CN116152121A - 基于畸变参数的曲面屏生成方法、矫正方法 - Google Patents
基于畸变参数的曲面屏生成方法、矫正方法 Download PDFInfo
- Publication number
- CN116152121A CN116152121A CN202310428027.XA CN202310428027A CN116152121A CN 116152121 A CN116152121 A CN 116152121A CN 202310428027 A CN202310428027 A CN 202310428027A CN 116152121 A CN116152121 A CN 116152121A
- Authority
- CN
- China
- Prior art keywords
- distortion
- curved screen
- distortion parameters
- curved surface
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003702 image correction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明特别涉及一种基于畸变参数的曲面屏生成方法、矫正方法。其中，曲面屏生成方法包括如下步骤：获取待畸变的平面图；设定畸变参数f和r的值，其中r大于等于平面图宽度的一半；根据畸变参数以及公式构建平面图像素点(x,y)和生成的曲面屏图片像素点(x',y')之间的映射关系：根据上述映射关系以及平面图各像素点的像素值生成曲面屏图片，其中具有映射关系的两个像素点像素值一致。通过构建曲面屏投影模型，引入畸变参数f和r，使得利用畸变参数f和r可以联合控制曲面的畸变程度，这样不仅可以生成多种参数的曲面屏图片，还能将畸变参数作为该曲面屏图片的标签来生成样本，从而自动实现样本集的制作。
Description
技术领域
本发明涉及图像矫正技术领域，特别涉及一种基于畸变参数的曲面屏生成方法、矫正方法。
背景技术
畸变矫正是计算机视觉领域的一个重要课题，传统方法通过从不同的视角寻找对应的特征点来完成标定，这种方法需要特殊的棋盘和人工干预，因此，自动矫正方法受到了研究人员的广泛关注。在畸变矫正不同的子领域，这些自动矫正的方法也截然不同。例如在鱼眼图像矫正领域中，研究人员根据直线必须是直的原则，利用特殊的检测方法来检测特征曲线，然后通过计算曲线的曲率来获得失真参数。但由于特征数量的不稳定导致它很容易受到攻击。在文档形变矫正领域，研究人员从造成文档扭曲的因素出发，包括文档及其摆放角度、光源方向、图像获取设备特征等因素，通过对文档进行3D建模，并利用已有的数学知识对扭曲进行矫正，该方案仅能针对文档进行矫正，因此面临着矫正对象比较单一的缺点。
深度学习方法解决了传统自动矫正方法中存在的问题。根据不同的网络，我们将基于深度学习的图像矫正方法分为两类，即基于回归的方法和基于生成的方法。其中，基于回归的方法，是利用卷积神经网络（CNN）来预测复杂的非线性模型参数，有研究学者论文（J. Rong, S. Huang, Z. Shang, and X. Ying. Radial lens distortion correctionusing convolutional neural networks trained with synthesized images. In ACCV,2016.）中率先根据拟合的数据训练网络，并使用AlexNet纠正扭曲的图像，然而，参数的有限离散区间导致训练的网络在复杂图像上表现不佳。尹等在论文（X.Yin, X. Wang, J.Yu, M. Zhang, P. Fua, and D. Tao. Fishey erecnet: A multi-contextcollaborative deep network for fish eye image rectification. In ECCV, pages475–490, 2018.）中提出了多上下文协作网络，但由于高维特征，语义特征只能提供有限的指导。薛等人在其论文（G. Xia, and W. Shen. Learning to calibrate s traightlines for fisheye image rectification. CVPR, pages 1643–1651, 2019.）中施加了明确的几何约束，以改善扭曲图像的网络感知。虽然实现了更好的性能，但它需要大量的标签，如边缘标签、失真参数标签和正常图像。此外，边缘估计网络需要预先训练，这带来了更复杂的操作。
基于生成的方法是在生成性对抗网络（GAN）的帮助下，直接生成矫正图像。DR-GAN是第一个径向畸变矫正的对抗性框架，它可以直接学习失真图像和正常图像之间的分布模式，而不是估计参数。实现了无标签训练，一步整改。然而，为了同时重建图像内容和结构，网络负担过重。图像内容模糊，结构无法完全纠正。廖等人在其论文（K. Liao, C. Lin, Y.Zhao, and M. Xu. Model-free distortion rectification framework bridged bydistortion distribution map. IEEE Transactions on Image Processing, 29:3707–3718, 2020.）中提出通过畸变分布图桥接，它对扭曲的结构产生了更精确的矫正，但是级联网络容易造成图像细节丢失，一般的skip连接导致失真扩散。
最重要的是，以上的方法都无法直接用于曲面屏内容的矫正，主要原因有两点。其一，畸变矫正原理的限制，与其他成熟的畸变模型不同，拍摄曲面屏图片的“畸变”是由屏幕本身和拍摄相机位置共同导致的。例如，以图像中心为参考，鱼眼相机带来的畸变具有各向同性的特点，因此同一个鱼眼相机拍摄的不同图片，畸变参数总是固定的；文档畸变则是通过修改α和d来改变文档卷曲或折叠的畸变程度；而曲面屏的畸变参数由屏幕的曲率和拍摄相机的位置决定，不同的曲面屏其曲率不一样，即使是同一个曲面屏从不同角度进行拍摄得到的图片的畸变参数也是不同的，直接利用其他畸变矫正领域的方法从图片中估计矫正参数将变得非常困难。其二，数据集的限制，畸变矫正领域普遍存在缺少公开训练数据集的问题，不同子领域往往都是利用特定的数学模型来合成具有特定畸变特点的图像用于训练，例如鱼眼图像矫正一般利用多项式模型对自然场景数据集(如Place365)来生成所需训练数据集，但曲面屏矫正的数据集就很少了。
屏摄溯源产品，通过在屏幕中嵌入隐形水印，当屏幕内容被截屏/拍屏/录屏后，可以通过对泄露的图片或视频进行提取得到其中嵌入的隐形水印信息，从而进行溯源。想要从截屏/拍屏/录屏的图像或视频中，精准的提取出水印信息，最关键的一步是将屏幕矫正为方形。受到上述两个原因的限制，使得曲面屏的矫正始终是一个难点。
发明内容
本发明的首要目的在于提供一种基于畸变参数的曲面屏生成方法，能够根据畸变参数生成对应的曲面屏图片。
为实现以上目的，本发明采用的技术方案为：一种基于畸变参数的曲面屏生成方法，包括如下步骤：获取待畸变的平面图；设定畸变参数f和r的值，其中r大于等于平面图宽度的一半；根据畸变参数以及公式构建平面图像素点(x,y)和生成的曲面屏图片像素点(x',y')之间的映射关系：根据上述映射关系以及平面图各像素点的像素值生成曲面屏图片，其中具有映射关系的两个像素点像素值一致。
与现有技术相比，本发明存在以下技术效果：通过构建曲面屏投影模型，引入畸变参数f和r，使得利用畸变参数f和r可以联合控制曲面的畸变程度，这样不仅可以生成多种参数的曲面屏图片，还能将畸变参数作为该曲面屏图片的标签来生成样本，从而自动实现样本集的制作。
本发明的另一个目的在于提供一种基于畸变参数的曲面屏矫正方法，能够准确、快速的对曲面屏进行矫正得到展平后的平面图。
为实现以上目的，本发明采用的技术方案为：一种基于畸变参数的曲面屏矫正方法，包括如下步骤：根据所述的基于畸变参数的曲面屏生成方法,生成平面图对应的曲面屏图片，该曲面屏图片及其畸变参数构成一个样本；构建基于参数回归的神经网络模型并利用生成的样本对神经网络模型进行训练得到训练好的神经网络模型，该神经网络模型的输入为曲面屏图片、输出为畸变参数；将待矫正的曲面屏图片输入到训练好的神经网络模型中进行预测得到预测畸变参数；根据曲面屏图片各像素点的像素值、预测畸变参数以及映射关系生成矫正后的平面图，其中具有映射关系的两个像素点像素值一致。
与现有技术相比，本发明存在以下技术效果：借助训练好的深度神经网络，对待矫正的曲面屏图片进行畸变参数的预测，并执行曲面矫正算法来恢复出曲面屏内容的平面形式，矫正的效果非常可靠且矫正速度很快，这里的曲面矫正算法就是前述曲面屏生成方法的逆过程，基于这些步骤，我们可以非常方便的实现曲面屏图片的矫正。
附图说明
图1是正面曲面屏的投影原理图；
图2是图1的投影俯视图；
图3是侧面曲面屏的投影俯视图；
图4是曲面屏矫正方法示意图；
图5是基于参数回归的神经网络模型结构图。
具体实施方式
下面结合图1至图5，对本发明做进一步详细叙述。
参阅图1，本发明公开了一种基于畸变参数的曲面屏生成方法，包括如下步骤：获取待畸变的平面图；设定畸变参数f和r的值，其中r大于等于平面图宽度的一半；根据畸变参数以及如下公式构建平面图像素点(x,y)和生成的曲面屏图片像素点(x',y')之间的映射关系：
根据上述映射关系以及平面图各像素点的像素值生成曲面屏图片，其中具有映射关系的两个像素点像素值一致。通过构建曲面屏投影模型，引入畸变参数f和r，使得利用畸变参数f和r可以联合控制曲面的畸变程度，这样不仅可以生成多种参数的曲面屏图片，还能将畸变参数作为该曲面屏图片的标签来生成样本，从而自动实现样本集的制作。
上面生成的曲面屏图片是近似证明相机拍摄的曲面屏图片，实际使用时，还有很多从侧面拍摄的曲面屏图片，为了能够生成此类图片，本发明中进一步地，所述的设定畸变参数f和r的值的步骤中，还设定畸变参数β的值，β的取值范围是[-90°,90°]；所述的映射关系采用如下公式构建：
下面结合附图对上述公式进行详细说明。
将待畸变的平面矩形RGB图视作一个平面Γ，其宽和高分别为w和h。我们将平面Γ放置在半径为r的圆柱体内，并令平面Γ垂直于圆柱体的底面，如图1所示。在距离圆柱体中轴线为f的一处有一点P，我们将平面Γ上的每一像素点投影到点P上，连接像素点与点P的直线和圆柱体表面相交于一点，我们将平面Γ上所有像素点在圆柱体表面的相交点的集合汇聚成的曲面定义为曲面Γ'。再此投影模型中，f和r控制曲面的畸变程度，f和r的值的差距越小，我们获得的曲面Γ'畸变程度越明显、曲率越大。为了防止出现一个像素点获得两个曲面映射点的多解情况，我们限制了r≥(w/2)。
图1的投影俯视图如图2所示，以平面Γ中心为坐标原点，我们可以看到横坐标为x的像素点对应着横坐标为x'的曲面映射点，根据相似三角形原理，我们得出像素点与映射点横坐标之间的等式关系：
式中，θ为投影俯视图中，横坐标为x'的曲面映射点、圆柱体中心线所在点以及点P三者之间的夹角，如图2中所示；对其进行整理得到如下等式关系：
同时，我们还可以得出像素点与映射点纵坐标之间的对应关系：
又因为：
结合前述三个公式，已知畸变参数f、r以及像素点坐标(x,y)，即可解除曲面映射点坐标(x',y')。遍历平面Γ的RGB像素矩阵并计算映射点坐标，我们就能合成近似正面相机拍摄的曲面屏训练数据。
当我们引入新的畸变参数β来模拟相机拍摄的侧面角度，就可以合成具有侧面视觉效果的曲面屏图片，此时投影俯视图如图3所示。
基于新的相似三角形关系，我们可以得到如下两个等式关系：
结合前面x'=r*θ，我们可以解出(x,y)在侧面角度为β的曲面上的映射点坐标(x',y')。遍历平面Γ的RGB像素矩阵并计算映射点坐标，我们就能合成侧面视角为β的相机拍摄的曲面屏训练数据。特别地，β等于0°时，意味着拍摄视角为正面。
由于映射关系中的x、y、x'、y'对应的都是坐标位置，在计算时一般不带单位，因此为了计算方便，我们在给畸变参数f和r取值时，也是不带单位的。本发明中优选地，所述f的取值范围是[1000,1300]，r的取值范围是[500,700]。曲面屏本身已经具有一定的弯曲，大部分曲面屏图片在拍摄时不会倾斜太多，为了更符合实际情况，上述生成侧面视角的曲面图片时，所述畸变参数β的取值范围是[-45°,45°]。
参阅图4，本发明还公开了一种基于畸变参数的曲面屏矫正方法，包括如下步骤：根据前述的基于畸变参数的曲面屏生成方法,生成平面图对应的曲面屏图片，该曲面屏图片及其畸变参数构成一个样本，生成的曲面屏图片需要resize到一定的大小才能正确的输入至后续的神经网络模型中。构建基于参数回归的神经网络模型并利用生成的样本对神经网络模型进行训练得到训练好的神经网络模型，该神经网络模型的输入为曲面屏图片、输出为畸变参数；将待矫正的曲面屏图片输入到训练好的神经网络模型中进行预测得到预测畸变参数；根据曲面屏图片各像素点的像素值、预测畸变参数以及映射关系生成矫正后的平面图，其中具有映射关系的两个像素点像素值一致。借助训练好的深度神经网络，对待矫正的曲面屏图片进行畸变参数的预测，并执行曲面矫正算法来恢复出曲面屏内容的平面形式，矫正的效果非常可靠且矫正速度很快，这里的曲面矫正算法就是前述曲面屏生成方法的逆过程，基于这些步骤，我们可以非常方便的实现曲面屏图片的矫正。这里的畸变参数可以只包括f和r，可以是包括f、r以及β三个参数，本发明中优选地，采用三个畸变参数。
进一步地，所述的根据曲面屏图片各像素点的像素值、预测畸变参数以及映射关系生成矫正后的平面图步骤中，包括如下步骤：对预测畸变参数进行微调，针对每个畸变参数均得到一张矫正后的平面图；对多张矫正后的平面图进行筛选，挑选出矫正效果最佳的平面图。通过引入该步骤，可以在矫正效果不理想的情况下，对畸变参数进行微调，使得矫正后的平面图效果更佳。
参阅图5，前面所述的神经网络模型，有多种方式可以构建。本发明中优选地，所述的构建基于参数回归的神经网络模型步骤中，神经网络模型以ResNet50为基础网络，并在该基础网络的全局平均池化层后面连接了多个MLP支路，每个MLP支路分别用于回归一个畸变参数。本实施例中，MLP支路设置了三个，分别输出预测的畸变参数pred_f、pred_r和pred_β。所述MLP支路的构成均为FC 2048→256和FC 256→1；所述对神经网络模型进行训练的步骤中，采用均方误差损失函数MSE Loss来优化网络权重训练网络的loss函数可以表示为：
通过对输入曲面屏畸变参数真实值的回归，从而使神经网络能够学习到曲面屏的畸变过程和三参数的对应关系。
本发明还公开了一种计算机可读存储介质和一种电子设备。其中，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，实现如前所述的基于畸变参数的曲面屏生成方法或者如前所述的基于畸变参数的曲面屏矫正方法。一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时，实现如前所述的基于畸变参数的曲面屏生成方法或者如前所述的基于畸变参数的曲面屏矫正方法。
Claims (10)
1.一种基于畸变参数的曲面屏生成方法，其特征在于：包括如下步骤：
获取待畸变的平面图；
设定畸变参数f和r的值，其中r大于等于平面图宽度的一半；
根据畸变参数以及如下公式构建平面图像素点(x,y)和生成的曲面屏图片像素点(x',y')之间的映射关系：
根据上述映射关系以及平面图各像素点的像素值生成曲面屏图片，其中具有映射关系的两个像素点像素值一致。
2.如权利要求1所述的基于畸变参数的曲面屏生成方法，其特征在于：所述的设定畸变参数f和r的值的步骤中，还设定畸变参数β的值，β的取值范围是[-90°,90°]；所述的映射关系采用如下公式构建：
3.如权利要求2所述的基于畸变参数的曲面屏生成方法，其特征在于：所述f的取值范围是[1000,1300]，r的取值范围是[500,700]，畸变参数β的取值范围是[-45°,45°]。
4.一种基于畸变参数的曲面屏矫正方法，其特征在于：包括如下步骤：
根据权利要求1中所述的基于畸变参数的曲面屏生成方法,生成平面图对应的曲面屏图片，该曲面屏图片及其畸变参数构成一个样本；
构建基于参数回归的神经网络模型并利用生成的样本对神经网络模型进行训练得到训练好的神经网络模型，该神经网络模型的输入为曲面屏图片、输出为畸变参数；
将待矫正的曲面屏图片输入到训练好的神经网络模型中进行预测得到预测畸变参数；
根据曲面屏图片各像素点的像素值、预测畸变参数以及映射关系生成矫正后的平面图，其中具有映射关系的两个像素点像素值一致。
5.如权利要求4所述的基于畸变参数的曲面屏矫正方法，其特征在于：所述的设定畸变参数f和r的值的步骤中，还设定畸变参数β的值，β的取值范围是[-90°,90°]；所述的映射关系采用如下公式构建：
6.如权利要求4所述的基于畸变参数的曲面屏矫正方法，其特征在于：所述的根据曲面屏图片各像素点的像素值、预测畸变参数以及映射关系生成矫正后的平面图步骤中，包括如下步骤：
对预测畸变参数进行微调，针对每个畸变参数均得到一张矫正后的平面图；
对多张矫正后的平面图进行筛选，挑选出矫正效果最佳的平面图。
7.如权利要求4所述的基于畸变参数的曲面屏矫正方法，其特征在于：所述的构建基于参数回归的神经网络模型步骤中，神经网络模型以ResNet50为基础网络，并在该基础网络的全局平均池化层后面连接了多个MLP支路，每个MLP支路分别用于回归一个畸变参数。
8.如权利要求7所述的基于畸变参数的曲面屏矫正方法，其特征在于：所述MLP支路的构成均为FC 2048→256和FC 256→1；所述对神经网络模型进行训练的步骤中，采用均方误差损失函数MSE Loss来优化网络权重。
9.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-3任一项所述的基于畸变参数的曲面屏生成方法或者如权利要求4-8任一项所述的基于畸变参数的曲面屏矫正方法。
10.一种电子设备，其特征在于：包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-3任一项所述的基于畸变参数的曲面屏生成方法或者如权利要求4-8任一项所述的基于畸变参数的曲面屏矫正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428027.XA CN116152121B (zh) | 2023-04-20 | 2023-04-20 | 基于畸变参数的曲面屏生成方法、矫正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428027.XA CN116152121B (zh) | 2023-04-20 | 2023-04-20 | 基于畸变参数的曲面屏生成方法、矫正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116152121A true CN116152121A (zh) | 2023-05-23 |
| CN116152121B CN116152121B (zh) | 2023-07-04 |
Family
ID=86352818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310428027.XA Active CN116152121B (zh) | 2023-04-20 | 2023-04-20 | 基于畸变参数的曲面屏生成方法、矫正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116152121B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274111A (zh) * | 2023-11-17 | 2023-12-22 | 国网智能科技股份有限公司 | 一种基于多尺度特征融合的图像畸变矫正方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6793350B1 (en) * | 2003-03-21 | 2004-09-21 | Mitsubishi Electric Research Laboratories, Inc. | Projecting warped images onto curved surfaces |
| JP2009176273A (ja) * | 2007-12-26 | 2009-08-06 | Dainippon Printing Co Ltd | 画像変換装置および画像変換方法 |
| CN101777193A (zh) * | 2010-02-03 | 2010-07-14 | 中国人民解放军国防科学技术大学 | 基于双向映射精确插值的折反射全向图柱面全景展开方法 |
| CN106604006A (zh) * | 2016-12-20 | 2017-04-26 | Tcl集团股份有限公司 | 一种适用于投影电视的曲面幕布投影方法及系统 |
| JP2017091483A (ja) * | 2015-11-17 | 2017-05-25 | 株式会社ソニー・インタラクティブエンタテインメント | 画像処理装置、情報処理装置、および画像処理方法 |
| US20190045122A1 (en) * | 2016-04-15 | 2019-02-07 | Panasonic Intellectual Property Management Co., Ltd. | Image processing apparatus and image capturing apparatus |
| CN110246079A (zh) * | 2019-05-23 | 2019-09-17 | 上海交通大学 | 基于b样条曲面拟合的摄像头畸变矫正方法、系统及介质 |
| US20200177850A1 (en) * | 2018-11-19 | 2020-06-04 | FlightSafety International | Method and apparatus for remapping pixel locations |
| CN112488966A (zh) * | 2020-12-23 | 2021-03-12 | 深圳疆程技术有限公司 | 一种图像的反畸变方法、装置、电子设备及汽车 |
| CN113269697A (zh) * | 2021-07-19 | 2021-08-17 | 深圳精智达技术股份有限公司 | 一种曲面屏图像的生成方法及装置 |
| CN113918024A (zh) * | 2021-11-12 | 2022-01-11 | 合众新能源汽车有限公司 | 用于透明a柱曲面屏幕的去畸变方法、装置及存储介质 |
| WO2022127841A1 (zh) * | 2020-12-18 | 2022-06-23 | 华为技术有限公司 | 一种图像重映射方法以及图像处理装置 |
| WO2022127010A1 (zh) * | 2020-12-18 | 2022-06-23 | 南京佗道医疗科技有限公司 | 一种透视图像矫正方法 |
| CN114943764A (zh) * | 2022-05-19 | 2022-08-26 | 苏州华兴源创科技股份有限公司 | 曲面屏幕像素定位方法、装置和设备 |
-
2023
- 2023-04-20 CN CN202310428027.XA patent/CN116152121B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6793350B1 (en) * | 2003-03-21 | 2004-09-21 | Mitsubishi Electric Research Laboratories, Inc. | Projecting warped images onto curved surfaces |
| JP2009176273A (ja) * | 2007-12-26 | 2009-08-06 | Dainippon Printing Co Ltd | 画像変換装置および画像変換方法 |
| CN101777193A (zh) * | 2010-02-03 | 2010-07-14 | 中国人民解放军国防科学技术大学 | 基于双向映射精确插值的折反射全向图柱面全景展开方法 |
| JP2017091483A (ja) * | 2015-11-17 | 2017-05-25 | 株式会社ソニー・インタラクティブエンタテインメント | 画像処理装置、情報処理装置、および画像処理方法 |
| US20190045122A1 (en) * | 2016-04-15 | 2019-02-07 | Panasonic Intellectual Property Management Co., Ltd. | Image processing apparatus and image capturing apparatus |
| CN106604006A (zh) * | 2016-12-20 | 2017-04-26 | Tcl集团股份有限公司 | 一种适用于投影电视的曲面幕布投影方法及系统 |
| US20200177850A1 (en) * | 2018-11-19 | 2020-06-04 | FlightSafety International | Method and apparatus for remapping pixel locations |
| CN110246079A (zh) * | 2019-05-23 | 2019-09-17 | 上海交通大学 | 基于b样条曲面拟合的摄像头畸变矫正方法、系统及介质 |
| WO2022127841A1 (zh) * | 2020-12-18 | 2022-06-23 | 华为技术有限公司 | 一种图像重映射方法以及图像处理装置 |
| WO2022127010A1 (zh) * | 2020-12-18 | 2022-06-23 | 南京佗道医疗科技有限公司 | 一种透视图像矫正方法 |
| CN112488966A (zh) * | 2020-12-23 | 2021-03-12 | 深圳疆程技术有限公司 | 一种图像的反畸变方法、装置、电子设备及汽车 |
| CN113269697A (zh) * | 2021-07-19 | 2021-08-17 | 深圳精智达技术股份有限公司 | 一种曲面屏图像的生成方法及装置 |
| CN113918024A (zh) * | 2021-11-12 | 2022-01-11 | 合众新能源汽车有限公司 | 用于透明a柱曲面屏幕的去畸变方法、装置及存储介质 |
| CN114943764A (zh) * | 2022-05-19 | 2022-08-26 | 苏州华兴源创科技股份有限公司 | 曲面屏幕像素定位方法、装置和设备 |
Non-Patent Citations (8)
| Title |
|---|
| HRVOJE BENKO, ET.AL: "Sphere: multi-touch interactions on a spherical display", 《PROCEEDINGS OF THE 21ST ANNUAL ACM SYMPOSIUM ON USER INTERFACE SOFTWARE AND TECHNOLOGY》, pages 77 - 86 * |
| MARINA ZANNOLI, ET.AL: "The perceptual consequances of curved screens", 《ACM TRANSACTIONS ON APPLIED PERCEPTION》, vol. 15, no. 1, pages 1 - 16, XP058901975, DOI: 10.1145/3106012 * |
| SHAO-PING LU, ET.AL: "Efficient depth-aware image deformation adaptation for curved screen displays", 《PROCEEDINGS OF THE ON THEMATIC WORKSHOPS OF ACM MULTIMEDIA》, pages 442 - 450 * |
| YONGMIN PARK, ET.AL: "Quantification model of proper curvature for large-sezed curved TVs", 《SOCIETY FOR INFORMATION DISPLAY》, pages 1 - 6 * |
| ZHISHENG YAN, ET.AL: "A context aware MAC protocol for medical wireless body area network", 《7TH INTERNATIONAL WIRELESS COMMUNICATIONS AND MOBILE COMPUTING CONFERENCE》, pages 2133 - 2138 * |
| 侯佳: "基于畸变校正的成像自由曲面光学设计", 《中国博士学位论文全文数据库 (基础科学辑)》, no. 8, pages 005 - 158 * |
| 梁伟文: "自由曲面的平面映射原理及其算法", 《计算机应用与软件》, no. 8, pages 69 - 71 * |
| 陈可汤等: "曲面的平面映射原理及其应用", 《琼州学院学报》, vol. 14, no. 5, pages 3 - 6 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274111A (zh) * | 2023-11-17 | 2023-12-22 | 国网智能科技股份有限公司 | 一种基于多尺度特征融合的图像畸变矫正方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116152121B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Fisheye video correction | |
| WO2021174939A1 (zh) | 人脸图像的获取方法与系统 | |
| JP5538617B2 (ja) | 複数カメラのキャリブレーション用の方法および構成 | |
| US9519954B2 (en) | Camera calibration and automatic adjustment of images | |
| CN110211043B (zh) | 一种用于全景图像拼接的基于网格优化的配准方法 | |
| EP2678824B1 (en) | Determining model parameters based on transforming a model of an object | |
| CN110288657B (zh) | 一种基于Kinect的增强现实三维注册方法 | |
| CN109685913B (zh) | 基于计算机视觉定位的增强现实实现方法 | |
| CN102156969B (zh) | 图像纠偏处理方法 | |
| JP6688277B2 (ja) | プログラム、学習処理方法、学習モデル、データ構造、学習装置、および物体認識装置 | |
| CN110458932B (zh) | 图像处理方法、装置、系统、存储介质和图像扫描设备 | |
| US10169891B2 (en) | Producing three-dimensional representation based on images of a person | |
| CN110264396B (zh) | 视频人脸替换方法、系统及计算机可读存储介质 | |
| CN105719248B (zh) | 一种实时的人脸变形方法及其系统 | |
| CN109978760B (zh) | 一种图像拼接方法及装置 | |
| CN112652020B (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
| CN116152121B (zh) | 基于畸变参数的曲面屏生成方法、矫正方法 | |
| CN111696185A (zh) | 利用静态人脸图像生成动态表情图像序列的方法和装置 | |
| WO2023116430A1 (zh) | 视频与城市信息模型三维场景融合方法、系统及存储介质 | |
| CN110838086A (zh) | 一种基于相关性模板匹配的室外图像拼接方法 | |
| Wang et al. | Video stabilization: A comprehensive survey | |
| CN103793891A (zh) | 低复杂度的全景影像接合方法 | |
| CN113642397A (zh) | 一种基于手机视频的物体长度测量方法 | |
| CN116402904A (zh) | 一种基于激光雷达间和单目相机的联合标定方法 | |
| WO2013021150A1 (en) | Fisheye video correction |
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 |