CN115984112A - 图像拼接方法及其计算机可读存储介质和终端设备 - Google Patents
图像拼接方法及其计算机可读存储介质和终端设备 Download PDFInfo
- Publication number
- CN115984112A CN115984112A CN202310023889.4A CN202310023889A CN115984112A CN 115984112 A CN115984112 A CN 115984112A CN 202310023889 A CN202310023889 A CN 202310023889A CN 115984112 A CN115984112 A CN 115984112A
- Authority
- CN
- China
- Prior art keywords
- image
- splicing
- matrix
- similarity
- images
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像拼接方法及其计算机可读存储介质和终端设备,包括:获取具有重合区域的至少两张待拼接图像,并根据待拼接图像确定拼接矩阵;根据拼接矩阵,将待拼接图像的重合区域,转换至同一坐标系;计算每个转化后的重合区域的相似度;根据重合区域的相似度,不断调整拼接矩阵,重复步骤S2和S3,选择最高相似度对应的拼接矩阵为最优拼接矩阵;根据最优拼接矩阵,拼接待拼接图像,得到拼接图像。其关键在于,引入一套评价机制,对转换的待拼接图像的重合区域,计算相似度,以点反映面,充分反映该拼接矩阵下的拼接效果,反向推导最高相似度下的最优拼接矩阵,从根本上优化更新拼接矩阵这个影响拼接效果的源头因素,实现最佳拼接效果。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像拼接方法。
背景技术
图像拼接技术是一种将一组图像按一定规则拼接融合成一幅大视野高分辨率图像的技术,是图像处理领域的一个非常重要的研究方向,在当今工业、医学、摄影学、数字图像处理等领域都有着广泛的应用。以工业为例,图像拼接技术是机器视觉领域对大尺寸物体进行尺寸测量、形状匹配、缺陷检测等操作的前提技术之一,。
现有技术中,图像拼接算法目前用得最多的是基于特征点的特征匹配方法,如SIFT、SURF、ORB等。通过在两个待拼接图像上提取特征点,以得到二者转换的拼接矩阵,如单应性矩阵Homography,完成图像拼接。但是,由于拼接误差、精度等原因,可能存在拼接缝、鬼影等缺陷。为提高图像拼接效果,现有技术中一般是在后续对拼缝进行更新融合等处理。
然而,在工业、医学等很多领域,其对拼接精度要求更高。以大型工业场景为例,传送带上零星散落诸多工件、包裹等,若拼接精度不高,则可能导致大场景下工件抓取失败、喷码错误、显示不全等。因此,如何进一步提高拼接精度,是拼接领域亟待解决的技术问题。
发明内容
为解决上述技术问题,本发明提供一种自适应调整的图像拼接方法,包括:
S1:获取具有重合区域的至少两张待拼接图像,并根据待拼接图像确定拼接矩阵;
S2:根据拼接矩阵,将待拼接图像的重合区域,转换至同一坐标系;
S3:计算每个转化后的重合区域的相似度;
S4:根据重合区域的相似度,不断调整拼接矩阵,重复步骤S2和S3,选择最高相似度对应的拼接矩阵为最优拼接矩阵;
S5:根据最优拼接矩阵,拼接待拼接图像,得到拼接图像。
进一步地,步骤S1中,获取具有重合区域的至少两张待拼接图像,具体为直接获取待拼接图像;或包括:
S11:在待拼接位置放置标定板,获取带同一标定板的待拼接图像;
S12:通过标定板中特征点的映射关系,确定拼接矩阵;
S13:移除标定板,拍摄移除标定板后的待拼接图像。
进一步地,步骤S3,包括:
S31:选定每个转化后的重合区域的特征区域;
S32:计算每个转换后的重合区域的特征区域的相似度,为每个转换后的重合区域的相似度。
进一步地,步骤S31之前,还包括:
S30:对每个转换后的重合区域,作二值化处理,得到预处理后的重合区域。进一步地,采用公式(2)计算相似度;
SSIM(x,y)=[I(x,y)]α[C(x,y)]β[S(x,y)]γ
其中,I(x,y)为亮度相似度;C(x,y)为对比度相似度;S(x,y)为结构相似度;α,β,γ为权重系数,均为非零常数;ux,uy分别表示第x图像和第y图像的均值;σx,σy分别表示第x图像和第y图像的方差;σxy表示第x图像和第y图像的协方差;C1,C2,C3为常数。
进一步地,步骤S4中,不断调整拼接矩阵的步骤,包括:
S41:根据待拼接图像或/和每个转换后的重合区域,确定拼接矩阵调整范围;
S42:在拼接矩阵调整范围内,不断调整拼接矩阵。
进一步地,步骤S42,还包括:
S421:根据相似度的变化趋势,逐步缩小拼接矩阵调节范围;
或/和,
S422:对拼接矩阵的参数,逐个单独进行调整。
进一步地,还包括:
S6:对拼接图像的拼接缝做融合处理。
另一方面,本发明还提供一种计算机可读存储介质,存储有计算机可执行程序代码;所述计算机可执行程序代码用于执行上述任意的图像拼接方法。
另一方面,本发明还提供一种终端设备,包括存储器和处理器;所述存储器存储有可被处理器执行的程序代码;所述程序代码用于执行上述任意的图像拼接方法。
本发明提供的图像拼接方法及其计算机可读存储介质和终端设备,其打破常规方式,其不是简单对拼接图像的拼缝进行更新融合处理,而是引入一套评价机制,对转换的待拼接图像的重合区域,计算相似度,以点反映面、管中窥豹,充分反映该拼接矩阵下的拼接效果,反向推导最高相似度下的最优拼接矩阵,从根本上优化更新拼接矩阵这个影响拼接效果的源头因素,得到最优拼接矩阵下的最优拼接图像,实现最佳拼接效果。
附图说明
图1为本发明图像拼接方法的一个实施例的流程图;
图2为待拼接图像的一个实施例的示例图;
图3为待拼接图像的另一个实施例的示例图;
图4为图3示例的待拼接图像在拼接矩阵转换后的示意图;
图5为图3示例的待拼接图像在未优化更新的拼接矩阵下的拼接效果示意图;
图6为图3示例的待拼接图像在拼接矩阵转换后的重合区域的示意图;
图7为图3示例的待拼接图像在拼接矩阵转换后的重合区域的特征区域的示意图;
图8为图3示例的待拼接图像在优化更新的拼接矩阵下的拼接效果示意图;
图9为图3示例的待拼接图像拼缝融合后的拼接效果示意图。
具体实施方式
如图1所示,给出了本发明的一种自适应调整的图像拼接方法,包括:
S1:获取具有重合区域的至少两张待拼接图像,并根据待拼接图像确定拼接矩阵;具体的,待拼接图像可选但不仅限于由相机等图像采集设备在不同位置、角度等拍摄,只要相互之间有重合区域,以待拼接即可,其数量、形式、内容等可根据实际需求而任意设定,如图2、3所示,给出了待拼接图像的示例说明,但是该说明书中的文字及附图,仅为示例说明,并不以此为限。上述图2、图3仅给出了待拼接图像包括2个的示例,在实际应用场景中,可能包括更多个待拼接图像。更为具体的,可选但不仅限于将待拼接图像记为第1图像、第2图像…第n图像,其中n表示待拼接图像的数量;更为具体的,可选但不仅限于将拼接矩阵记为H=(H21,H32……H(n)(n-1)),其中H(n)(n-1)表示第n图像转换至第n-1图像的转换矩阵,当然本领域技术人员还可理解的,在n个图像中,可选但不仅限于以第1图像为参考图像计算拼接矩阵,还可选以任何一个图像为参考图像计算拼接矩阵H,甚至还可选以一个标准图像,即在标准坐标系下计算拼接矩阵H。示例的,如图2所示,给出了待拼接图像包括两个图像,记为第1图像和第2图像,可选但不仅限于以左图的第1图像为参考图像,通过左图中重合区域的特征点的像素坐标与右图中对应特征点的像素坐标,找到映射关系,求得拼接矩阵H=(H21),即将右图特征点的像素坐标转换至左图坐标系的转换矩阵;也可选但不仅限于以右图的第2图像为参考图像,求得拼接矩阵H=(H12),即将左图特征点的像素坐标转换至右图坐标系的转换矩阵;还可选但不仅限于以某标准图像为参考图像,记为第0图像,求得拼接矩阵H=(H10,H20),即将左图、右图的特征点的像素坐标转换至标准坐标系的转换矩阵。
更为具体的,待拼接图像,除了通过上述拍摄、接收等方式直接获取待拼接图像外,还考虑:在工业场景中,由于工业场景中的工件通常没有特别明显的纹理特征,难于找到具有代表性的特征点,因此步骤S1,可选但不仅限于优选为包括:
S11:在待拼接位置放置标定板,获取带同一标定板的待拼接图像;具体的,可选但不仅限于首先在待拼接位置放置标定板,再在多个位置或角度拍摄带同一张标定板的待拼接图像,如3所示的左图和右图;
S12:通过标定板中特征点的映射关系,确定拼接矩阵;具体的,该计算拼接矩阵的步骤,可选但不仅限于采用现有技术中标定方法的任意方式,该计算拼接矩阵的步骤不是本发明的发明要点,在此不再赘述。
S13:移除标定板,拍摄移除标定板后的待拼接图像。具体的,可选但不仅限于移除标定板后,通过相机等图像采集设备在原处拍摄移除标定板后的待拼接图像。
在该实施例中,给出了增设标定板的步骤,以应对工业场景等待拼接图像中纹理不清楚、特征点提取相对有难度的情况,能够在特征点提取困难的情况下,更方便快捷高效精准的确定拼接矩阵,该步骤为非必要步骤,仅为优选实施例。
更为具体的,拼接矩阵,可选但不仅限于为单一性矩阵Homography,可选但不仅限于表示为:
其中,A2×2为旋转和缩放参数;T2×1为平移参数;VT为透视参数;s为常数,通常取1。
具体的,现有技术中,在得到该拼接矩阵H后,即可根据拼接矩阵,将待拼接图像全部转换至同一坐标系下,完成拼接工作。但是,以图3的左右两个图像为待拼接图像为例,其在拼接矩阵的转换下,图3左图即可转换为图4左图的上半部分;图3右图即可转换为图4右图的下半部分;拼接得到图5所示的合成图像。本领域技术人员观察图5即可发现,其存在拼缝和鬼影。目前算法大多数是在重叠区域中进行融合来消除,如利用深度学习、多频段融合、最佳拼接缝来进行消除,通过对该拼缝位置进行更新融合处理,以优化拼接效果。而本发明的关键在于打破这种常规操作,对拼接矩阵本身作更新调整,具体作以下处理:
S2:根据拼接矩阵,将待拼接图像的重合区域,转换至同一坐标系;具体的,下述示例以图3-4的工业场景为例作解释说明,可选但不仅限于以左图为参考图像,保持不变;右图为待转换图像,通过拼接矩阵H,将右图转换至左图的参考坐标系下,得到如图6所示的转换后的重合区域,该具体转换可用现有技术中标定方法的任意形式,在此不再赘述。当然,如步骤S1所述的,若待拼接图像包括多个,则将多个待拼接图像依次通过转换矩阵转换至同一坐标系下,对应每个待拼接图像的重合区域,得到多个转换后的重合区域。
S3:计算每个转化后的重合区域的相似度S;具体的,如图6所示,可选但不仅限于计算左图重合区域和右图重合区域的相似度S12。更为具体的,当待拼接图像不仅包括图3所示的两个时,则可将多个转换后的重合区域,两两计算相似度,如S12、S23……,进而计算对应两两之间的转换矩阵,可选但不仅限于示例为H=(H21,H32……H(n)(n-1))。
更为具体的,在某些工业场景中,如图6所示,在传送带上输送工件时,工件一般位于传送带的中部,因此技术人员关注的焦点一般为传送带的中部是否具有高相似度,即能否达到优异的拼接效果,而传送带的侧边区域是否具有高相似度则显得不太重要,也不太关注。因此,步骤S3,还可选但不仅限于包括:
具体的,可选但不仅限于在重合区域中标注该场景关注的区域,如工件摆放较多的区域、图像中关键景点或人物的所在区域,以截取作为特征区域;更为具体的,可选但不仅限于以方框、圆框等窗口截取该特征区域;
S32:计算每个转换后的重合区域的特征区域的相似度,为每个转换后的重合区域的相似度;具体的,即以该特征区域的局部相似度,替代重合区域的整体相似度,以点代面,通过特征性明显、关注度高的局部区域代替计算繁杂、计算量大的整体区域。
在该实施例中,步骤S3增设选取特征区域的步骤,仅计算重合区域的特征区域的相似度,以此代替整个重合区域的相似度,能避免对重合区域整体进行计算,大大减少了待计算区域的范围,即需要对比的像素点,大大减少了计算工作量,能进一步提高比对效率、缩短拼接时间。
更为具体的,该相似度,可选但不仅限于通过与相似度相关的评价指标来确定。示例的,可选但不仅限于以SSIM值作为相似度评价指标。具体的,以图6示例的两个重合区域或图7示例的两个重合区域的特征区域为例,以左图为第1图像的待比对相似度图像,右图为第2图像的待比对相似度图像,则可选但不仅限于采用公式(1)计算二者相似度为:
SSIM(1,2)=[I(1,2)]α[C(1,2)]β[s(1,2)]γ(1)
更为具体的,若待拼接图像包括多个时,则可选但不其仅限于对其每个转换后的重合区域或重合区域的特征区域两两计算相似度,具体可选但不仅限于采用公式(2)计算二者的相似度为:
SSIM(x,y)=[I(x,y)]α[C(x,y)]β[S(x,y)]γ
其中:
其中,I(X,y)为亮度相似度,通过像素均值比较两个图像的亮度;C(x,y)为对比度相似度,通过像素方差比较两个图像的对比度;S(x,y)为结构相似度,通过结合协方差比较两个图像的结构和像素之间的关系;α,β,γ为权重系数,均为非零常数,用以调整I(x,y),C(x,y),S(x,y)的相对重要性;ux,uy分别表示第x图像和第y图像的均值;σx,σy分别表示第x图像和第y图像的方差;σxy表示第x图像和第y图像的协方差;C1,C2,C3为常数,以保证I(x,y),C(x,y),S(x,y)的的稳定性。
更为具体的,可选但不仅限于,通过确定公式(1)、(2)中的各常数,保障SSIM的范围在[0,1]区间范围内,SSIM值越大代表相似度越高。在实际场景中,待拼接图像通过拼接矩阵得到拼接重合区域,若SSIM=1,则重合区域完全一样,已经达到最佳拼接效果;若SSIM≠1,甚至是与1还有一定差距,则需采用本发明的方法,不断调整拼接矩阵,以使SSIM无限接近1,完成拼接矩阵的微调过程。
在该实施例中,给出了如何评价每个转换后的重合区域的相似度的方法,其以SSIM值为评价指标,给出了计算相似度的具体公式,能够对每个重合区域的相似度作量化对比,但是以SSIM作为评价指标仅为举例说明,并不以此为限,本领域技术人员可以理解的,还可选但不仅限于峰值信噪比PSNR、离散余弦变换pHash等作为相似度衡量的评价指标。
更为具体的,为了减少光照不同导致的干扰,计算重合区域或重合区域的特征区域的相似度时,还可选但不仅限于包括前期预处理:
S30:对每个转换后的重合区域或每个转换后的重合区域的特征区域,作二值化处理,得到预处理后的重合区域或预处理后的特征区域。具体的,以图6所示的两个重合区域为例,可选但不仅限于对两个重合区域用其像素均值做二值化处理,图像中像素值大于均值的像素点设为255,小于均值的像素点设为0。这样,二值化处理后的两个区域图像,则非黑即白。在此二值化处理基础上,即能进一步降低相似度计算的计算量、解决对比时间,提高拼接效率。更为重要的,将该二值化处理后的两个重合区域叠加,可明显知道:黑色区域和白色区域为两张图像中像素点相同的区域,灰色区域为两张图像中像素点不相同的区域。示例的,以图6为例,在步骤S3的基础上,可计算二者的SSIM值为0.87,与1还有一定差距,该拼接矩阵H还有待改进,具体如下:
S4:根据重合区域的相似度,不断调整拼接矩阵,重复步骤S2-S3,选择最高相似度对应的拼接矩阵为最优拼接矩阵;具体的,该不断调整拼接矩阵的步骤,可选但不仅限于为穷举,即穷举出拼接矩阵的每种可能组合,重复步骤S2-S3,根据每个拼接矩阵,将待拼接图像的重合区域,转换至同一坐标系,并计算每个转化后的重合区域的相似度,从中确定在哪个拼接矩阵下,所得到的相似度最高;则以该最高相似度所对应的拼接矩阵为最优拼接矩阵,本发明在实验中,将对应拼接矩阵下的相似度从0.82依次调整至0.85、0.87、0.92,达到最高相似度。
更为具体的,由于穷举可能性太多、效率太慢。步骤S4中,不断调整拼接矩阵的步骤,可选但不仅限于包括:
S41:根据待拼接图像或/和每个转换后的重合区域,确定拼接矩阵调整范围;具体的,可选但不仅限于根据待拼接图像的类型(如人物图像、工件图像、内景图像、外景图像等)、应用环境、拼接目的等参数,而任意设定拼接矩阵调整范围。示例的,由于步骤S1中确定的拼接矩阵一般已达到一定的拼接要求,仅需要微调,可选但不仅限于设定拼接矩阵调整范围为:旋转参数±2°;缩放参数±0.02;平移参数±1%等。更为具体的,拼接矩阵的调整范围,还可选但不仅限于与放置的工件的尺寸、厚度等相关。示例的,以S1中通过标定板确定拼接矩阵为例,该拼接矩阵是对应某种类型的工件计算得出的,若更换工件类型,如换另一种尺寸、厚度的工件,则必然对拼接矩阵造成影响,需要对应调整拼接矩阵的调整范围。更为具体的,拼接矩阵的调整范围,还可选但不仅限于与重合区域的图像相关,示例的,以图5为例可知,在初始拼接矩阵作用下,下方图像还需左移,即可确定X轴反向上的平移量为负数,可直接设定其为负数,确定拼接矩阵调整范围。
S42:在拼接矩阵调整范围内,不断调整拼接矩阵。当然此时,仍可在拼接矩阵调整范围内,不断穷举出拼接矩阵的每种可能组合,继续重复步骤S2-S3,根据每个拼接矩阵,将待拼接图像的重合区域,转换至同一坐标系,并计算每个转化后的重合区域的相似度,从中确定在哪个拼接矩阵下,所得到的相似度最高;则以该最高相似度所对应的拼接矩阵为最优拼接矩阵。
在该实施例中,给出了步骤S4中,不断调整拼接矩阵的一个优选实施例,其根据待拼接图像或/和每个转换后的重合区域,确定拼接矩阵调整范围,将拼接矩阵的调整区域限定至一个范围内,减小了穷举的计算量,能进一步降低计算难度、缩短计算时间、提高拼接效率。
更为具体的,步骤S42,在拼接矩阵调整范围内,不断调整拼矩阵时,还可采用一些调整技巧,以进一步减少穷举的计算量和计算时间。示例的,步骤S42,还可选但不仅限于包括:
S421:根据相似度的变化趋势,逐步缩小拼接矩调节范围。具体的,以调整平移参数为例,可选但不仅限于朝第一方向,如正方向或反方向,以第一步长,如10个像素点,调整拼接矩阵的X轴平移量,可选但不仅限于示例为朝正方向右移10个像素点,得到当前拼接矩阵(示例的,平移参数T2×1中的tx调整为tx+10);经过步骤S2、S3计算得到该当前拼接矩阵下的相似度;判断当前拼接矩阵下的相似度是否优于先前拼接矩阵下的相似度;若是,则继续朝正方向继续右移10个像素点……反复操作,直至当前拼接矩阵(示例的,平移参数T2×1中的tx调整为tx+w×10,w为迭代次数)下的相似度劣于先前拼接矩阵下的相似度,也就是说平移参数中tx朝正方向的右移已经超过理想阈值,此时需要反方向,朝X轴负方向以第二步长退回一点平移量(示例的,退回5个像素点,平移参数T2×1中的tx调整为tx+w×10 -5),再次判断当前拼接矩阵下的相似度是否优于先前拼接矩阵下的相似度,直至找到最高相似度下的最优拼接矩阵。
除此之外,步骤S42,还可选但不仅限于采用其它调整技巧,以进一步减少穷举的计算量和计算时间。再次示例的,调整拼接矩阵H,可选但不仅限于对拼接矩阵H的旋转和尺寸参数、平移参数、透视参数依序进行调整,示例的,先调整平移参数,此时保持旋转和尺寸参数、透视参数不变,直至将平移参数调整至最优;再将平移参数固定在该最优值、保持透视参数不变,调整旋转和尺寸参数,直至将旋转和尺寸参数调整至最优;最后将平移参数、旋转和尺寸参数都固定在各自的最优值,调整透视参数;直至所有参数都调整至最优值,得到最优拼接矩阵。
在该实施例中,给出了一些调整拼接矩阵的技巧,不管是根据相似度的变化趋势,不断缩小拼接矩阵的调整范围;还是将拼接矩阵的各项参数单独进行调整优化,都能进一步减小计算难度和计算量,提高拼接效果。
S5:根据最优拼接矩阵,拼接待拼接图像,得到拼接图像,如图8所示。对比图5和图8,可以明显看出:微调拼接矩阵后,以最优拼接矩阵拼接出的拼接图像在两张图交界处的错位效果更少,拼接效果更优。
本发明自适应调整的图像拼接方法,打破常规方式,优化调整拼接矩阵,至少具备如下优点:
1、计算重合区域在拼接矩阵转换后的相似度,充分反映待拼接图像在该拼接矩阵下的拼接效果,选取与最高相似度对应的拼接矩阵,即能得到具有最高相似度的拼接前图像,提高后续目标拼接图像的拼接精确性,最大程度的避免拼缝、鬼影等。
2、以工业场景为例,其采用标定板的特征点确定拼接矩阵,能进一步提高拼接矩阵的精准性。但是,在现有技术中,若直接将标定板移除,那么带标定板的图像,示例的图3,所确定的拼接矩阵与不带标定板的图像确定的拼接矩阵肯定有所差异,若直接使用则拼接效果不佳;
但采用本发明的图像拼接方法,则可以通过微调拼接矩阵减小标定板本身所带来的误差。尤其是输送带上的工件更换类型后,现有技术则因为新工件的厚度、尺寸等原因,需要再次放置标定板重新标定,但是采用本发明的图像拼接方法,则无需再次标定,能通过微调拼接矩阵避免工件厚度、尺寸等原因造成的拼接矩阵不适用问题,能大大减少拍摄标定板、重新计算拼接矩阵的步骤,大大降低人力物力和时间的浪费。
3、实际工业场景中,相机等图像采集设备可能因为环境、认为等原因造成位置、角度等微动,现有技术中该图像采集设备的微动,则会严重影响拼接效果,因此现有技术中产线工作一段时间,需要重新标定,重新计算拼接矩阵,不仅耗费大量人力物力,还需要停工配合,相当于一次检修过程;但是采用本发明的图像拼接方法,则也能通过微调拼接矩阵而从容解决。
综上所述,本发明的图像拼接方法,打破常规方式,其不是简单对拼接图像的拼缝进行更新融合处理,而是引入一套评价机制,对转换的待拼接图像的重合区域,计算相似度,以点反映面、管中窥豹,充分反映该拼接矩阵下的拼接效果,反向推导最高相似度下的最优拼接矩阵,即能得到最优拼接矩阵下的最优拼接图像,实现最佳拼接效果。
当然,经历步骤S1-S5后,得到的拼接图像,如图8所示,依然会由于光照、相机视差等一些影响导致还是能够看出来存在一条缝隙,以SSIM作为相似度评价指标为例,步骤S4的最优拼接矩阵下,其相似度SSIM不可能完全等于1,只能无限靠近1。
因此,本发明的拼接方法,还可选但不仅限于包括步骤具体的,可选但不仅限于在拼接缝附近利用多频段融合来消除这种拼接缝效应,达到两张图视觉过度的更自然的效果,得到如图9所示的拼接图像。
另一方面,本发明还提供一种计算机可读存储介质,存储有计算机可执行程序代码;所述计算机可执行程序代码用于执行上述任意的图像拼接方法。
另一方面,本发明还提供一种终端设备,包括存储器和处理器;所述存储器存储有可被处理器执行的程序代码;所述程序代码用于执行上述任意的图像拼接方法。
示例性的,所述程序代码可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述程序代码在终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),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 Integrated Circuit,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。
所述存储器可以是终端设备的内部存储单元,例如硬盘或内存。所述存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述程序代码以及终端设备所需的其他程序和数据。所述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。
上述计算机可读存储介质和终端设备基于上述图像拼接方法而创造,其技术特征的组合和技术效果,在此不再赘述。以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。值得注意的,上述方法的标号顺序,如S1-S5等,仅为标注说明,并不对其执行顺序作具体限定,本领域技术人员可以理解的,凡是不违背本发明技术构思的顺序调换等,均在本发明的保护范围之内。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种自适应调整的图像拼接方法,其特征在于,包括:
S1:获取具有重合区域的至少两张待拼接图像,并根据待拼接图像确定拼接矩阵;
S2:根据拼接矩阵,将待拼接图像的重合区域,转换至同一坐标系;
S3:计算每个转化后的重合区域的相似度;
S4:根据重合区域的相似度,不断调整拼接矩阵,重复步骤S2和S3,选择最高相似度对应的拼接矩阵为最优拼接矩阵;
S5:根据最优拼接矩阵,拼接待拼接图像,得到拼接图像。
2.根据权利要求1所述的图像拼接方法,其特征在于,步骤S1中,获取具有重合区域的至少两张待拼接图像,具体为直接获取待拼接图像;或包括:
S11:在待拼接位置放置标定板,获取带同一标定板的待拼接图像;
S12:通过标定板中特征点的映射关系,确定拼接矩阵;
S13:移除标定板,拍摄移除标定板后的待拼接图像。
3.根据权利要求1所述的图像拼接方法,其特征在于,步骤S3,包括:
S31:选定每个转化后的重合区域的特征区域;
S32:计算每个转换后的重合区域的特征区域的相似度,为每个转换后的重合区域的相似度。
4.根据权利要求3所述的图像拼接方法,其特征在于,步骤S31之前,还包括:
S30:对每个转换后的重合区域,作二值化处理,得到预处理后的重合区域。
6.根据权利要求1所述的图像拼接方法,其特征在于,步骤S4中,不断调整拼接矩阵的步骤,包括:
S41:根据待拼接图像或/和每个转换后的重合区域,确定拼接矩阵调整范围;
S42:在拼接矩阵调整范围内,不断调整拼接矩阵。
7.根据权利要求6所述的图像拼接方法,其特征在于,步骤S42,还包括:
S421:根据相似度的变化趋势,逐步缩小拼接矩阵调节范围;
或/和,
S422:对拼接矩阵的参数,逐个单独进行调整。
8.根据权利要求1-7任意一项所述的图像拼接方法,其特征在于,还包括:
S6:对拼接图像的拼接缝做融合处理。
9.一种计算机可读存储介质,其特征在于,存储有计算机可执行程序代码;所述计算机可执行程序代码用于执行权利要求1-8任意一项所述的图像拼接方法。
10.一种终端设备,其特征在于,包括存储器和处理器;所述存储器存储有可被处理器执行的程序代码;所述程序代码用于执行权利要求1-8任意一项所述的图像拼接方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211105535 | 2022-09-09 | ||
CN2022111055356 | 2022-09-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984112A true CN115984112A (zh) | 2023-04-18 |
Family
ID=85957845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310023889.4A Pending CN115984112A (zh) | 2022-09-09 | 2023-01-09 | 图像拼接方法及其计算机可读存储介质和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984112A (zh) |
-
2023
- 2023-01-09 CN CN202310023889.4A patent/CN115984112A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelhamed et al. | A high-quality denoising dataset for smartphone cameras | |
TWI592020B (zh) | 投影機的影像校正方法及影像校正系統 | |
CN111127422B (zh) | 图像标注方法、装置、系统及主机 | |
JP4159986B2 (ja) | デジタル画像から変換された画像を計算するための方法およびシステム | |
US9172880B2 (en) | Computing device and method of image matching | |
Gallo et al. | Locally non-rigid registration for mobile HDR photography | |
GB2536430B (en) | Image noise reduction | |
GB2536429A (en) | Image noise reduction | |
US20190251677A1 (en) | Homography rectification | |
US11875486B2 (en) | Image brightness statistical method and imaging device | |
CN111932462B (zh) | 图像降质模型的训练方法、装置和电子设备、存储介质 | |
US20190355104A1 (en) | Image Correction Method and Apparatus | |
CN114078161A (zh) | 摄像头预置位自动纠偏方法、装置和计算机设备 | |
US20120038785A1 (en) | Method for producing high resolution image | |
CN109587463A (zh) | 投影仪的校准方法、投影仪及校准系统 | |
CN113628259A (zh) | 图像的配准处理方法及装置 | |
CN117522963A (zh) | 棋盘格的角点定位方法、装置、存储介质及电子设备 | |
CN110852958B (zh) | 基于物体倾斜角度的自适应校正方法和装置 | |
CN115984112A (zh) | 图像拼接方法及其计算机可读存储介质和终端设备 | |
CN114466143B (zh) | 一种拍摄角度校准方法、装置、终端设备以及存储介质 | |
Bajpai et al. | High quality real-time panorama on mobile devices | |
CN116012242A (zh) | 一种相机畸变矫正效果评价方法、装置、介质及设备 | |
CN113592753B (zh) | 基于工业相机拍摄的图像的处理方法、装置和计算机设备 | |
US20160014388A1 (en) | Electronic device, method, and computer program product | |
CN116309760B (zh) | 谷物的图像对齐方法及谷物检测设备 |
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 |