参矩阵确定。
S124、根据所述位置关系和各初始图像在各自的图像坐标系下的图像坐标进行图像对齐和图像拼接得到初始全景图像。
具体的，根据每路相机在世界坐标系下的位置关系，将各初始图像对应的图像坐标系统一到同一坐标系下，将各初始图像在各自的图像坐标系下的图像坐标转化到同一坐标系下，从而可以根据初始图像在同一坐标系下的图像坐标对各路初始图像进行对齐和拼接确定初始全景图像。
实施例二
图2为本发明实施例二提供的一种全景图像的确定方法的流程图，本实施例与上述实施例的步骤S220和步骤S230进一步细化。如图2所示，该方法包括：
S201、获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘。
S202、基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像。
S203、基于各路初始图像的图像边缘确定初始全景图像中的重叠区域。
S204、对初始全景图像中的重叠区域进行像素颜色均衡处理。
具体的，对于初始全景图像中的重叠区域，是由两路初图像的像素叠加所构成，两路初始图像之间不可避免的存在色差导致像素颜色不均衡，影响最终的全景图像的呈现效果。因此，需要对初始全景图像中的重叠区域进行像素颜色均衡处理。
可选的，S204、所述对所述初始全景图像中的重叠区域进行像素颜色均衡处理，包括：
S2041、根据所述初始全景图像的重叠区域中各像素点的色差确定像素颜色均衡值。
具体的，对于两路初始图像所构成的重叠区域，确定像素颜色均衡值为：
其中，Rc(p)是第p个像素点对应的像素颜色均衡值，Ic(p)-Ic(j)为同意像素点位置对应的两路初始图像的像素点之间的亮度差，d(p,j)表示距离度量函数，Subset为初始全景图像的重叠区域的像素子集，r(*)为Saturation亮度表现函数，需是奇函数；这一步可以适应局部图像对比度，r(*)能够放大较小的差异，并丰富大的差异，根据局部内容扩展或者压缩动态范围。
S2043、比较重叠区域中的像素点的像素颜色均衡值和领域内的像素点的像素值，将小于领域内所有像素点的像素值的像素颜色均衡值进行剔除。
具体的，将重叠区域中的像素点的颜色均衡值与所有图像边缘的像素值分别进行比较，将小于图像边缘的像素值的颜色均衡值进行剔除过滤，过滤掉重叠区域中像素值小于周围像素的像素点，减少均衡处理的计算量。
S2042、基于未剔除的像素颜色均衡值对所述重叠区域的对应的像素点进行颜色均衡处理。
具体的，基于所确定的未剔除的各像素点对应的像素颜色均值对重叠区域的对应像素点进行颜色调整实现重叠区域的颜色均衡处理。
S205、获取构成重叠区域的两路初始图像的图像边缘之间的倾斜角度，根据倾斜角度对初始全景图像中的两路初始图像进行图像旋转得到第一图像。
具体的，在重叠区域中，两路初始图像的图像边缘相对有一定的倾斜角度，寻找轮廓的包围矩阵，将图像的边缘视为其方向上的基准线从而获取两路初始图像的图像边缘之间的倾斜角度，根据倾斜角度在重叠区域对两路图像进行旋转矫正。由于重叠区域是由两路图片进行重叠，每路图片色彩不一样，进行旋转矫正后再进行重叠，像素值重叠相加可以适当减少重叠区域的色差。
S206、对第一图像中的重叠区域进行像素亮度调整得到标准全景图像。
具体的，获取第一图像中的重叠区域的亮度分布图，由于实际采集的初始图像有光暗偏差，通过改变亮度分布图的均值和标准差，将重叠区域进行标准图像的亮度统一得到标准全景图像。
标准全景图像的亮度分布为：
其中，Xout表示标准全景图像的亮度分布，xin表示第一图像的亮度分布，m0和s0表示标准图像的像素分布的均值和标准差，m和s是第一图像的均值和标准差。
S207、对标准全景图像中构成重叠区域的两路图像分别进行特征提取得到待匹配像素特征点集。
其中，待匹配像素特征点集是由构成重叠区域的图像素提取得到的像素特征构成的集合。
具体的，在确定标准全景图像后，对标准全景图像中构成重叠区域的两路图像分别进行特征提取，将每路图像所提取的像素特征作为一个待匹配像素特征点集，从而得到两个待匹配像素特征点集。
示例性的，将构成重叠区域的两路图像的RGB颜色通道转化为灰度图，并分别计算两路图像的梯度；对于每路图像，采用OpenCV的SURF算子根据图像的梯度对特征点过滤和精确定位提取得到待匹配像素特征点集。本发明实施例对SURF算子的具体实现过程不作赘述。
S208、在重叠区域内基于滑动匹配窗口确定匹配窗口区域，对匹配窗口区域所包含的待匹配像素特征点集进行图像匹配度计算。
具体的，利用滑动匹配窗口在重叠区域内按一定的步长进行滑动，在每次对滑动匹配窗口进行滑动后，根据滑动匹配窗口形成的匹配窗口区域所包含的待匹配像素特征点集进行图像匹配度计算。图像匹配度可以采用像素点之间的相关程度进行表示。
示例性的，图像匹配度的计算方式可以为：
其中，NCC(p,d)表示图像匹配度，取值范围在[-1,1]之间。Wp为滑动匹配窗口形成的匹配窗口区域。I1(x,y)为重叠区域内的第一路图像的像素值。I1(px,py)为重叠区域内的第一路图像的像素均值。I2(x+d,y)为重叠区域内的第一路图像对应的滑动匹配窗口在x方向上滑动d后确定的目标图像的像素值；I2(px+d,py)为目标图像的像素均值。若NCC＝-1，则表示两个匹配窗口完全不相关，相反，若NCC＝1时，表示两个匹配窗口相关程度非常高。
S209、对于图像匹配度大于匹配阈值的匹配窗口区域所包含的像素进行中值滤波。
具体的，使用中值滤波解决重合部分像素值的突变。对于图像匹配度大于匹配阈值的匹配窗口区域所包含的像素，采用中值滤波去除高于滤波阀值上限的像素点，以消除像素值的突变，保持光强连续性；去除低于滤波阀值下限的像素点，以去除周围的不相似像素剔除。
S210、对滤波后的标准全景图像中的重叠区域进行像素融合得到目标全景图像。
具体的，为了避免接缝多路图像之间的重叠区域的边缘存在接缝，对滤波后的标准全景图像中的重叠区域进行像素融合到目标全景图像。
可选的，S210、所述对滤波后的标准全景图像中的重叠区域进行像素融合得到目标全景图像，包括：
基于第一加权因子确定滤波后的标准全景图像中构成重叠区域的第一路图像的第一加权像素值；
基于第二加权因子确定滤波后的标准全景图像中构成重叠区域的第二路图像的第二加权像素值；其中，所述第一加权因子和所述第二加权因子从所述重叠区域的中心像素点至边界像素点线性递减；
对滤波后的标准全景图像中的重叠区域的第一加权像素值和第二加权像素值进行求和得到目标全景图像。
具体的，对于滤波后的标准全景图像中的重叠区域，对构成重叠区域的第一路图像的像素值进行加权得到第一加权像素值，对构成重叠区域的第二路图像的像素值进行加权得到第二加权像素值，对滤波后的标准全景图像中的重叠区域的每个像素点位置进行第一加权像素值和第二加权像素值的求和得到该像素位置的目标像素值，从而确定目标全景图像。
可以理解的是，第一加权因子和第二加权因子可以采用权重图的形式表示。该权重图和重叠区域的大小相同，并且该权重图的权重值从重叠区域的中心像素点至边界像素点线性递减。例如在中心像素处的值为1，在与边界像素线性递减后变为0。
示例性的，基于加权求和的像素融合的计算公式为：
dst(x,y)＝saturate(srcl(x,y)*α+src2(x,y)*β)；
其中，dst(x,y)为目标全景图像在(x,y)位置的像素点；srcl(x,y)为第一路图像在(x,y)位置的像素点；α为第一加权像素值；src2(x,y)为第二路图像在(x,y)位置的像素点；β为第二加权像素值。
本发明实施例的技术方案，通过获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘，基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；基于各路初始图像的图像边缘确定初始全景图像中的重叠区域，对初始全景图像中的重叠区域进行像素调整得到标准全景图像；对标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像，能够解决现有全景图像的确定方法所描述的信息不够清晰和准确的问题，得到具有更清晰、更完整和更准确的信息描述的全景图，提升了用户的体验感。
实施例三
图3为本发明实施例三提供的一种全景图像的确定装置的结构示意图。如图3所示，该装置包括：边缘检测模块310、图像对齐模块320、像素调整模块330和像素融合模块340；其中，
边缘检测模块310，用于获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘；
图像对齐模块320，用于基于各路初始图像的位置关系进行图像空间对齐和拼接得到初始全景图像；
像素调整模块330，用于基于各路初始图像的图像边缘确定所述初始全景图像中的重叠区域，对所述初始全景图像中的重叠区域进行像素调整得到标准全景图像；
像素融合模块340，用于对所述标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像。
可选的，所述边缘检测模块310，具体用于：
对于每路初始图像，根据所述初始图像的不同颜色通道之间的像素差值和边缘阈值确定所述初始图像的初始边缘区域；
对所述初始边缘区域进行滤波处理和锐化处理得到目标边缘区域；
将所述目标边缘区域中像素值高于或等于第一阈值的像素点确定为边缘像素点；
将所述目标边缘区域中像素值低于第一阈值且高于第二阈值的像素点确定为潜在边缘像素点；其中，所述第一阈值大于所述第二阈值；
对于所述潜在边缘像素点，根据所述潜在边缘像素点的领域内的像素值确定所述初始图像的边缘像素点；
对所述边缘像素点进行边缘拟合得到图像边缘。
可选的，所述图像对齐模块320，具体用于：
获取各路初始图像在世界坐标系下的位置关系；
对各路初始图像进行鱼眼畸变矫正；
将矫正后的各路初始图像在世界坐标系下的世界坐标投影变化到各自的图像坐标系下的图像坐标；
根据所述位置关系和各初始图像在各自的图像坐标系下的图像坐标进行图像对齐和图像拼接得到初始全景图像。
可选的，所述像素调整模块330，包括：
均衡处理单元，用于对所述初始全景图像中的重叠区域进行像素颜色均衡处理；
图像旋转模块，用于获取构成重叠区域的两路初始图像的图像边缘之间的倾斜角度，根据所述倾斜角度对所述初始全景图像中的两路初始图像进行图像旋转得到第一图像；
亮度调整模块，用于对所述第一图像中的重叠区域进行像素亮度调整得到标准全景图像。
可选的，所述均衡处理单元，具体用于：
根据所述初始全景图像的重叠区域中各像素点的色差确定像素颜色均衡值；
比较重叠区域中的像素点的像素颜色均衡值和图像边缘的像素值，将小于所有图像边缘的像素值的像素颜色均衡值进行剔除；
基于未剔除的像素颜色均衡值对所述重叠区域的对应的像素点进行颜色均衡处理。
可选的，所述像素融合模块340，包括：
特征提取单元，用于对所述标准全景图像中构成重叠区域的两路图像分别进行特征提取得到待匹配像素特征点集；
图像匹配计算单元，用于在所述重叠区域内基于滑动匹配窗口确定匹配窗口区域，对所述匹配窗口区域所包含的待匹配像素特征点集进行图像匹配度计算；
滤波单元，用于对于图像匹配度大于匹配阈值的匹配窗口区域所包含的像素进行中值滤波；
像素融合单元，用于对滤波后的标准全景图像中的重叠区域进行像素融合得到目标全景图像。
可选的，所述像素融合单元，具体用于：
基于第一加权因子确定滤波后的标准全景图像中构成重叠区域的第一路图像的第一加权像素值；
基于第二加权因子确定滤波后的标准全景图像中构成重叠区域的第二路图像的第二加权像素值；其中，所述第一加权因子和所述第二加权因子从所述重叠区域的中心像素点至边界像素点线性递减；
对滤波后的标准全景图像中的重叠区域的第一加权像素值和第二加权像素值进行求和得到目标全景图像。
本发明实施例所提供的全景图像的确定装置可执行本发明任意实施例所提供的全景图像的确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如全景图像的确定方法。
在一些实施例中，全景图像的确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的全景图像的确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行全景图像的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种全景图像的确定方法，其特征在于，包括：
获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘；
基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；
基于各路初始图像的图像边缘确定所述初始全景图像中的重叠区域，对所述初始全景图像中的重叠区域进行像素调整得到标准全景图像；
对所述标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像。
2.根据权利要求1所述的方法，其特征在于，所述对各路初始图像进行边缘检测得到图像边缘，包括：
对于每路初始图像，根据所述初始图像的不同颜色通道之间的像素差值和边缘阈值确定所述初始图像的初始边缘区域；
对所述初始边缘区域进行滤波处理和锐化处理得到目标边缘区域；
将所述目标边缘区域中像素值高于或等于第一阈值的像素点确定为边缘像素点；
将所述目标边缘区域中像素值低于第一阈值且高于第二阈值的像素点确定为潜在边缘像素点；其中，所述第一阈值大于所述第二阈值；
对于所述潜在边缘像素点，根据所述潜在边缘像素点的领域内的像素值确定所述初始图像的边缘像素点；
对所述边缘像素点进行边缘拟合得到图像边缘。
3.根据权利要求1所述的方法，其特征在于，所述基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像，包括：
获取各路初始图像在世界坐标系下的位置关系；
对各路初始图像进行鱼眼畸变矫正；
将矫正后的各路初始图像在世界坐标系下的世界坐标投影变化到各自的图像坐标系下的图像坐标；
根据所述位置关系和各初始图像在各自的图像坐标系下的图像坐标进行图像对齐和图像拼接得到初始全景图像。
4.根据权利要求1所述的方法，其特征在于，对所述初始全景图像中的重叠区域进行像素调整得到标准全景图像，包括：
对所述初始全景图像中的重叠区域进行像素颜色均衡处理；
获取构成重叠区域的两路初始图像的图像边缘之间的倾斜角度，根据所述倾斜角度对所述初始全景图像中的两路初始图像进行图像旋转得到第一图像；
对所述第一图像中的重叠区域进行像素亮度调整得到标准全景图像。
5.根据权利要求4所述的方法，其特征在于，所述对所述初始全景图像中的重叠区域进行像素颜色均衡处理，包括：
根据所述初始全景图像的重叠区域中各像素点的色差确定像素颜色均衡值；
比较重叠区域中的像素点的像素颜色均衡值和图像边缘的像素值，将小于所有图像边缘的像素值的像素颜色均衡值进行剔除；
基于未剔除的像素颜色均衡值对所述重叠区域的对应的像素点进行颜色均衡处理。
6.根据权利要求1所述的方法，其特征在于，对所述标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像，包括：
对所述标准全景图像中构成重叠区域的两路图像分别进行特征提取得到待匹配像素特征点集；
在所述重叠区域内基于滑动匹配窗口确定匹配窗口区域，对所述匹配窗口区域所包含的待匹配像素特征点集进行图像匹配度计算；
对于图像匹配度大于匹配阈值的匹配窗口区域所包含的像素进行中值滤波；
对滤波后的标准全景图像中的重叠区域进行像素融合得到目标全景图像。
7.根据权利要求6所述的方法，其特征在于，所述对滤波后的标准全景图像中的重叠区域进行像素融合得到目标全景图像，包括：
基于第一加权因子确定滤波后的标准全景图像中构成重叠区域的第一路图像的第一加权像素值；
基于第二加权因子确定滤波后的标准全景图像中构成重叠区域的第二路图像的第二加权像素值；其中，所述第一加权因子和所述第二加权因子从所述重叠区域的中心像素点至边界像素点线性递减；
对滤波后的标准全景图像中的重叠区域的第一加权像素值和第二加权像素值进行求和得到目标全景图像。
8.一种全景图像的确定装置，其特征在于，包括：
边缘检测模块，用于获取多路相机采集的初始图像，对各路初始图像进行边缘检测得到图像边缘；
图像对齐模块，用于基于各路初始图像的位置关系进行图像空间对齐和图像拼接得到初始全景图像；
像素调整模块，用于基于各路初始图像的图像边缘确定所述初始全景图像中的重叠区域，对所述初始全景图像中的重叠区域进行像素调整得到标准全景图像；
像素融合模块，用于对所述标准全景图像中的重叠区域进行基于像素特征点匹配的像素融合得到目标全景图像。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的全景图像的确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的全景图像的确定方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211710038.9A CN115861077A (zh) | 2022-12-29 | 2022-12-29 | 一种全景图像的确定方法、装置、设备及存储介质 |
| PCT/CN2023/122430 WO2024139491A1 (zh) | 2022-12-29 | 2023-09-28 | 一种全景图像的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211710038.9A CN115861077A (zh) | 2022-12-29 | 2022-12-29 | 一种全景图像的确定方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115861077A true CN115861077A (zh) | 2023-03-28 |
Family
ID=85655997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211710038.9A Pending CN115861077A (zh) | 2022-12-29 | 2022-12-29 | 一种全景图像的确定方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115861077A (zh) |
| WO (1) | WO2024139491A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117319805A (zh) * | 2023-11-30 | 2023-12-29 | 广汽埃安新能源汽车股份有限公司 | 一种车辆全景图像的亮度补偿方法及装置 |
| CN118172224A (zh) * | 2024-05-16 | 2024-06-11 | 四川鑫海工程造价咨询事务所有限公司 | 一种工程造价数据管理方法 |
| WO2024139491A1 (zh) * | 2022-12-29 | 2024-07-04 | 惠州市德赛西威汽车电子股份有限公司 | 一种全景图像的确定方法、装置、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689476A (zh) * | 2018-07-04 | 2020-01-14 | 杭州海康威视数字技术股份有限公司 | 全景图像拼接方法及其装置、可读存储介质和电子设备 |
| CN110197455B (zh) * | 2019-06-03 | 2023-06-16 | 北京石油化工学院 | 二维全景图像的获取方法、装置、设备和存储介质 |
| CN115861077A (zh) * | 2022-12-29 | 2023-03-28 | 惠州市德赛西威汽车电子股份有限公司 | 一种全景图像的确定方法、装置、设备及存储介质 |
-
2022
- 2022-12-29 CN CN202211710038.9A patent/CN115861077A/zh active Pending
-
2023
- 2023-09-28 WO PCT/CN2023/122430 patent/WO2024139491A1/zh unknown
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024139491A1 (zh) * | 2022-12-29 | 2024-07-04 | 惠州市德赛西威汽车电子股份有限公司 | 一种全景图像的确定方法、装置、设备及存储介质 |
| CN117319805A (zh) * | 2023-11-30 | 2023-12-29 | 广汽埃安新能源汽车股份有限公司 | 一种车辆全景图像的亮度补偿方法及装置 |
| CN117319805B (zh) * | 2023-11-30 | 2024-03-01 | 广汽埃安新能源汽车股份有限公司 | 一种车辆全景图像的亮度补偿方法及装置 |
| CN118172224A (zh) * | 2024-05-16 | 2024-06-11 | 四川鑫海工程造价咨询事务所有限公司 | 一种工程造价数据管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024139491A1 (zh) | 2024-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11790481B2 (en) | Systems and methods for fusing images | |
| CN115861077A (zh) | 一种全景图像的确定方法、装置、设备及存储介质 | |
| Lai et al. | Single-image dehazing via optimal transmission map under scene priors | |
| WO2018225967A1 (en) | Device having cameras with different focal lengths and method of implementing cameras | |
| EP3798975B1 (en) | Method and apparatus for detecting subject, electronic device, and computer readable storage medium | |
| CN111368717B (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
| CN108431751B (zh) | 背景去除 | |
| EP3782359B1 (en) | Method of combining content from multiple frames and electronic device therefor | |
| Hua et al. | Extended guided filtering for depth map upsampling | |
| CN112634343A (zh) | 图像深度估计模型的训练方法、图像深度信息的处理方法 | |
| Zhao | Single image dehazing using bounded channel difference prior | |
| US20220343520A1 (en) | Image Processing Method and Image Processing Apparatus, and Electronic Device Using Same | |
| CN112991180A (zh) | 图像拼接方法、装置、设备以及存储介质 | |
| CN112991218A (zh) | 图像处理的方法、装置、设备以及存储介质 | |
| Liu et al. | Texture filtering based physically plausible image dehazing | |
| US20150117757A1 (en) | Method for processing at least one disparity map, corresponding electronic device and computer program product | |
| CN114998172A (zh) | 图像处理方法及相关系统 | |
| CN113628192A (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
| CN114764839A (zh) | 动态视频生成方法、装置、可读存储介质及终端设备 | |
| CN110827254A (zh) | 图像清晰度的确定方法和装置 | |
| CN114373153B (zh) | 一种基于多尺度阵列相机的视频成像优化系统与方法 | |
| WO2023097576A1 (en) | Segmentation with monocular depth estimation | |
| CN112184837B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
| CN113312979B (zh) | 图像处理方法、装置、电子设备、路侧设备及云控平台 | |
| US11109010B2 (en) | Automatic system for production-grade stereo image enhancements |
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 |