CN116195264A - 用于确定相机参数值的方法及装置 - Google Patents

用于确定相机参数值的方法及装置 Download PDF

Info

Publication number
CN116195264A
CN116195264A CN202180063862.7A CN202180063862A CN116195264A CN 116195264 A CN116195264 A CN 116195264A CN 202180063862 A CN202180063862 A CN 202180063862A CN 116195264 A CN116195264 A CN 116195264A
Authority
CN
China
Prior art keywords
image
pixel
pixels
scene
value
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
Application number
CN202180063862.7A
Other languages
English (en)
Inventor
A·彼得曼
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.)
Ebender Europe Ag
Original Assignee
Ebender Europe Ag
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 Ebender Europe Ag filed Critical Ebender Europe Ag
Publication of CN116195264A publication Critical patent/CN116195264A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/71—Circuitry for evaluating the brightness variation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/72—Combination of two or more compensation controls
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/741—Circuitry for compensating brightness variation in the scene by increasing the dynamic range of the image compared to the dynamic range of the electronic image sensors
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10144—Varying exposure
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)
  • Exposure Control For Cameras (AREA)
  • Image Analysis (AREA)

Abstract

一种用于确定相机的至少相机参数的第一值的计算机实现的方法，该方法至少包括访问由相机捕获的第一图像的步骤，其中第一图像显示场景并且包括第一组像素，并且其中该场景包括第一场景区域，第一场景区域被显示在图像的第一图像部分中，并且为第一组像素的每个像素生成与所述每个像素相关联的相应第一数据项，其中所述相应第一数据项包括与所述每个像素相关联的相应位置信息，所述相应位置信息相对于第一图像部分在第一图像中的位置指示所述每个像素在第一图像中的位置，并且通过至少使用第一组像素中的第一多个像素来确定相机参数的第一值，其中，对于第一多个像素中的每个像素，与所述每个像素相关联的相应位置信息满足第一条件。

Description

用于确定相机参数值的方法及装置
本发明涉及一种用于确定相机参数值的方法及装置。特别地，本发明涉及一种用于确定自动实验室系统(ALS)的相机的相机参数值的方法和装置，更特别地，涉及自动移液系统的相机的相机参数值。本发明还涉及配置成执行本发明的方法的ALS，例如自动移液系统。
相机捕获的图像的质量在很大程度上取决于相机参数的值，例如增益、I SO、曝光值、曝光时间、光圈大小、聚焦距离、亮度、对比度、分辨率、光圈值和/或白平衡矩阵的元。校准参数的适当值的估计可以通过使用本领域已知的校准方法来获得。通常，已知的校准方法通过使用相机获取的校准图像的像素来确定所述相机的至少一个参数的值(以下也称为：“校准值”)。
在许多技术领域中，图像通过目标识别算法处理以识别其中显示的目标。通常，目标识别算法通过处理整个图像或一个或多个感兴趣区域(ROI)来识别图像中显示的目标。ROI尤其是图像的这样的区域：在该区域中预期至少显示要识别和/或检测的目标。例如，在实验室自动化领域，待识别目标是实验室器具物品，而ROI是ALS的工作台的部分。
在许多技术领域中，目标识别都需要具有较高的可靠性。例如，在自动驾驶领域和实验室自动化领域就是这种情况。目标识别算法的可靠性取决于由所述算法处理的图像的质量，即取决于所述图像的像素强度如何忠实地再现图像中显示的场景。因此，图像的质量最终会影响使用所述图像进行的识别的可靠性。
为了使目标识别算法获得所需的可靠性，至少ROI应具有足够的质量，即，所述区域的像素应充分忠实地再现显示在所述区域中的场景部分。已知的校准方法不允许选择用于校准相机的像素，因此，在某些情况下，使用相机的校准值捕获的图像的ROI不具有足够高的质量。
例如，如果场景的照明不均匀，例如不包含任何待识别目标的场景的一部分被明亮地照亮，就会发生这种情况。在这种情况下，至少使用该相机的校准值捕获的图像的ROI将曝光不足。例如，在实验室自动化领域，如果ALS位于明亮地照亮的白色桌子上并且该桌子的一部分在相机的视野中，则可能会发生此事件。如果例如不包含任何待识别目标的场景的一部分处于阴影中，则至少ROI可能反而被过度曝光。
此外，在实验室自动化领域，如果场景包括颜色明亮的实验室器具物品和颜色暗淡的实验室器具物品，也会出现类似的问题。在这种情况下，在使用相机的校准值捕获的图像中，显示颜色明亮的实验室器具物品的ROI将曝光过度和/或显示颜色暗淡的实验室器具物品的ROI将曝光不足。
因此，存在对于用于确定相机参数值的方法的需要，其允许获得具有足够质量的感兴趣区域的图像，即使所述图像显示不均匀地照明的场景和/或包括具有不同亮度的目标的场景。
这些问题中的至少一些至少部分地由本申请的发明解决，本申请的发明涉及根据权利要求1的计算机实现的方法、根据权利要求12的数据处理系统、根据权利要求14的计算机程序产品和根据权利要求15的计算机可读存储介质。本发明的实施例是从属权利要求的主题。
一方面，本发明涉及一种用于确定相机的至少相机参数的第一值的计算机实现的方法。本发明的方法至少包括以下步骤：
-访问由相机捕获的第一图像，其中第一图像显示场景并且包括第一组像素，并且其中场景包括第一场景区域，第一场景区域显示在图像的第一图像部分中；
-为第一组像素中的每个像素生成与所述每个像素相关联的相应第一数据项，其中所述相应第一数据项包括与所述每个像素相关联的相应位置信息，所述相应位置信息指示相对于第一图像中第一图像部分的位置，所述每个像素在第一图像中的位置；和
-通过使用第一组像素的至少第一多个像素来确定相机参数的第一值，其中，对于第一多个像素的每个像素，与所述每个像素相关联的相应位置信息满足第一条件。
相机可以是多色相机、灰度相机、摄像机和/或相机。
图像可以是矢量图像或二维像素网格，例如矩形像素网格。特别地，图像中像素的位置可以根据其在图像中的二维图像坐标来明确地确定，所述坐标表示所述像素在二维像素网格中的位置。
图像，例如第一和/或第二图像，可以至少由位图编码。对图像或其一部分进行编码的位图可以包括，例如，由指定所述图像或其一部分的每个像素的强度，即颜色，的位数组组成。位图可以是调色板索引的，因此数组的元是颜色表上的索引。数组的元可以存储编码像素颜色的位。位图可以包括，例如，由表示像素的二维网格的点阵数据结构组成。位图还可以包括关于每像素的位数、二维网格的每行像素数和/或所述网格的每列像素数的信息。图像查看器可以使用编码在位图中的信息在计算装置的屏幕上呈现图像。
特别地，第一图像可以通过使用相机来捕获，其中，曝光值设置为Ev,0，曝光时间设置为Et,0，和/或光圈值设置为F0。特别地，第一图像由第一组像素组成。第一图像可以是多色或灰度图像。
像素的强度，例如颜色，可以根据RGB颜色模型、CMY颜色模型或CMYK颜色模型来表现。特别地，在RGB颜色模型中，像素的强度用三个整数值的三元组(R,G,B)表现，所述三元组的每个值的范围从0到255。在这种情况下，像素的强度可以是用三维坐标表现。备选地，或者结合上文，在RGB模型中，像素的强度可以通过使用色调、饱和度、纯度(HSV)表示或色调、饱和度、明度(HSL)表示来表现。特别地，在灰度图像中，像素的强度可以用单个整数值来表现，并且特别地，所述值可以在从0到最大值的范围内。例如，所述最大值可以等于256或65,536。
特别地，图像可以存储在计算装置—例如执行本发明的方法的计算装置—的主存储器和/或辅助存储器。例如，图像可以存储在文件中、组织在数据库中和/或存储在存储装置或云中。
特别地，第一场景区域包括第一待识别目标。例如，第一场景可以包括ALS的工作台和定位在该工作台上的第一实验室器具物品，其中第一实验室器具物品是要识别的第一目标。在这种情况下，第一图像区域可以包括第一实验室器具物品和工作台的至少第一区域。特别地，第一场景区域可以由多个相互断开的场景区域组成。例如，第一场景区域可以由第一明亮地照明的场景区域和第二阴影场景区域组成。例如，第一场景区域可以由场景的第一部分和场景的第二部分组成，该第一部分包括明亮地照明的实验室器具物品，而该第二部分包括颜色暗淡的实验室器具物品。
第一图像部分可以由第一图像的第四组像素组成。特别地，第四组像素包括估计显示第一场景区域的像素，例如由估计显示第一场景区域的该像素组成。特别地，第一场景图像部分可以由多个彼此断开的图像部分组成。例如，第一图像部分可以由图像的一部分和场景的另一部分组成，该图像的一部分显示明亮地照明的实验室器具物品，该场景的另一部分显示颜色暗淡的实验室器具物品。例如，第一图像部分可以由显示明亮地照明的场景区域的图像的一部分和显示阴影场景区域的场景的另一部分组成。特别地，第一图像部分由显示第一场景区域的像素组成。
访问图像的步骤可以包括例如从计算装置接收所述图像。备选地，或结合上文，访问图像的步骤可以包括例如从计算装置、从其主存储器和/或辅助存储器、从数据库和/或从云获取所述图像。
特别地，第一图像中的第一图像部分的位置可以由指示所述位置的信息指定。例如，该信息包括指示第四组像素的每个像素在第一图像中的位置的信息。例如，第一图像部分的位置是该部分在第一图像中的位置的估计。例如，可以通过使用用于确定第一图像部分在第一图像中的位置的定位算法来获得所述估计。
例如，第四组像素是第一图像的矩形网格。备选地，第四组像素可以是第一图像的圆，所述圆具有半径R和中心像素C。在这种情况下，第四组像素由第一图像的每个像素P组成，使得d(C,P)≤R，其中d(C,P)是所述每个像素与中心像素之间的距离，例如欧氏距离。
可以使用任何结构格式来对指示第一图像部分在第一图像中的位置的信息进行编码，只要包含在其中的信息可以被正确地获取和解释。例如，所述信息可以指定包括在第四组像素中的一些像素的位置，只要所述信息足以正确地获得所述组中的每个像素的位置。例如，如果第四组像素是第一图像的矩形网格，则指示所述网格的顶点位置的信息足以获得第四组像素的每个像素的位置。此外，例如，如果第四组像素为圆，则第一图像中的中心像素的位置和半径的值足以获得第四组像素中的每个像素的位置。
对于第一组像素中的每个像素，相对于第一图像中的第一图像部分的位置指示所述每个像素的位置的信息可以指定所述每个像素是否包括在第一图像部分中，例如在第四组像素中。备选地，或结合上文，相对于第一图像部分的位置指示所述每个像素的位置的信息可以指定所述每个像素与第一图像部分之间的距离是否和/或所述距离是否大于指定的距离值。
例如，像素与第一图像部分之间的距离可以是所述像素与第四组像素的参考像素之间的距离。如果第四组像素为矩形网格或圆，则参考像素可以分别为位于矩形网格中心的像素或中心像素。特别地，像素与参考像素之间的距离是这些像素之间的欧氏距离，并且可以以像素为单位来表现。
例如，对于第一组像素中的每个像素，与所述每个像素相关联的第一数据项可以通过如下方式生成：通过生成与所述每个像素相关联的信息，通过在与所述每个像素相关联的第一数据项中编码所述信息，以及通过将所述第一数据项存储在计算装置的主存储器和/或辅助存储器中。
对于第一组像素中的每个像素，与所述每个像素相关的信息可以是第一信息生成算法的输出。例如，第一信息生成算法可以处理第一图像中像素的位置，以评估所述像素是否包含在第一图像部分中，例如包含在第四组像素中。备选地，或结合上文，第一信息生成算法可以处理第一图像中的像素的位置，以确定所述像素与第四组像素的参考像素之间的距离，并且可选地，评估所述距离是否大于或等于指定的距离值。
根据本发明的数据项具体是一组包括信息的符号。根据本发明的每个数据项可以存储在文件中、组织在数据库中和/或存储在存储装置中或云中。两个或更多个数据项可以一起存储在同一个文件中。例如，与第一组像素的像素相关联的第一数据项可以存储在包括多个元的数组数据结构中。特别地，对于第一组像素的每个像素，存在数组数据结构的相应元，其包括与所述每个像素相关联的第一数据项。
对于第一组像素中的每个像素，与所述每个像素相关联的相应第一数据项可以具有整数、浮点数或布尔数据类型。例如，如果所述相应的第一数据项具有布尔数据类型，则值“真”对指示所述每个像素不包含在第一图像部分中的信息进行编码，而值“假”对指示所述每个像素包含在第一图像部分中的信息进行编码。备选地，值“真”可以编码指示所述每个像素包含在第一图像部分中的信息，而值“假”编码指示所述每个像素不包含在第一图像部分中的信息。此外，如果对于第一组像素的每个像素，与所述每个像素相关联的第一数据项具有整数或浮点数数据类型，则所述相应第一数据项的值指定第四组像素的所述每个像素与参考像素之间的距离。
例如，如果对于第一组像素中的每个像素，与其相关联的第一数据项具有布尔数据类型，则第一条件可包括与所述每个像素相关联的第一数据项的值为“真”的条件。如果对于第一组像素中的每个像素，与所述每个像素相关联的第一数据项的值指定所述每个像素与参考像素之间的距离，则第一条件可以包括第一数据项大于或等于指定的距离值的条件。特别地，对于第一多个像素中的每个像素，与所述每个像素相关联的相应位置信息可以至少满足另外的条件。
确定相机参数的第一值的步骤可以通过使用确定算法来执行。特别地，确定算法处理第一多个像素中每个像素的强度以确定相机参数的第一值。确定算法具体是用于相机参数的校准算法。
特别地，确定相机参数的第一值的步骤可以通过还使用第一图像的不包括在第一多个像素中的多个像素中的一个来执行。例如，为了估计相机参数的第一值的确定的鲁棒性，可以通过使用第一多个像素和第三多个像素来确定所述值，第三多个像素的像素数量远小于第一多个像素的像素数量。根据本发明，当多个像素的像素数量与另外多个像素的像素数量之间的比小于或等于0.1时，特别是小于或等于0.01时，更特别地小于或等于0.001时，该多个像素的像素数量远小于该另外多个像素的像素数量。
此外，第一多个像素可以包括第一组像素中的每个像素，使得与所述每个像素相关联的相应位置信息满足第一条件。备选地，第一组像素中的至少一个像素可以不包括在第一多个像素中，即使与所述像素相关联的位置信息满足第一条件。
确定相机参数的第一值的步骤是通过使用第一多个像素在像素级上执行的。因此，可以通过利用本领域已知的校准算法—例如在用于校准相机的已知包和库中实现的算法—处理第一多个像素的像素来执行所述步骤。
确定相机参数的第一值的步骤可以包括为相机的一组相机参数中的每个相机参数确定所述每个相机参数的相应第一值。特别地，相机参数包括在相机参数组中。例如，如果相机参数是白平衡矩阵的元，则该组相机参数可以包括所述矩阵的每个元。
第一条件是与第一多个像素中的像素相关联的位置信息要满足的要求。因此，最终第一条件编码位置约束，以由第一多个像素中的像素在像素级上满足。这些像素再现场景的一些特征，并且第一图像部分显示第一场景区域。因此，位置约束基于一些场景信息，即关于场景特征的信息，特别是关于它们相对于第一场景区域—例如相对于显示待识别目标的ROI—的位置。因此，本发明的方法允许通过使用满足基于场景特征的约束(例如，所述特征相对于第一场景区域的位置)的像素来执行基于像素的相机校准。这样，由本发明执行的校准适应于场景的特征，并且针对由第一多个像素显示的特征进行优化。特别地，通过使用相机参数的第一值捕获的图像提供了第一组像素的像素所显示的场景特征的忠实表现。
例如，相机可以包括在ALS中并且第一场景区域可以包括颜色暗淡的桌子的一部分，所述ALS位于该桌子上。在这种情况下，位置约束可能需要第一多个像素中的像素布置在第一图像部分之外。在这种情况下，通过考虑关于场景特征的信息，即颜色暗淡的桌子的存在和位置，来执行第一值的确定。特别地，在这种情况下，相机参数的第一值是在不考虑描绘桌子的部分的像素的情况下确定的。因此，使用相机参数的第一值捕获的图像将忠实地再现不包括颜色暗淡的桌子的场景区域。
备选地，第一场景区域可以包括待识别的实验室器具物品。在这种情况下，如果第一多个像素中的像素包含在第一图像部分中，则可以满足位置约束。这样，通过考虑关于待识别实验室器具物品的位置的信息，即通过使用描绘实验室器具物品的像素，来执行确定。因此，通过使用相机参数的第一值捕获的图像将忠实地再现包含待识别实验室器具物品的场景区域，从而提高所述物品的识别的准确性。
本发明的校准对场景特征的适应性随着位置约束所基于的场景信息量的增加而增加。例如，如果场景包括已知目标，并且特别地，如果所述目标相对于相机的位置是已知的，则位置约束可以基于相对大量的场景信息。如果可能包含在该场景中的至少一些目标可能仅位于场景的给定位置，则该信息量进一步增加。
例如，如果相机包含在ALS中，情况就是如此，因为在这种情况下，场景包括已知目标，例如ALS位于其上的工作台和桌子。此外，在这种情况下，工作台在场景中的位置是已知的，因为工作台和相机通常相对于彼此布置在固定位置。此外，典型地，可以包括在场景中的至少一些目标，例如实验室器具物品，可以被定位到工作台的预定区域上，即在场景的给定位置中。
在本发明的一个实施例中，相机参数选自由增益、ISO、曝光值、曝光时间、光圈大小、白平衡矩阵的元、聚焦距离、亮度、对比度、光圈值和分辨率的组。
例如，如果相机参数是曝光值，则可以通过使用以下公式描述的校准算法以及通过使用以下描述的公式(2)至(5)计算曝光值的第一个值EV,1：
Figure BDA0004130894820000081
量B1是第一多个像素P1的像素的平均亮度，而量Bopt是最佳亮度。
例如，如果像素的强度用RGB颜色模型表现，则平均亮度可以根据以下公式计算：
Figure BDA0004130894820000082
其中(Ri Gi Bi)是确定第一多个像素P1的像素i的强度的三元组，并且N1是第一多个像素的像素数量。该函数f可以是用于确定像素亮度的公式。例如，函数f可能等于：
f((R G B))＝c1R+c2G+c3B (3)。
特别地，系数c1，c2，c3可以等于：
c1＝0.2126，c2＝0.7152，c3＝0.0722；(4a)
或等于：
c1＝0.299，c2＝0.587，c3＝0.114；(4b)
或等于：
c1＝0.3，c2＝0.59，c3＝0.11(4c)。
备选地，以下关系可能基本成立：
Figure BDA0004130894820000091
特别地，每个系数c1，c2，c3可以包含在0.33和0.33333之间的区间内，更特别地，包含在0.333和0.3333之间的区间内。
备选地，该函数f可能等于：
Figure BDA0004130894820000092
其中，例如，
Figure BDA0004130894820000093
且特别是a1＝0.299，a2＝0.587，而a3＝0.114。最佳亮度，Bopt，可以是18％灰卡的平均亮度值。
备选地，或结合上文，确定曝光值的第一值的步骤可以包括通过使用第一多个像素中的每个像素来生成R通道、G通道和B通道中的直方图分布。备选地，或者与上文相结合，确定曝光值的第一值的步骤可以包括通过使用第一多个像素中的每个像素来生成灰度通道中的直方图分布。
特别地，如果第一图像是单色的，则可以通过将灰度强度与第一多个像素中的每个像素相关联来构建后一个直方图。与第一多个像素中的像素i相关联的灰度强度IG，i可以由下式给出：
IG，i＝c1Ri+c2Gi+c3Bi，
其中(Ri Gi Bi)是确定第一多个像素P1的像素i的强度的三元组。系数c1，c2，c3在上面已经描述并且它们的数值可以由等式(4a)到(4d)中的每一个给出。
确定第一值的步骤还可以包括确定第一图像是曝光过度还是曝光不足，并相应地修改曝光值。特别地，如果第一图像曝光不足，则曝光值的第一值Ev，1被选择为大于Ev，0，例如Ev，1＝2Ev，0。如果第一图像曝光过度，则选择曝光值的第一值Ev，1低于Ev，0，例如Ev，1＝Ev，0/2。
例如，如果相机参数是曝光时间，则曝光时间的以秒表现的第一值Et，1可以使用以下公式确定：
Figure BDA0004130894820000101
如果相机参数是光圈值，则光圈值的第一值F1可以使用以下公式确定：
Figure BDA0004130894820000102
其中Et，0以秒表现。在等式(6)和(7)中，Ev，1可以使用等式(1)计算。
特别地，相机参数可以是对角线、三维白平衡矩阵的元。确定相机参数的第一值的步骤可以包括确定所述矩阵的第一对角线元的第一值v1，第二对角线元的第一值v2，以及第三对角线元的第一值v3。例如，可以使用以下公式计算值v1，v2和v3：
Figure BDA0004130894820000103
其中
Figure BDA0004130894820000104
在等式(9)中，(Ri Gi Bi)是确定第一多个像素P1的像素i的强度的三元组，且N1是包括在第一多个像素中的像素的数量。特别地，Rref，Gref和Bref中的每一个都可以等于255。备选地，或者结合上文，以下关系可以基本上成立：
Rref＝Gref＝Bref＝(Ravg+Gavg+Bavg) (10)。
在本发明的另一实施例中，对于第一组像素中的每个像素，如果相应位置信息指定所述每个像素被布置在第一图像中、第一图像部分之外，则与所述每个像素相关联的所述相应位置信息满足第一条件。
例如，如果第四组像素为具有半径和中心像素的圆，则对于第一组像素中的每个像素，与所述每个像素关联的相应位置信息指定所述每个像素与中心像素之间的距离是否大于半径。在这种情况下，特别地，第一条件包括所述距离大于圆的半径的条件。
例如，如果第一图像部分显示待识别目标，则在本实施例中，通过使用不显示所述目标的像素-例如显示该场景的背景区域的像素一来执行第一值的确定。例如，如果相机包含在ALS中，则场景的背景区域包括工作台上没有实验室器具物品的部分。在这种情况下，显示场景的背景区域的像素可用于确定白平衡矩阵的元的第一值，因为通常工作台的颜色是已知的。
在这种情况下，校准参数的第一值被优化，以忠实再现未显示待识别目标的场景部分，例如场景的给定背景部分。因此，例如，可以通过高动态范围(HDR)算法处理通过使用相机参数的第一值捕获的图像，以产生其中场景的背景区域和第一场景区域两者都被忠实再现的图像。
根据本发明的另一实施例，对于第一组像素中的每个像素，如果相应位置信息指定第一图像部分包括所述每个像素，则与所述每个像素相关联的所述相应位置信息满足第一条件。
例如，如果第四组像素为具有半径和中心像素的圆，则对于第一组像素中的每个像素，与所述每个像素关联的相应位置信息指定所述每个像素与中心像素之间的距离是否小于或等于半径。在这种情况下，特别地，第一条件包括所述距离小于或等于圆的半径的条件。
例如，如果第一图像部分显示待识别目标，则在本实施例中，通过使用显示所述目标的像素来执行相机参数的第一值的确定。在这种情况下，校准参数的第一值因此被优化，以忠实地再现显示待识别目标的ROI，即图像部分。因此，例如，可以通过HDR算法处理通过使用相机参数的第一值捕获的图像，以产生其中场景的背景部分和第一场景区域都被忠实地再现的图像。
在本发明的一个实施例中，对于第一组像素的每个像素，与所述每个像素相关联的相应位置信息指定第一图像部分是否包括所述每个像素。例如，如果第四组像素为具有半径和中心像素的圆，则对于第一组像素中的每个像素，与所述每个像素关联的相应位置信息指定所述每个像素与中心像素之间的距离是否小于或等于半径。
本发明的方法的又一个实施例还包括以下步骤：
-获取指示第一图像部分在第一图像中的位置的信息。
获取指示第一图像部分的位置的信息的步骤可以包括例如从计算装置接收所述信息。备选地，或结合上文，获取指示第一图像部分的位置的信息的步骤可以包括例如从计算装置、从其主存储器和/或辅助存储器、从数据库、和/或从云获取所述信息。
特别地，通过使用第一图像来执行获取指示第一图像部分在第一图像中的位置的信息的步骤。如果是这种情况，例如，可以通过使用处理第一图像的像素以生成所述信息的算法来获得指示第一图像部分在第一图像中的位置的信息。
在本发明的方法的另一个实施例中，获取指示第一图像部分在第一区域中的位置的信息的步骤可以通过使用用于确定第一图像部分在第一图像中的位置的定位算法来执行。
算法尤其是用于处理输入信息以获得输出信息的指令的集合，例如指令的序列。算法的指令可以在计算机中实现，并由例如根据本发明的数据处理系统的处理器执行。特别地，算法的输入信息被编码在可以由执行算法的处理器访问的输入数据中。特别地，处理器根据算法的指令处理输入数据以生成输出信息，该输出信息通常被编码在输出数据中。根据本发明，特别地，算法在该算法包括指令时处理数据，当由处理器执行时，指令使所述处理器处理这些数据。
例如，指示第一图像部分在第一图像中的位置的信息可以由指示对该部分的位置的估计的信息组成。特别地，所述估计可以通过使用定位算法来获得。
例如，获取指示第一图像部分的位置的信息的步骤包括通过使用定位算法生成所述信息。所述信息可以是定位算法的输出，并且特别地，可以通过执行所述算法来生成。特别地，定位算法处理包括第一图像的第一像素阵列的每个像素的位置和强度值的输入数据。第一像素阵列可以包括第一组像素，并且特别地，第一图像可以由第一像素阵列组成。定位算法可以包括机器学习算法，例如分类器。
定位算法可以包括指令，当由实现本发明的方法的计算装置执行时，这些指令使所述装置处理第一图像的像素以评估第一图像是否显示第一目标，从而生成输出数据。所述输出数据包括指定第一图像是否包括第一目标的信息和/或指定第一图像显示第一目标的概率的信息。此外，所述输出数据包括指示第一目标在第一图像中显示所处的位置的估计的信息。所述信息构成指示第一图像部分的位置的信息，其显示包括第一目标的第一场景区域。
例如，如果第一场景区域包括第一目标，例如第一实验室器具物品，则定位算法可以包括分类器。特别地，分类器执行多类别分类以生成指示第一目标属于哪个类别的信息。此外，所述分类生成指示第一目标在第一图像中显示所处的位置的估计的信息。后一信息然后用于生成指示第一图像部分的位置的信息，其显示包括第一目标的第一场景区域。分类器不需要特别准确，因为分类器执行的分类仅用于提供第一图像部分的位置的估计。特别地，在这种情况下，可以在不需要广泛的训练过程和/或大的训练数据集的情况下获得对第一目标的位置的足够准确的估计。
定位算法的使用允许确定关于第一图像的位置的信息，而不需要例如通过对其进行硬编码和/或通过将其存储在计算机的辅助存储器中来提供所述信息。这样，简化了本发明的方法的实施并且减少了人为错误的来源。例如，如果相机包含在ALS中，则实验室器具物品在工作台上的位置以及因此相机捕获的场景取决于ALS必须执行的实验室程序。根据该实施例，定位算法自动处理场景中的可能变化，而不需要硬编码和/或存储指示第一图像部分的位置的信息中的相应变化。
根据本发明的方法的一个实施例，获取指示第一图像部分在第一区域中的位置的信息的步骤可以通过使用以下来执行：
○一组与相机相关的外部校准参数，
○一组与相机相关的内在校准参数，
○指示场景和相机相对于彼此的位置的信息，
○指示第一场景区域的形状的信息，和/或
○指示第一场景区域在场景中的位置的信息。
特别地，与相机相关联的外部校准参数描述了所述相机相对于世界坐标系并根据相机模型(例如针孔相机模型)的位置和/或定向。该组外部参数可以包括适用于描述从三维世界坐标系到相机的三维坐标系的变换的外部校准参数。特别地，该组外部参数可以包括适合于确定三维旋转矩阵的元和三维平移向量的坐标的参数。特别地，三维旋转矩阵和三维平移向量描述了从三维世界坐标系到相机的三维坐标系的变换。该组外部参数可以通过使用外部校准方法对相机进行校准来得到。
特别地，与相机相关联的内在校准参数可以描述所述相机的内在特性，并且可以通过使用内在校准方法来校准所述相机而获得。该组内在参数可以包括适合于描述从相机的三维坐标系到第一图像的二维坐标的投影变换的内在校准参数。例如，该组内在校准参数包括相机的焦距、光学中心、比例因子、偏斜因子、主点坐标、径向畸变系数和/或切向畸变系数。该组内在参数可以包括适合于确定相机矩阵的元的参数，例如焦距和光学中心。
例如，由定位算法处理的输入数据可以依赖于，例如包括，该组内在校准参数的元素和/或该组外在校准参数的元素，使得定位算法依赖于该组内在校准参数的元素和/或该组外部校准参数的元素。特别地，该组外部校准参数和/或该组内在校准参数分别由与相机相关联的一个或多个外部校准参数和/或一个或多个内在校准参数组成。
定位算法可以使用该组外部校准参数中的外部参数和/或该组内在校准参数中的内部参数来处理第一图像，从而提高由所述算法处理的数据的质量。例如，所述参数可用于针对相机的内在特性来调整第一图像和/或对齐第一图像中显示的工作台和/或实验室器具物品。备选地，或结合上文，定位算法可以使用前述参数来获取关于第一图像中描绘的场景的几何特征的信息。例如，外部和/或内部参数可用于估计第一图像中目标的大小和/或确定相机相对于工作台或实验室器具物品的位置。这样，指示第一图像部分的位置的信息的准确性增加。
例如，如果场景包括ALS的工作台，则指示场景和相机相对于彼此的位置的信息可以包括指示相机的焦平面相对于工作台的位置和定向的信息。例如，后一信息可包括参考系中焦平面的至少三个点的坐标，其中工作台位于x、y平面中。如果焦平面基本上平行于工作台，则指示场景和相机相对于彼此的位置的信息可以由上述参考系中焦平面的一个点的坐标组成。
如果第一场景区域包括第一实验室器具物品和工作台的第一部分，则指示第一场景区域的形状的信息可以包括指示第一实验室器具物品的形状的信息。例如，如果第一实验室器具物品是储器架，则指示第一场景区域的形状的信息指定第一场景区域具有大体平行六面体形状。
如果第一场景区域包括第一实验室器具物品和工作台的第一部分，则指示第一场景区域在场景中的位置的信息可以指定第一实验室器具物品相对于工作台的位置。例如，所述信息可以包括关于工作台区域(第一实验室器具物品位于或预期位于其中)的位置的信息。
例如，由定位算法处理的输入数据可以取决于，例如，包括指示场景和相机相对于彼此的位置的信息、指示第一场景区域的形状的信息，和/或指示第一场景区域在场景中的位置的信息。
关于场景的信息和/或关于第一场景区域的信息允许增加确定第一图像部分的位置的准确性，因为所述位置取决于第一场景区域在场景中的位置。当指示场景和相机相对于彼此的位置的信息与关于第一场景区域的形状和/或位置的信息组合时，该准确性进一步提高。
此外，关于场景的信息和/或关于第一场景区域的信息允许显示第一图像区域的第一图像的部分的相对精确的位置，例如第一图像部分的相对精确的位置。因此，在该实施例中，由第一条件编码的位置约束基于相对于第一场景区域由第一多个像素显示的特征的位置的相对准确的基于像素的描述。因此，进一步提高了本发明的对场景特征的校准的适应性。
本发明的方法的一个实施例包括以下步骤：
通过至少使用相机参数的第一值来获取第二图像。
在本实施例中，特别地，相机参数为曝光时间和/或第二图像显示场景。特别地，在该实施例中，第一场景区域包括要识别的第一目标，例如第一实验室器具物品，并且第一图像部分显示所述目标的至少一部分，例如整个第一目标。此外，本发明的方法还可以包括通过利用第二图像来识别第一目标的步骤。
在本实施例中，通过使用显示待识别的第一目标的像素来确定相机参数的第一值。因此，通过使用相机参数的第一值捕获的第二图像提供了所述目标的忠实表现。这样，提高了目标识别的准确性。
通过使用相机参数的值来获取图像的步骤可以包括通过使用相机来捕获所述图像(相机参数设置为所述值)，例如由通过使用相机来捕获所述图像(相机参数设置为所述值)构成。该步骤还可以包括将所述图像存储在例如计算装置和/或相机的主存储器或辅助存储器中，并访问所述图像。
获取第二图像的步骤可以包括通过使用相机参数的第一值修改第一图像，例如由通过使用相机参数的第一值修改第一图像组成。例如，如果确定相机参数的第一值的步骤包括确定在等式(8)中限定的值v1，v2和v3，则可以通过使用如下矩阵修改第一图像的像素的强度来获取第二图像：
Figure BDA0004130894820000161
特别地，第二图像由第一图像的像素组成，并且在第二图像中，像素i的强度由三元组(R′i G′i B′i)表现，其中，对于第二图像的每个像素i，以下关系成立：
(R′i G′i B′i)T＝W1(Ri Gi Bi)T＝(v1Ri v2Gi v3Bi)T (12)。
在等式(12)中，符号“T”表现转置操作，且三元组(Ri Gi Bi)表现第一图像中像素i的强度。
本发明的方法的一个实施例包括以下步骤：
-通过至少使用相机参数的第二值获取第三图像；和
-通过使用第二图像、第三图像和高动态范围(HDR)算法来构建第四图像。
在本实施例中，例如，相机参数为曝光时间。特别地，第三图像显示场景和/或第三图像是第一图像。
图像可以忠实地显示具有包含在给定亮度区间(称为动态范围)内的亮度值的场景特征。图像中无法辨别亮度值超出动态范围的场景特征。特别地，亮度小于亮度区间的下端点的场景特征将呈现黑色，而亮度值大于动态范围的上端点的场景特征将呈现白色。通常，包含在动态范围中的亮度值取决于用于捕获图像的相机参数的值，例如取决于曝光时间。
特别地，HDR算法处理描绘相同场景的多个输入图像以构建具有大于输入图像的动态范围的动态范围的HDR图像，例如第四图像。这样，HDR图像能够忠实地显示包含非常亮和非常暗的区域两者的场景。例如，HDR算法可以通过使用曝光融合方法合并该多个输入图像的图像来构建HDR图像。
特别地，多个输入图像包括第二和第三图像。该多个输入图像中的每个输入图像是通过使用相机捕获的，其中相机参数设置为与所述每个图像相关联的相应值，使得不同的图像与相机参数的不同值相关联。因此，特别地，相机参数的第一值不同于相机参数的第二值。可以通过使用包围曝光技术来捕获多个输入图像中的图像。
本发明的方法的一个实施例还包括通过利用第四图像识别第一目标的步骤。在本实施例中，通过使用显示第一待识别目标的像素确定相机参数的第一值。因此，使用相机参数的第一值捕获的第二图像提供了第一目标的忠实表现。此外，第四图像是通过HDR算法将第二图像与第三图像组合而获得的，因此提供了比第二图像和第三图像提供的场景表现更忠实的场景表现。这样，提高了识别第一目标的准确性。
本发明的方法可以包括通过使用第二和/或第四图像识别第一目标的步骤。特别地，第一目标可以包括在第一场景区域中。特别地，识别第一目标的步骤可以通过使用识别算法来执行。例如，所述算法处理第二和/或第四图像，例如分别处理第二和/或第四图像的像素，以生成识别数据。如果可用，识别算法还处理指示第一目标属于哪个类别的信息，从而增加第一目标的识别的准确性。
识别数据可以包括指示第一目标在第二和/或第四图像中的位置的位置估计的信息。识别数据还可以包括指示该位置估计的可靠性的信息。备选地，或者与上文相结合，识别数据可以包括指示第一目标是什么的估计的信息，以及可选地，指示所述估计的可靠性的信息。
根据该方法的一个实施例，识别算法至少包括机器学习算法。特别地，机器学习算法包括用于处理输入信息以获得输出信息的指令，并且这些指令中的至少一些是通过使用一组训练数据和训练算法来设置的。机器学习算法可以包括人工神经网络(ANN)、决策树、随机森林、支持向量机(SVM)等。例如，第一机器学习算法可以是卷积神经网络和/或深度神经网络，例如Al exNet。
根据本发明的方法的另一实施例，第一场景包括第二场景区域，第二场景区域显示在第一图像的第二图像部分中，并且第一图像包括第二组像素。此外，所述实施例包括以下步骤：
-为第二组像素中的每个像素生成与所述每个像素相关联的相应第二数据项，其中所述相应第二数据项包括与所述每个像素相关联的相应位置信息，所述相应位置信息相对于第一图像中第二图像部分的位置指示所述每个像素在该第一图像中的位置；和
-通过使用第二组像素中的至少第二多个像素来确定相机参数的第二值，其中，对于第二多个像素中的每个像素，与所述每个像素相关联的相应位置信息满足第二条件。
特别地，第二场景区域包括第二待识别目标。例如，第一场景可以包括ALS的工作台和位于工作台上的第二实验室器具物品，第二实验室器具物品是待识别的目标。在这种情况下，第二图像区域可以包括第二实验室器具物品和工作台的至少第二区域。特别地，第二场景区域可以由多个相互断开的场景区域组成。
第二图像部分可以由第一图像的第五组像素组成。特别地，第五组像素包括，例如，由被估计来显示第二场景区域的像素组成。特别地，第二图像可以由第二组像素组成。特别地，第一场景图像部分可以由多个彼此断开的图像部分组成。特别地，第二组像素可以等于第一组像素。
特别地，第二图像部分在第一图像中的位置可以由指示该位置的信息指定。例如，所述信息包括指示第五组像素的每个像素在第一图像中的位置的信息。例如，第五组像素是第一图像的矩形网格。可以使用任何结构格式来编码指示第二图像部分在第一图像中的位置的信息，只要包含在其中的信息可以被正确地获取和解释。
对于第二组像素中的每个像素，指示所述每个像素相对于第二图像部分位置的位置信息可以指定所述每个像素是否包含在该第二图像部分中，例如包含在第五组像素中。备选地，或结合上文，指示所述每个像素相对于第二图像部分位置的位置信息可以指定所述每个像素与第二图像部分之间的距离和/或所述距离是否比指定的距离值更大。例如，像素与第二图像部分之间的距离可以是所述像素与第五组像素的参考像素之间的距离。
例如，对于第二组像素中的每个像素，与所述每个像素相关联的第二数据项可以通过以下方式来生成：通过生成与所述每个像素相关联的信息，通过在与所述每个像素相关联的第二数据项中编码所述信息，以及通过将所述第二数据项存储在计算装置的主存储器和/或辅助存储器中。
对于第一组像素中的每个像素，与所述每个像素相关联的信息可以是第二信息生成算法的输出。特别地，第二信息生成算法可以处理第一图像中像素的位置，以评估所述像素是否包含在第二图像部分中，例如包含在第五组像素中。备选地，或结合上文，第二信息生成算法可以处理第一图像中的像素的位置，以确定所述像素与第五组像素的参考像素之间的距离，并且可选地评估是否所述距离大于或等于指定的距离值。
例如，如果对于第二组像素的每个像素，与其关联的第二数据项具有布尔数据类型，则第二条件可以包括第二数据项的值为“真”的条件。如果对于第二组像素中的每个像素，与所述每个像素相关联的第二数据项的值指定所述每个像素与参考像素之间的距离，则第二条件可以包括第二数据项大于或等于指定的距离值的条件。特别地，对于第二多个像素中的每个像素，与所述每个像素相关联的相应位置信息可以至少满足另外的条件。
确定相机参数的第一值的步骤可以通过确定算法来执行。特别地，在这种情况下，确定算法处理第二多个像素中的至少每个像素的强度，以确定相机参数的第二值。确定相机参数的第二值的步骤可以包括为相机参数组中的每个相机参数确定所述每个相机参数的相应第二值。
在本实施例中，通过使用显示第二场景区域的像素确定相机参数的第二值。因此，通过使用相机参数的第二值捕获的第三图像提供了第二场景区域的忠实表现。此外，第四图像—其是通过HDR算法将第二图像与第三图像组合而获得的，提供了第一和第二场景区域的表现，其比第二图像和第三图像提供的表示更加忠实。
特别地，在该实施例中，第二场景区域可以包括要识别的第二目标，例如第二实验室器具物品，并且第二图像部分显示所述目标的至少一部分，例如整个第二目标。此外，本发明的方法还可以包括通过利用第四图像识别第二目标的步骤。
在该实施例中，提高了识别第一目标和第二目标的准确性，因为该识别是通过使用第四图像执行的并且所述图像提供场景的表现，其比第二图像和第三图像提供的表现更忠实。
在本发明的一个实施例中，通过使用指示第一图像部分的形状的信息来执行为第一组像素的每个像素生成与所述每个像素相关联的相应第一数据项的步骤。
例如，如果第四组像素是第一图像的圆，则指示第一图像部分的形状的信息可以包括第四组像素的半径值。例如，如果第四组像素是第一图像的矩形网格，则指示第一图像部分的形状的信息可以包括矩形网格的底值和高值。例如，指示第一图像部分的形状的信息可以由指示对所述部分的形状的估计的信息构成。
指示第一图像部分的形状的信息可用于生成指示第一图像部分在第一图像中的位置的信息的至少一部分。更特别地，指示第一图像部分的形状的信息可用于构造第四组像素。例如，后一信息指定第一图像部分是具有给定半径R的圆，并且指示第一图像部分的位置的信息指定中心像素C在第一图像中的位置。在这种情况下，可以通过选择第一图像的满足以下关系d(C,P)≤R的每个像素P来构建第四组像素。
如果第一场景区域包括第一实验室器具物品和工作台的第一部分，则指示第一图像部分的形状的信息可以包括指示第一实验室器具物品的边界的信息，如从焦平面的观察点所见的。例如，焦平面可以基本上平行于工作台并且第一实验室器具物品可以是具有大体平行六面体形状的储器架。在这种情况下，第一图像部分的形状对应于第一实验室器具物品的边界，如从焦平面的观察所见，并且根据焦平面相对于储器架的位置，其可以是矩形的或六角形。因此，在这种情况下，指示第一图像部分的形状的信息指定第一图像部分是矩形或六边形。
特别地，第一图像部分的形状可以基于和/或包括指示第一场景区域的形状的信息。后一信息允许更精确地定位显示第一图像区域的第一图像的部分，例如第一图像部分。因此，由第一条件编码的位置约束基于相对于第一场景区域由第一多个像素显示的特征的位置的相对准确的基于像素的描述。因此，本发明的校准对场景特征的适应性得以进一步提高。
特别地，本发明的方法包括以下步骤：
-通过至少使用第一图像和用于获得第一图像中的第一图像部分的形状的形状确定算法来获取指示第一图像部分的形状的信息。
特别地，定位算法可以包括形状确定算法。定位算法可以是形状确定算法，即定位算法可以执行以下两者：获取指示第一图像部分的形状的信息的步骤，以及获取指示第一图像部分在第一图像中的位置的信息的步骤。
例如，获取指示第一图像部分的形状的信息的步骤包括通过使用形状确定算法生成所述信息。所述信息可以是形状确定算法的输出，并且特别地，可以通过执行所述算法来生成。特别地，形状确定算法处理包括上述第一像素阵列的每个像素的位置和强度值的输入数据。备选地，或结合上文，由形状确定算法处理的输入数据可以包括指示第一场景区域的形状的信息。
例如，如果指示第一图像部分的形状的信息可以由指示所述部分的形状的估计的信息组成，则可以通过使用形状确定算法来获得所述估计。
形状确定算法的使用允许获得关于第一图像的形状的信息，而不需要例如通过对其进行硬编码和/或通过将其存储在计算机的辅助存储器中来提供所述信息。这样，简化了本发明的方法的实施并且减少了人为错误的来源。
根据本发明的方法的另一实施例，通过使用至少第一组像素确定相机参数的第一值的步骤包括：
·至少通过针对第三组像素的至少每个像素检查与所述每个像素相关联的相应位置信息是否满足第一条件来选择第一多个像素。
第一像素可以包括第三组像素的每个像素，并且例如，第三组像素可以等于第一组像素。特别地，第一多个像素是在第三组像素的像素中选择的。
例如，如果对于第一组像素的每个像素，与其相关联的相应第一数据项具有布尔数据类型，则至少通过针对第三组像素的每个像素检查与所述每个像素相关联的相应第一数据项的值是否为“真”，来执行第一多个像素的选择。第一多个像素的选择可以通过使用第三组像素构造第一多个像素来执行。
具体而言，第一多个像素的选择包括，对于第三组像素中的每个像素，访问与所述每个像素相关联的相应位置信息，检查所述位置信息是否满足第一条件，以及如果与所述每个像素关联的信息满足第一条件，则利用所述每个像素来确定相机参数的第一值。
特别地，选择第一多个像素的步骤可以包括选择第三组像素。例如，可以通过利用第一组像素构造第三组像素来进行第三组像素的选择。例如，可以通过随机选择第一组像素中的多个像素来执行第三组像素的构建。特别地，所述随机选择可以采用随机选择算法进行。例如，随机选择算法包括：
·将第一组像素中的每个像素随机关联到与所述每个像素相关联的相应布尔变量，与所述每个像素相关联的相应布尔变量等于“真”或“假”；和
·通过选择第一组像素中的每个像素来构造第三组像素，使得与所述每个像素相关联的相应布尔变量等于“真”。
可以以这样的方式执行随机关联，即对于第一组像素的每个像素，值“真”与第一概率值相关联并且值“假”与第二概率值相关联。例如，第二概率值与第二概率值之间的比低于0.1，特别地低于0.01，并且更特别地，低于0.001。
通过使用随机选择算法构造第三组像素和第一多个像素的选择允许研究相机参数的第一值的确定的鲁棒性。例如，本发明的方法可以包括通过使用另外的多个像素来确定相机参数的另外的值。所述另外多个像素中的每个像素满足第一条件，并且是在另外一组像素中选择的。通过使用第一组像素和随机选择算法来选择所述另外一组像素。在这种情况下，可以通过比较相机参数的第一值和相机参数的上述另外的值并且通过评估所述值是否彼此之间显著不同来估计相机参数的第一值的确定的鲁棒性。
在本发明的方法的另一个实施例中，访问第一图像的步骤包括通过使用相机获取第一图像。例如，获取第一图像包括通过使用相机来捕获所述图像，其中相机参数设置为与相机参数的第一值不同的值。
根据本发明的一个实施例，对于第一组像素的每个像素，与所述每个像素相关联的相应第一数据项具有布尔数据类型。
在本发明的方法的另一个实施例中，对于第一组像素中的每个像素，与所述每个像素相关联的相应第一数据项可以采用第三值或第四值，其中当所述每个像素包含在第一图像区域中时，所述第一数据项采用第三值，且当所述每个像素布置在第一图像区域之外时，所述第一数据项采用第四值。根据该实施例，对于第一组像素中的每个像素，如果与所述每个像素相关联的相应第一数据项采用第三值，则与所述每个像素相关联的相应位置信息满足第一条件。特别地，第三值和第四值可以分别等于“真”和“假”。备选地，第三值和第四值可以分别等于“假”和“真”。
特别地，场景包括自动实验室系统的工作台，并且第一场景区域包括工作台的区域和/或实验室器具物品的至少一部分。例如，第一场景区域可以包括实验室器具物品。
特别地，根据本发明，实验室器具物品，例如第一和/或第二实验室器具物品，包括用于临床或实验室环境中的容器或由用于临床或实验室环境中的容器组成。该容器可以由玻璃、塑料、金属等制成。例如，实验室器具物品可包括培养皿或由培养皿组成，培养皿可包括顶部、盖子和/或底部。此外，实验室器具物品包括样品瓶和/或试管或由样品瓶和/或试管组成。实验室器具物品可以供单次使用、多次使用和/或可用后即弃。根据本发明，实验室器具物品，例如第一和/或第二实验室器具物品，可包括板、吸头、管、储器、吸头盒、高度适配器、储器架和/或管架，或由板、吸头、管、储器、吸头盒、高度适配器、储器架和/或管架组成。
在本说明书中对本发明的方法的步骤进行描述所依据的顺序不一定反映执行所述步骤所依据的时间顺序。
本发明涉及一种数据处理系统，其包括被配置为执行根据本发明的方法的处理装置。本发明还涉及包括本发明的数据处理系统的自动实验室系统。特别地，根据本发明的自动实验室系统包括相机、配置成执行根据本发明的方法的处理装置和用于定位实验室器具物品的工作台。
本发明还涉及包括指令的计算机程序产品，当计算机执行该程序时，指令使所述系统执行根据本发明的方法。
本发明还涉及一种计算机可读存储介质，其包括当由计算机执行时使所述系统执行根据本发明的方法的指令。特别地，计算机可读存储介质是非暂时性的。
下面参照附图描述本发明的示例性实施例。附图和相应的详细描述仅用于提供对本发明的更好理解，而不以任何方式构成对权利要求中限定的本发明范围的任何限制。特别地：
图1是根据本发明的数据处理系统的实施例的示意图；
图2是本发明的方法的第一实施例的操作的流程图；
图3a、3b是通过本发明的方法的第一实施例访问的第一图像的示意图；
图4是本发明的方法的第二实施例的操作的流程图；且
图5a、5b是通过本发明的方法的第二实施例访问的第一图像的示意图。
图1是根据本发明的数据处理系统(DPS)100的第一实施例的示意图。所述数据处理系统100可以包括计算装置或其集群。DPS100包括处理元件110和存储装置120，它们彼此进行数据通信。处理元件110可以由CPU和/或GPU组成或包括CPU和/或GPU，并且包括被配置为执行本发明的方法的步骤的若干模块111-114。
存储装置120可以包括易失性主存储器121(例如RAM、DRAM、SRAM、CPU高速缓冲存储器等)和/或非易失性主存储器122(例如ROM、PROM、EPROM等)。特别地，易失性主存储器可以由RAM组成。例如，易失性主存储器121临时保存由处理元件执行的程序文件和相关数据，而非易失性主存储器122可以包含用于DPS100的操作系统的引导程序代码。
存储装置120还可以包括辅助存储器123，其可以存储用于执行本发明的方法的操作系统和/或算法的指令。此外，辅助存储器123可以存储包括指令的计算机程序产品，当计算机程序产品由DPS100执行时，指令使DPS100执行根据本发明的方法。
辅助存储器123、主存储器121、122和处理元件110不需要在物理上容纳在同一外壳内，而是可以在空间上彼此分离。特别地，辅助存储器123、主存储器121、122和处理元件110可以在空间上彼此分离并且可以经由有线和/或无线介质(未示出)彼此交换数据。
DPS 100可以包括输入/输出(I/O)接口140，其允许DPS 100与输入/输出装置(例如显示器、键盘、触摸屏、打印机、鼠标、相机等)通信。DPS100还可以包括网络接口控制器(NIC)130，其被配置为将DPS100与合适的网络(未示出)连接。根据本发明，合适的网络例如可以是内联网、互联网或蜂窝网络。
数据处理系统100包括数码相机150。特别地，相机150是灰度或多色相机。相机150配置成用于获取第一图像，可以是相机和/或摄像机。如图1中所示，相机150可以通过I/O接口140连接到处理元件110。例如，相机150可以通过N IC130无线地连接到I/O接口。相机150可以是具有其自己的存储器的智能装置，该存储器用于存储与I/O接口140或外围设备一起使用的相关指令和数据。
处理元件110包括配置成执行本发明的方法的若干模块111-114。访问模块111配置成访问相机150捕获的第一图像。特别地，访问模块111配置成操作相机150来获取第一图像。处理元件110包括配置为获取指示第一图像部分在第一图像中的位置的信息的获取模块114。生成模块112被配置为针对第一组像素的每个像素生成与所述每个像素相关联的相应第一数据项。处理元件110包括确定模块113，其被配置成通过至少使用第一组像素的第一多个像素来确定相机参数的第一值。
特别地，访问模块111被配置为访问第二和/或第三图像。例如，访问模块111配置成操作相机150来获取第二和/或第三图像。特别地，获取模块114被配置为获取指示第二图像部分在第一图像中的位置的信息和/或生成模块112还被配置为针对第二组像素的每个像素生成与所述每个像素相关联的相应的第二数据项。例如，确定模块113被配置为通过至少使用第一组像素中的第二多个像素来确定相机参数的第二值。此外，处理元件110可包括构造模块(未示出)，其配置为通过使用第二图像、第三图像和HDR算法来构造第四图像。处理元件110还可包括识别模块(未示出)，其被配置为通过使用图像(例如第二和/或第四图像)来识别实验室器具物品。
例如，DPS100可以是包括相机150的计算机系统，并且更特别地，可以是智能手机、台式计算机、平板电脑、膝上型电脑等。此外，DPS100可以是根据本发明的ALS，尤其是自动移液系统。在这种情况下，DPS100包括用于定位一个或多个实验室器具物品的工作平台(未示出)和/或用于液体转移的移液头(未示出)。移液头可为通过伺服和/或步进电机相对于工作台能够移动的。
图2是根据本发明的方法的第一实施例的操作的流程图200。特别地，该实施例可以由上文描述并在图1中示意性描绘的DPS100来执行。特别地，该方法的第一实施例执行曝光值的第一值Ev,1的确定。相机150相对于工作台布置成使得场景(未示出)包括工作台、桌子的桌子部分(ALS100定位在其上)和实验室器具物品。例如，实验室器具物品可能是96MTP板。第一场景区域(未示出)包括实验室器具物品和工作台的一部分。
在步骤210，DPS100访问第一图像300，其在图3a和3b中示意性地表示。特别地，DPS100通过使用曝光值设置为Ev,0,、曝光时间设置为Et,0,和/或光圈值设置为F0的相机150来捕获图像300。特别地，第一图像300存储在DPS100的存储装置120中。在该实施例中，第一图像300由第一组像素组成。
如图3a中最佳示出的，第一图像300显示了DPS100的工作台370的俯视图。工作台370包括废物容器590。实验室器具物品310定位在工作台370的区域上，并且包括分布在十二列八行中的九十六个阱312。实验室器具物品310还包括两组字母数字字符311、313。第一组字母数字字符311形成描绘字母A、B、C、D、E、F、G和H的列。第二组字母数字字符313形成一行，描绘从一到十二的数字。特别地，实验室器具物品310的阱312包含第一化合物。
在步骤220，DPS100获取指示第一图像部分在第一图像300中的位置的信息。该信息是通过使用第一图像300和第一定位算法获取的。第一定位算法处理包括第一组像素的每个像素的位置和强度值的第一输入数据。指示第一图像部分在第一图像300中的位置的信息是通过执行第一定位算法生成的输出。
第一定位算法包括指令，当由DPS100的处理元件110执行时，这些指令使处理元件110评估第一图像300是否显示至少一个实验室器具物品，如果是，则提供对显示所述实验室器具物品的像素在第一图像中的位置的估计。特别地，第一定位算法评估第一图像是否显示96MTP板、带过滤器的1000μl吸头盒、55mm高度适配器和/或储器架。
DPS100执行第一定位算法的指令，从而生成第一输出数据。第一输出数据包括指定像素的第一矩形网格391显示实验室器具物品—即实验室器具物品310，其可以是96MTP板、具有过滤器的1000μl吸头盒、55mm高的适配器或储器架—的信息。在图3b中，像素的第一矩形网格391由点划线矩形341标记并且具有像素365至368作为顶点。如图3b中最佳地看出的，第一矩形网格391显示第一场景区域，即实验室器具物品310和工作台370的第一部分371。第一输出数据包括指示像素的第一矩形网格391的位置的信息，并且特别地，可以指定上述像素365至368中的每一个的二维图像坐标。第一矩形网格391构成第一图像部分，即第四组像素，并且在第一图像300中的指示矩形网格391的位置的信息构成指示第一图像部分在第一图像中的位置的信息。
在步骤230，DPS100为第一组像素中的每个像素生成与所述每个像素相关联的相应第一数据项。对于第一组像素中的每个像素，与所述每个像素相关联的相应第一数据项包括与所述每个像素相关联的相应位置信息，所述相应位置信息相对于第一图像部分391在第一图像中的位置指示所述每个像素在第一图像300中的位置。
对于第一组像素中的每个像素，与所述每个像素相关联的相应第一数据项具有布尔数据类型。具体而言，对于第一组像素的每个像素，如果所述每个像素包含在第一图像部分391中，则相应第一数据项的值为“真”，如果所述每个像素不包含在第一图像部分391中，则相应第一数据项的值为“假”。与第一组像素的像素相关联的第一数据项被存储在包括多个元的数组数据结构中。特别地，所述数据结构存储在DPS100的存储装置120中。
在步骤240，曝光值的第一值通过使用第一多个像素来确定。特别地，第一多个像素由第一组像素的满足第一条件的像素组成。在该实施例中，第一条件由以下要求组成：第一数据项的值为“真”的要求，即与第一数据项相关联的像素包括在第一图像部分391中。因此，第一多个像素由第一图像部分391组成。特别地，曝光值的第一值可以通过使用上述等式(1)至(5)来确定。
确定曝光值的第一值的步骤240可以包括至少通过针对第一组像素的每个像素检查与所述每个像素相关联的相应位置信息是否满足第一条件来选择第一多个像素。特别地，第一多个像素的选择包括，对于第一组像素中的每个像素，访问与所述每个像素相关联的相应第一数据项，检查所述第一数据项的值是否为“真”，以及，如果所述第一数据项的值为“真”，则使用所述每个像素来确定相机参数的第一值。
本发明的方法的第一实施例还可以包括以下步骤：通过使用曝光值设置为第一值的相机150来捕获第二图像(未示出)。第二图像可用于以相对高的可靠性识别实验室器具物品310。特别地，本发明的方法的第一实施例可进一步包括通过使用第二图像和识别算法来识别实验室器具物品的步骤。特别地，识别算法包括当由DPS100的处理元件100执行时使所述处理元件110处理第二图像的像素以生成识别数据的指令。该识别数据包括指定实验室器具物品是96MTP板的信息。此外，识别数据可以包括指示对实验室器具物品的位置的估计的信息。识别算法可以至少包括机器学习算法，例如ANN、决策树、随机森林、SVM等。
图4是根据本发明的方法的第二实施例的操作的流程图400。特别地，该实施例可以由上文描述并在图1中示意性描绘的DPS100来执行。特别地，该方法的第二实施例执行曝光值的第一值Ev,1和第二值Ev,2的确定。相机150相对于工作台布置成使得场景(未示出)包括工作台和桌子的桌子部分，DPS位于其上。该场景还包括第一实验室器具物品，其例如是96MTP板，以及第二实验室器具物品，其例如是带过滤器的1000μl吸头盒。第一场景区域(未示出)包括第一实验室器具物品和工作台的第一部分。此外，场景包括第二场景区域(未示出)，其包括第二实验室器具物品和工作台的第二部分。
在步骤410，DPS100访问在图5a和5b中示意性地表示的第一图像500。特别地，DPS100通过使用曝光值设置为Ev,0、曝光时间设置为Et,0和/或光圈值设置为F0的相机150来捕获图像500。特别地，第一图像500存储在DPS100的存储装置120中。在该实施例中，第一图像500由第一组像素组成。
如在图5a中最佳地看到的，第一图像500显示DPS100的工作台570的俯视图。工作台570包括废物容器590。第一实验室器具物品510和第二实验室器具物品520定位在工作台570的区域上，九十六个阱512分布在十二列八行中。第一实验室器具物品510包括分布在十二列和八行中的九十六个阱512和两组字母数字字符511、513。第一组字母数字字符511形成描绘字母A、B、C、D、E、F、G和H的列。第二组字母数字字符513形成描绘从一到十二的数字的行。第二实验室器具物品540包括分布在十二列和八行中的九十六个吸头542和包括四个孔的L形孔图案541。
在步骤420，DPS100获取指示第一图像部分在第一图像500中的位置的信息和指示第二图像部分在第一图像500中的位置的信息。通过使用第一图像500以及在该方法的第一实施例的步骤220处使用的第一定位算法(如上所述并在图2中示意性地描绘)来获取该信息。第一定位算法处理包括第一组像素的每个像素的位置和强度值的第一输入数据。指示第一图像部分在第一图像500中的位置的信息和指示第二图像部分在第一图像500中的位置的信息是通过执行第一定位算法生成的输出。
DPS100执行第一定位算法的指令，从而生成第一输出数据。第一输出数据包括指定像素的第一矩形网格520显示实验室器具物品—即实验室器具物品510，其可以是96MTP板、具有过滤器的1000μl吸头盒、55mm高适配器，和/或储液架—的信息。该第一输出数据进一步包括指定像素的第二矩形网格550显示实验室器具物品—即实验室器具物品540，其可以是96MTP板、具有过滤器的1000μl吸头盒、55毫米高适配器，和/或储器架—的信息。
如在图5b中所示，第一矩形网格520由点划线矩形530标记并且具有像素521至524作为顶点。如图5b中最佳示出，第一矩形网格520显示第一场景区域，即实验室器具物品510和工作台570的第一部分571。第一输出数据包括指示第一矩形网格520的位置的信息，特别是，可以指定像素521至524中的每一个的二维图像坐标。第一矩形网格520构成第一图像部分，即第四组像素，并且指示第一矩形网格520的位置的信息构成指示第一图像部分的位置的信息。
在图5b中，第二矩形网格550由点划线矩形560标记并且具有作为顶点的像素551至554。该第二矩形网格550显示第二场景区域，即实验室器具物品540和工作台570的第二部分572。第一输出数据包括指示第二矩形网格550的位置的信息，并且特别地，可以指定像素551至554中的每一个的二维图像坐标。第二矩形网格550构成第二图像部分，即第五组像素，并且指示第二矩形网格550在第一图像500中的位置的信息构成指示第二图像部分的位置的信息。
在步骤430，DPS100为第一组像素中的每个像素生成与所述每个像素相关联的相应第一数据项。对于第一组像素中的每个像素，与所述每个像素相关联的相应第一数据项包括与所述每个像素相关联的相应位置信息，所述相应位置信息相对于第一图像部分520在第一图像500中的位置指示所述每个像素在第一图像500中的位置。对于第一组像素的每个像素，与所述每个像素相关联的相应第一数据项具有布尔数据类型。具体而言，对于第一组像素的每个像素，如果所述每个像素包含在第一图像部分520中，则相应第一数据项的值为“真”，如果所述每个像素不包含在第一图像部分520中，则相应第一数据项的值为“假”。与第一组像素的像素相关联的第一数据项被存储在包括多个元的第一数组数据结构中。特别地，所述数据结构存储在DPS100的存储装置120中。
在步骤440，曝光值的第一值通过使用第一多个像素来确定。特别地，第一多个像素由满足第一条件的第一组像素的像素组成。在该实施例中，第一条件由以下要求组成：即，要求第一数据项的值为“真”，即与第一数据项相关联的像素包含在第一图像部分520中。因此，在该实施例中，第一多个像素由第一图像部分520组成。特别地，曝光值的第一值可以通过使用上述等式(1)至(5)来确定。
在步骤450，DPS100为第一组像素的每个像素生成与所述每个像素相关联的相应第二数据项。对于第一组像素中的每个像素，与所述每个像素相关联的相应第二数据项具有布尔数据类型。特别地，对于第一组像素的每个像素，如果所述每个像素不包含在第二图像部分550中，则相应第二数据项的值为“真”，如果所述每个像素包含在第二图像部分550中，则相应第二数据项的值为“假”。与第一组像素的像素相关联的第二数据项被存储在包括多个元的第二数组数据结构中。特别地，所述数据结构存储在DPS100的存储装置120中。
在步骤460，曝光值的第二值通过使用第二多个像素来确定。特别地，第二多个像素由满足第二条件的第一组像素的像素组成。在该实施例中，第二条件由以下要求组成，即第二数据项的值为“假”的要求，即与第二数据项相关联的像素包含在第二图像部分550中。因此，在该实施例中，第一多个像素由第一图像部分520组成。曝光值的第二值可以通过使用等式(1)至(5)来确定，前提是，在这些等式中，Ev,1被替换为Ev,2。
在步骤470和480，DPS110分别获取第二图像(未示出)和第三图像(未示出)。第二图像通过使用曝光值设置为第一值的相机150捕获，而第三图像通过使用曝光值设置为第二值的相机150捕获。特别地，可以通过使用包围曝光技术来捕获第二图像和第三图像。第二图像和第三图像两者都显示了场景。第二图像和/或第三图像可以存储在DPS100的存储装置120中。特别地，第二图像提供第一实验室器具物品510的忠实表现，并且第三图像提供第二实验室器具物品540的忠实表现。
在步骤490，通过使用第二图像、第三图像和HDR算法构建第四图像(未示出)。HDR算法处理第二图像和第三图像以构建第四图像。第四图像为动态范围大于第二图像和第三图像的动态范围的HDR图像。第四图像提供第一实验室器具物品510和第二实验室器具物品540两者的忠实表现。第四图像因此可以用于以相对高的可靠性识别第一实验室器具物品510和/或第二实验室器具物品540。
在本实施例的一个变体中，第四图像可以通过利用第一图像、第二图像、第三图像和HDR算法来构建。如果是这种情况，HDR算法会处理第一图像、第二图像和第三图像以构建第四图像。
特别地，本发明的方法的第二实施例还可以包括通过使用第四图像和识别算法来识别场景中包括的实验室器具物品的步骤。特别地，该识别算法包括当由DPS100的处理元件110执行时使所述处理元件110处理第四图像的像素以生成识别数据的指令。识别数据包括指定第一实验室器具物品510是96MTP板并且第二实验室器具物品540是具有过滤器的1000μl吸头盒的信息。识别算法可以至少包括机器学习算法，例如ANN、决策树、随机森林、SVM等。
根据本发明的方法的另外的实施例可以包括上述第二实施例的步骤410至490。前面的实施例可以在执行步骤410至490所依据的顺序上彼此不同并且与第二实施例不同。例如，根据本发明的一个实施例，步骤450可以在步骤430之后和步骤440之前进行。特别地，在本发明的方法的一个实施例中，步骤450和460在步骤420之后和步骤430之前进行。例如，在该方法的一个实施例中，步骤480在步骤460之后和步骤470之前执行。
凡尚未明确描述的地方，结合附图描述的单独的实施例或它们的单独的方面和特征可以相互组合或交换而不限制或扩大所描述的发明的范围，只要这种组合或交换是有意义的并且在本发明的意义上。关于本发明的特定实施例或关于特定的图描述的优点，只要适用，也是本发明其他实施例的优点。

Claims (15)

1.一种用于确定相机(150)的至少相机参数的第一值的计算机实现的方法，所述方法至少包括以下步骤：
访问由所述相机(150)捕获的第一图像(300、500)，其中，所述第一图像(300、500)显示场景并包括第一组像素，并且其中，所述场景包括第一场景区域，所述第一场景区域在所述图像(300、500)的第一图像部分中显示；
为所述第一组像素中的每个像素生成与所述每个像素相关联的相应第一数据项，其中，所述相应第一数据项包括与所述每个像素相关联的相应位置信息，所述相应位置信息相对于第一图像部分在所述第一图像(300,500)中的位置来指示所述每个像素在所述述第一图像(300,500)中的位置；和
通过使用所述第一组像素中的至少第一多个像素来确定相机参数的第一值，其中，对于所述第一多个像素中的每个像素，与所述每个像素相关联的相应位置信息满足第一条件。
2.根据权利要求1所述的方法，其中，对于所述第一组像素中的每个像素，如果所述相应位置信息指定所述每个像素在所述第一图像中被布置在第一图像部分之外，则与所述每个像素相关联的相应位置信息满足第一条件，或者其中，对于所述第一组像素的每个像素，如果所述相应位置信息指定所述第一图像部分包括所述每个像素，则与所述每个像素相关联的相应位置信息满足所述第一条件。
3.根据权利要求1或2所述的方法，其中，对于所述第一组像素的每个像素，与所述每个像素相关联的相应位置信息指定所述第一图像部分是否包括所述每个像素。
4.根据前述权利要求中任一项所述的方法，还包括以下步骤：
通过使用所述第一图像(300、500)获取指示第一图像部分在所述第一图像中的位置的信息。
5.根据权利要求4所述的方法，其中，获取指示所述第一图像部分在第一区域中的位置的信息的步骤通过使用如下方式来执行：
-用于确定所述第一图像部分在所述第一图像(300、500)中的位置的定位算法，
-指示场景和相机(150)相对于彼此的位置的信息，
-一组与所述相机(150)相关联的外部校准参数，
-一组与所述相机(150)相关联的内在校准参数，
-指示所述第一场景区域的形状的信息，和/或
-指示所述第一场景区域在所述场景中的位置的信息。
6.根据前述权利要求中任一项所述的方法，还包括以下步骤：
-通过至少使用所述相机参数的第一值获取第二图像；
-通过至少使用所述相机参数的第二值获取第三图像；和
-通过使用所述第二图像、所述第三图像和高动态范围算法构建第四图像。
7.根据权利要求6所述的方法，其中，所述场景包括第二场景区域，所述第二场景区域显示在所述第一图像(300、500)的第二图像部分中，其中，所述第一图像(300、500)包括第二组像素，且所述方法还包括以下步骤：
-为所述第二组像素中的每个像素生成与所述每个像素相关联的相应第二数据项，其中，所述相应第二数据项包括与所述每个像素相关联的相应位置信息，所述相应位置信息相对于所述第二图像部分在所述第一图像(300、500)中的位置指示所述每个像素在所述第一图像中的位置；和
-通过使用所述第二组像素中的至少第二多个像素来确定所述相机参数的第二值，其中，对于所述第二多个像素中的每个像素，与所述每个像素相关联的相应位置信息满足第二条件。
8.根据前述权利要求中任一项所述的方法，其中，通过使用指示所述第一图像部分的形状的信息，来执行为所述第一组像素中的每个像素生成与所述每个像素相关联的相应第一数据项的步骤。
9.根据前述权利要求中任一项所述的方法，其中，通过至少使用所述第一组像素来确定所述相机参数的第一值的步骤包括：
·至少通过针对第三组像素的至少每个像素检查与所述每个像素相关联的相应位置信息是否满足第一条件，来选择第一多个像素，
其中，第一像素包括第三组像素的每个像素。
10.根据前述权利要求中任一项所述的方法，其中，所述相机参数选自由增益、ISO、曝光值、曝光时间、光圈大小、白平衡矩阵的元、聚焦距离、亮度、对比度、光圈值和分辨率组成的组。
11.根据前述权利要求中任一项所述的方法，其中，所述场景包括自动实验室系统的工作台，并且所述场景区域包括所述工作台的区域和/或实验室器具物品的至少一部分。
12.一种数据处理系统，包括配置为执行根据权利要求1至11中任一项所述的方法的处理装置。
13.一种自动实验室系统，包括相机、被配置为执行根据权利要求1至11中任一项所述的方法的处理装置，以及用于定位实验室器具物品的工作台。
14.一种计算机程序产品，包括指令，在计算机执行所述程序时，所述指令使所述系统执行根据权利要求1至11中任一项所述的方法。
15.一种计算机可读存储介质，包括指令，所述指令在由计算机执行时使所述系统执行根据权利要求1至11中任一项所述的方法。
CN202180063862.7A 2020-09-14 2021-09-08 用于确定相机参数值的方法及装置 Pending CN116195264A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20196056.4A EP3968282A1 (en) 2020-09-14 2020-09-14 Method and device for determining a value of a camera parameter
EP20196056.4 2020-09-14
PCT/EP2021/074670 WO2022053492A1 (en) 2020-09-14 2021-09-08 Method and device for determining a value of a camera parameter

Publications (1)

Publication Number Publication Date
CN116195264A true CN116195264A (zh) 2023-05-30

Family

ID=72517116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180063862.7A Pending CN116195264A (zh) 2020-09-14 2021-09-08 用于确定相机参数值的方法及装置

Country Status (5)

Country Link
US (1) US20240303863A1 (zh)
EP (2) EP3968282A1 (zh)
JP (1) JP2023540995A (zh)
CN (1) CN116195264A (zh)
WO (1) WO2022053492A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114885100B (zh) * 2022-05-12 2024-08-09 四川新视创伟超高清科技有限公司 基于异动目标动态追踪的摄像头资源调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8162224B2 (en) * 2009-07-29 2012-04-24 Symbol Technologies, Inc. Method of setting amount of exposure for photodetector array in barcode scanner
WO2015081562A1 (zh) * 2013-12-06 2015-06-11 华为终端有限公司 一种终端及图像处理方法、图像采集方法
US10630903B2 (en) * 2018-01-12 2020-04-21 Qualcomm Incorporated Systems and methods for image exposure

Also Published As

Publication number Publication date
EP3968282A1 (en) 2022-03-16
EP4211654A1 (en) 2023-07-19
US20240303863A1 (en) 2024-09-12
JP2023540995A (ja) 2023-09-27
WO2022053492A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
JP6915349B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
ES2928897T3 (es) Método y software para analizar el crecimiento microbiano
CN108492343B (zh) 一种扩充目标识别的训练数据的图像合成方法
CN111931751B (zh) 深度学习训练方法、目标物识别方法、系统和存储介质
CN104854620B (zh) 图像处理装置、图像处理系统和程序
WO2013138356A2 (en) System and method for robust estimation of color dependent measurements
US20150023587A1 (en) Method for generating a depth map, related system and computer program product
JP2004522228A (ja) ディジタル画像を表現し比較する方法
CN109194954B (zh) 鱼眼摄像头性能参数测试方法、装置、设备及可存储介质
CN109344869A (zh) 一种分类模型优化方法、装置及存储设备、程序产品
US8351674B2 (en) Image portion identification methods, image parsing methods, image parsing systems, and articles of manufacture
CN105391931A (zh) 图像处理装置和图像处理方法
CN112053371A (zh) 一种遥感图像中的水体提取方法和装置
CN116195264A (zh) 用于确定相机参数值的方法及装置
JP2020155128A (ja) シンボルを評価するためのシステムおよび方法
CN113392819B (zh) 一种批量化学术图像自动分割标注装置和方法
US11699303B2 (en) System and method of acquiring coordinates of pupil center point
US20030012435A1 (en) Apparatus and method for machine vision
WO2019176614A1 (ja) 画像処理装置、画像処理方法、およびコンピュータプログラム
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统
US11233932B2 (en) Focusing position detection method, focusing position detector, recording medium, and focusing position detection program
US20230358772A1 (en) Method and device for identifying labware
WO2024011756A1 (zh) 图像采集参数调整方法及系统、电子设备和存储介质
US20220392074A1 (en) Method for image processing by means of a neural network and method for training a neural network
Palus et al. Automatic detection of colour charts in images

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