CN116659520A - 基于仿生偏振视觉增强的匹配定位方法、装置和设备 - Google Patents
基于仿生偏振视觉增强的匹配定位方法、装置和设备 Download PDFInfo
- Publication number
- CN116659520A CN116659520A CN202310963645.4A CN202310963645A CN116659520A CN 116659520 A CN116659520 A CN 116659520A CN 202310963645 A CN202310963645 A CN 202310963645A CN 116659520 A CN116659520 A CN 116659520A
- Authority
- CN
- China
- Prior art keywords
- image
- polarized
- frequency coefficient
- images
- fused
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 76
- 230000000007 visual effect Effects 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000010354 integration Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000280 densification Methods 0.000 claims description 9
- 230000004807 localization Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于仿生偏振视觉增强的匹配定位方法、装置和设备。所述方法包括:通过对四个通道的偏振图像进行稠密化滤波增强处理,得到滤波偏振图像,能够改善各偏振参量图像的成像质量;基于绝对值取大的融合策略确定融合后的低频系数,将模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数,对偏振图像各个偏振参量进行融合,得到融合增强图像,能够提高图像质量、丰富图像视觉特征。本发明通过对偏振图像进行视觉增强,提高了偏振视觉的识别度,能够提高无人平台在复杂环境下的导航精度。
Description
技术领域
本申请涉及仿生偏振光导航领域,特别是涉及一种基于仿生偏振视觉增强的匹配定位方法、装置和设备。
背景技术
近年来,仿生偏振视觉导航技术发展突飞猛进,但是其十分依赖偏振图像的蕴含的场景信息,因此偏振图像的成像质量的显得至关重要,基于数字图像处理技术对原始偏振图像进行增强,使增强后的图像蕴含更加丰富的场景特征,能够极大的提升无人平台在复杂天气条件下的导航精度。
匹配定位是偏振视觉导航定位的重要方法,而基于偏振图像的视觉特征匹配定位是一种较为新型的定位方法,对于提高无人平台在复杂天气及光照条件时的导航精度有重要意义,解决了无人装备在复杂环境下感知困难这一难题。但偏振视觉导航应用于无人平台执行飞行任务,当可见光视觉欠佳时,现有的匹配定位方法准确率较低,存在适应性不佳的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在可见光视觉欠佳时提高匹配定位方法准确率的基于仿生偏振视觉增强的匹配定位方法、装置、计算机设备和存储介质。
一种基于仿生偏振视觉增强的匹配定位方法,所述方法包括:
获取仿生偏振光导航传感器感知的原始偏振图像,对所述原始偏振图像进行滤波处理后,得到滤波偏振图像;
根据所述滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据所述矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像;
对所述强度图像、所述偏振角参量图像和所述偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数;
根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数;
分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分,将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数;
根据所述融合后的低频系数和所述融合后的高频系数,对所述滤波偏振图像进行重构,得到融合增强图像;
根据所述融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
在其中一个实施例中,还包括:将所述原始偏振图像分为四个单通道偏振图像分别进行去噪滤波;
将滤波后的四个单通道偏振图像重新组合为多通道偏振图像,得到滤波偏振图像。
在其中一个实施例中,还包括:根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数为:
;
其中,、/>和/>分别为三幅图像的低频系数。
在其中一个实施例中,还包括:根据图像的方差、图像的平均梯度和图像的信息熵构建信任函数及其模糊测度:
;
;
其中,、/>、/>分别表示所述图像的方差、所述图像的平均梯度和所述图像的信息熵,/>,/>表示/>中元素的平均值,/>表示/>中元素的最大值,/>表示信任函数,/>表示模糊度;
根据所述信任函数及其模糊测度分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分。
在其中一个实施例中,还包括:将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数为:
;
其中,、/>和/>分别为三幅图像的高频系数,/>、/>和/>分别为三幅图像高频系数的权重,/>,/>为三幅图像的模糊积分。
在其中一个实施例中,还包括:对所述原始偏振图像和所述融合增强图像的匹配定位结果进行评估。
在其中一个实施例中,还包括:对所述强度图像、所述偏振角参量图像和所述偏振度参量图像进行偏振暗通道增强处理。
一种基于仿生偏振视觉增强的匹配定位装置,所述装置包括:
滤波模块,用于获取仿生偏振光导航传感器感知的原始偏振图像,对所述原始偏振图像进行滤波处理后,得到滤波偏振图像;
稠密化处理模块,用于根据所述滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据所述矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像;
高频系数和低频系数确定模块,用于对所述强度图像、所述偏振角参量图像和所述偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数;
低频系数融合模块,用于根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数;
高频系数融合模块,用于分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分,将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数;
融合模块,用于根据所述融合后的低频系数和所述融合后的高频系数,对所述滤波偏振图像进行重构,得到融合增强图像;
匹配定位模块,用于根据所述融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取仿生偏振光导航传感器感知的原始偏振图像,对所述原始偏振图像进行滤波处理后,得到滤波偏振图像;
根据所述滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据所述矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像;
对所述强度图像、所述偏振角参量图像和所述偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数;
根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数;
分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分,将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数;
根据所述融合后的低频系数和所述融合后的高频系数,对所述滤波偏振图像进行重构,得到融合增强图像;
根据所述融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
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以下步骤:
获取仿生偏振光导航传感器感知的原始偏振图像,对所述原始偏振图像进行滤波处理后,得到滤波偏振图像;
根据所述滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据所述矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像;
对所述强度图像、所述偏振角参量图像和所述偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数;
根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数;
分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分,将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数;
根据所述融合后的低频系数和所述融合后的高频系数,对所述滤波偏振图像进行重构,得到融合增强图像;
根据所述融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
上述基于仿生偏振视觉增强的匹配定位方法、装置、计算机设备和存储介质,通过对四个通道的偏振图像进行稠密化滤波增强处理,得到滤波偏振图像,能够改善各偏振参量图像的成像质量;基于绝对值取大的融合策略确定融合后的低频系数,将模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数,对偏振图像各个偏振参量进行融合,得到融合增强图像,能够提高图像质量、丰富图像视觉特征。本发明通过对偏振图像进行视觉增强,提高了偏振视觉的识别度,能够提高无人平台在复杂环境下的导航精度。
附图说明
图1为一个实施例中基于仿生偏振视觉增强的匹配定位方法的流程示意图;
图2为一个实施例中雾天场景偏振图像的增强前后对比图,其中,(a)为融合增强前图像,(b)为融合增强后图像;
图3为另一个实施例中基于仿生偏振视觉增强的匹配定位方法;
图4为一个实施例中基于仿生偏振视觉增强的匹配定位装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于仿生偏振视觉增强的匹配定位方法,包括以下步骤:
步骤102,获取仿生偏振光导航传感器感知的原始偏振图像,对原始偏振图像进行滤波处理后,得到滤波偏振图像。
首先读取偏振图像原文件,并将其转化为双精度的灰度图像矩阵 I,通常将该灰度矩阵称为原始偏振图像。随后,将原始偏振图像 I 分为四个单通道偏振图像分别进行滤波,高斯滤波的/>设置为1,所有滤波的卷积核均设置为 5× 5,然后将滤波后的四个单通道偏振图像重新组合为多通道偏振图像 Ifilter,称为滤波偏振图像。
高斯滤波能够改善各偏振参量图像的成像质量,在此基础上求取斯托克斯矢量得到的偏振参量图像的质量更高。
步骤104,根据滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像。
基于斯托克斯理论确定对应的矢量参量图像为:;
;
即对原始偏振图像进行稠密化处理。
然后确定强度图像、偏振度参量图像和偏振角参量图像:
强度图像;
偏振度参量图像;
偏振角参量图像;
步骤106,对强度图像、偏振角参量图像和偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数。
本发明对偏振图像进行融合增强的构思是:先对强度图像和偏振参量图像进行二维多尺度小波变换分别得到其高频分量和低频分量;低频分量采用绝对值取大 (Choose-max) 的融合策略进行融合,高频分量采用加权平均 (Weighted-average) 的融合策略进行融合;然后对融合后的高频分量与低频分量进行小波逆变换得到融合图像。
本实施例中,在进行融合增强之前还包括基于复杂天气环境下的大气散射物理模型,对强度图像、偏振角参量图像和偏振度参量图像分别进行偏振暗通道增强。
利用Mallet快速算法可以得到离散小波变换的高频系数和低频系数,根据得到的高频系数与低频系数构建滤波器的重构函数。
步骤108,根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数。
具体地,根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数为:
;
其中,、/>和/>分别为三幅图像的低频系数。
步骤110,分别计算强度图像、偏振角参量图像和偏振度参量图像的模糊积分,将模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数。
模糊积分即利用作为非负单调的集合函数模糊度关于信任函数f的模糊积分值取代权重值,目的就是为了得到一致性结果。
假设信任函数为,那么信任函数/>关于模糊度/>的模糊积分为:
;
当X为有限集合且信任函数为/>时,两者之间的模糊积分可以表示为:
;
上式满足,当该关系不满足时,需要重新排序。
因为图像的方差与图像轮廓的清晰度正相关、图像的平均梯度与图像细节的清晰度正相关、图像的信息熵与图像的信息量正相关,因此采用这三者作为参数来构建信任函数及其模糊测度如下:
;
;
其中,表示由图像的方差、所述图像的平均梯度和所述图像的信息熵三个元素构成的集合,i表示参数的序号,模糊测度/>表示集合/>中每个元素/>的权重,其满足/>,本发明集合/>中的每个元素的权重由信任函数值/>的大小决定。
将增强后的强度图像、偏振度参量图像以及偏振角参量图像的模糊积分值分别记为,那么各图像的权重/>为:
;
若各图像的高频系数分别为,那么融合后的高频系数为:
;
步骤112,根据融合后的低频系数和融合后的高频系数,对滤波偏振图像进行重构,得到融合增强图像。
利用模糊积分代替小波融合中的高频系数加权融合策略,提高了偏振视觉的识别度,克服了传统偏振成像方式的低耦合性与局限性,在复杂天气条件下,本发明的融合增强步骤能够提高图像质量,丰富图像的视觉特征。
如图2为通过本实施例方法处理雾天场景偏振图像的增强前后对比图,可见,通过本发明方法对偏振图像进行视觉增强后,图像的视觉效果得到了明显改善。
步骤114,根据融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
上述基于仿生偏振视觉增强的匹配定位方法中,通过对四个通道的偏振图像进行稠密化滤波增强处理,得到滤波偏振图像,能够改善各偏振参量图像的成像质量;基于绝对值取大的融合策略确定融合后的低频系数,将模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数,对偏振图像各个偏振参量进行融合,得到融合增强图像,能够提高图像质量、丰富图像视觉特征。本发明通过对偏振图像进行视觉增强,提高了偏振视觉的识别度,能够提高无人平台在复杂环境下的导航精度。
在其中一个实施例中,还包括:对原始偏振图像和融合增强图像的匹配定位结果进行评估。
将第一次采集的图像数据称为基准数据,将第二次采集的图像数据称为匹配数据,首先利用本文提出的偏振图像增强方法,对偏振相机采集的偏振图像数据进行增强,得到增强后的图像;第二,利用HARRIS 算法、FAST 算法和 SIFT 算法分别对增强前的基准数据和匹配数据进行特征提取,对匹配数据和基准数据进行特征匹配,对匹配数据中的每幅图像均给出基准数据中对应的匹配图像,称为匹配的图像对;第三,同样地,利用 HARRIS算法、FAST 算法和 SIFT 算法分别对增强后的基准数据和匹配数据进行特征提取,并对匹配数据和基准数据进行特征匹配,对匹配数据中的每幅图像也给出基准数据中对应的匹配图像,称为增强匹配的图像对;第四,以 GPS 提供的目标位置信息为准,计算基准图像数据和匹配图像数据在 WGS-84 坐标系上的距离,将其中距离最小的一组图像称为正确的图像匹配对;最后,分别计算增强前图像和增强后图像的特征匹配定位的正确率,即所有图像匹配对中等于正确的图像匹配对的占比。
从结果发现,相比于增强前的原始图像,偏振视觉增强可以提升百分之二十左右的图像匹配正确率。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在另一个实施例中,如图3所示,一种基于仿生偏振视觉增强的匹配定位方法包括如下模块:
文件读取及图像处理模块302:用于读取偏振图像原文件,并将其转化为双精度的灰度图像矩阵 I,通常将该灰度矩阵称为原始偏振图像。
偏振稠密化处理模块304:用于将原始偏振图像 I 分为四个单通道偏振图像分别进行滤波,高斯滤波的/>设置为 1,所有滤波的卷积核均设置为5 × 5,然后将滤波后的四个单通道偏振图像重新组合为多通道偏振图像 Ifilter,称为滤波偏振图像。再者,利用滤波偏振图像计算Stokes 矢量参量图像 S0, S1, S2,即稠密化处理方法。
偏振图像多参量融合模块306:用于基于复杂天气环境下的大气散射物理模型,进一步得到增强图像。利用模糊积分代替小波融合中高频系数的加权融合策略,对偏振图像各个偏振参量进行融合,得到融合增强图像。
特征匹配模块308:用于对图像的视觉特征进行提取,而后进行视觉特征匹配定位,并评估匹配定位结果。
在一个实施例中,如图4所示,提供了一种基于仿生偏振视觉增强的匹配定位装置,包括:滤波模块402、稠密化处理模块404、高频系数和低频系数确定模块406、低频系数融合模块408、高频系数融合模块410、融合模块412和匹配定位模块414,其中:
滤波模块402,用于获取仿生偏振光导航传感器感知的原始偏振图像,对原始偏振图像进行滤波处理后,得到滤波偏振图像;
稠密化处理模块404,用于根据滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像;
高频系数和低频系数确定模块406,用于对强度图像、偏振角参量图像和偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数;
低频系数融合模块408,用于根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数;
高频系数融合模块410,用于分别计算强度图像、偏振角参量图像和偏振度参量图像的模糊积分,将模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数;
融合模块412,用于根据融合后的低频系数和融合后的高频系数,对滤波偏振图像进行重构,得到融合增强图像;
匹配定位模块414,用于根据融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
滤波模块402还用于将原始偏振图像分为四个单通道偏振图像分别进行去噪滤波;将滤波后的四个单通道偏振图像重新组合为多通道偏振图像,得到滤波偏振图像。
低频系数融合模块408还用于根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数为:
;
其中,、/>和/>分别为三幅图像的低频系数。
高频系数融合模块410还用于根据图像的方差、图像的平均梯度和图像的信息熵构建信任函数及其模糊测度:
;
;
其中,、/>、/>分别表示图像的方差、图像的平均梯度和图像的信息熵,,/>表示/>中元素的平均值,/>表示/>中元素的最大值,/>表示信任函数,/>表示模糊度;
根据信任函数及其模糊测度分别计算强度图像、偏振角参量图像和偏振度参量图像的模糊积分。
高频系数融合模块410还用于将模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数为:
;
其中,、/>和/>分别为三幅图像的高频系数,/>、/>和/>分别为三幅图像高频系数的权重,/>,/>为三幅图像的模糊积分。
匹配定位模块414还用于对原始偏振图像和融合增强图像的匹配定位结果进行评估。
高频系数和低频系数确定模块406还用于对强度图像、偏振角参量图像和偏振度参量图像进行偏振暗通道增强处理。
关于基于仿生偏振视觉增强的匹配定位装置的具体限定可以参见上文中对于基于仿生偏振视觉增强的匹配定位方法的限定,在此不再赘述。上述基于仿生偏振视觉增强的匹配定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于仿生偏振视觉增强的匹配定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于仿生偏振视觉增强的匹配定位方法,其特征在于,所述方法包括:
获取仿生偏振光导航传感器感知的原始偏振图像,对所述原始偏振图像进行滤波处理后,得到滤波偏振图像;
根据所述滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据所述矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像;
对所述强度图像、所述偏振角参量图像和所述偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数;
根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数;
分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分,将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数;
根据所述融合后的低频系数和所述融合后的高频系数,对所述滤波偏振图像进行重构,得到融合增强图像;
根据所述融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
2.根据权利要求1所述的方法,其特征在于,对所述原始偏振图像进行滤波处理后,得到滤波偏振图像,包括:
将所述原始偏振图像分为四个单通道偏振图像分别进行去噪滤波;
将滤波后的四个单通道偏振图像重新组合为多通道偏振图像,得到滤波偏振图像。
3.根据权利要求1所述的方法,其特征在于,根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数,包括:
根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数为:
;
其中,、/>和/>分别为三幅图像的低频系数。
4.根据权利要求1所述的方法,其特征在于,分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分,包括:
根据图像的方差、图像的平均梯度和图像的信息熵构建信任函数及其模糊测度:
;
;
其中,、/>、/>分别表示所述图像的方差、所述图像的平均梯度和所述图像的信息熵,,/>表示/>中元素的平均值,/> 表示/>中元素的最大值,/>表示信任函数,/>表示模糊度;
根据所述信任函数及其模糊测度分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分。
5.根据权利要求4所述的方法,其特征在于,将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数,包括:
将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数为:
;
其中,、/>和/>分别为三幅图像的高频系数,/>、/>和/>分别为三幅图像高频系数的权重,/>,/>为三幅图像的模糊积分。
6.根据权利要求1所述的方法,其特征在于,在根据所述融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位之后,还包括:
对所述原始偏振图像和所述融合增强图像的匹配定位结果进行评估。
7.根据权利要求1至6任意一项所述的方法,其特征在于,在对所述强度图像、所述偏振角参量图像和所述偏振度参量图像分别进行二维多尺度小波变换处理之前,还包括:
对所述强度图像、所述偏振角参量图像和所述偏振度参量图像进行偏振暗通道增强处理。
8.一种基于仿生偏振视觉增强的匹配定位装置,其特征在于,所述装置包括:
滤波模块,用于获取仿生偏振光导航传感器感知的原始偏振图像,对所述原始偏振图像进行滤波处理后,得到滤波偏振图像;
稠密化处理模块,用于根据所述滤波偏振图像基于斯托克斯理论确定对应的矢量参量图像,根据所述矢量参量图像,得到强度图像、偏振角参量图像和偏振度参量图像;
高频系数和低频系数确定模块,用于对所述强度图像、所述偏振角参量图像和所述偏振度参量图像分别进行二维多尺度小波变换处理,分别得到三幅图像对应的高频系数和低频系数;
低频系数融合模块,用于根据三幅图像的低频系数,基于绝对值取大的融合策略确定融合后的低频系数;
高频系数融合模块,用于分别计算所述强度图像、所述偏振角参量图像和所述偏振度参量图像的模糊积分,将所述模糊积分的比值作为各高频系数的权重,基于结合模糊积分的加权平均融合策略确定融合后的高频系数;
融合模块,用于根据所述融合后的低频系数和所述融合后的高频系数,对所述滤波偏振图像进行重构,得到融合增强图像;
匹配定位模块,用于根据所述融合增强图像进行视觉特征提取,根据提取的特征进行目标的匹配定位。
9.根据权利要求8所述的装置,其特征在于,所述滤波模块还用于:
将所述原始偏振图像分为四个单通道偏振图像分别进行去噪滤波;
将滤波后的四个单通道偏振图像重新组合为多通道偏振图像,得到滤波偏振图像。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963645.4A CN116659520B (zh) | 2023-08-02 | 2023-08-02 | 基于仿生偏振视觉增强的匹配定位方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963645.4A CN116659520B (zh) | 2023-08-02 | 2023-08-02 | 基于仿生偏振视觉增强的匹配定位方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116659520A true CN116659520A (zh) | 2023-08-29 |
CN116659520B CN116659520B (zh) | 2023-10-20 |
Family
ID=87710192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310963645.4A Active CN116659520B (zh) | 2023-08-02 | 2023-08-02 | 基于仿生偏振视觉增强的匹配定位方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116659520B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567977A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 一种基于小波的红外偏振图像自适应融合方法 |
CN104574296A (zh) * | 2014-12-24 | 2015-04-29 | 长春理工大学 | 一种用于偏振去雾霾的多小波融合处理图片的方法 |
CN104657965A (zh) * | 2015-03-12 | 2015-05-27 | 长春理工大学 | 基于离散连续曲波的偏振图像融合方法 |
CN106504222A (zh) * | 2016-11-21 | 2017-03-15 | 河海大学常州校区 | 一种基于仿生视觉机理的水下偏振图像融合系统 |
CN108694708A (zh) * | 2017-04-07 | 2018-10-23 | 南京理工大学 | 基于图像边缘提取的小波变换图像融合方法 |
KR101918007B1 (ko) * | 2017-07-17 | 2018-11-13 | 서울시립대학교 산학협력단 | 다중 편광레이더 영상과 전정색 영상의 융합방법 및 장치 |
CN113421206A (zh) * | 2021-07-16 | 2021-09-21 | 合肥工业大学 | 一种基于红外偏振成像的图像增强方法 |
-
2023
- 2023-08-02 CN CN202310963645.4A patent/CN116659520B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567977A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 一种基于小波的红外偏振图像自适应融合方法 |
CN104574296A (zh) * | 2014-12-24 | 2015-04-29 | 长春理工大学 | 一种用于偏振去雾霾的多小波融合处理图片的方法 |
CN104657965A (zh) * | 2015-03-12 | 2015-05-27 | 长春理工大学 | 基于离散连续曲波的偏振图像融合方法 |
CN106504222A (zh) * | 2016-11-21 | 2017-03-15 | 河海大学常州校区 | 一种基于仿生视觉机理的水下偏振图像融合系统 |
CN108694708A (zh) * | 2017-04-07 | 2018-10-23 | 南京理工大学 | 基于图像边缘提取的小波变换图像融合方法 |
KR101918007B1 (ko) * | 2017-07-17 | 2018-11-13 | 서울시립대학교 산학협력단 | 다중 편광레이더 영상과 전정색 영상의 융합방법 및 장치 |
CN113421206A (zh) * | 2021-07-16 | 2021-09-21 | 合肥工业大学 | 一种基于红外偏振成像的图像增强方法 |
Non-Patent Citations (6)
Title |
---|
吴迁;杨红雨;: "模糊逻辑在图像融合中的应用", 计算机工程与设计, no. 15 * |
张晶晶;方勇华;陈晓宁;: "基于小波的偏振图像融合算法及性能评价", 合肥工业大学学报(自然科学版), no. 07 * |
申慧彦;周浦城;: "一种基于人眼视觉特性的偏振图像融合方法", 光电工程, no. 08 * |
罗益荣;: "基于多层小波分析的图像融合技术研究", 计算机应用与软件, no. 12 * |
肖刚, 敬忠良, 李建勋, 刘磊, 王淑: "一种基于模糊积分的图像最优融合方法", 上海交通大学学报, no. 08 * |
鲍建成: "多聚焦图像融合方法仿真研究", 计算机仿真, vol. 28, no. 12, pages 240 - 243 * |
Also Published As
Publication number | Publication date |
---|---|
CN116659520B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008538B (zh) | 基于单张图像超分辨率方法 | |
CN111080628A (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
CN113159143B (zh) | 基于跳跃连接卷积层的红外与可见光图像融合方法和装置 | |
CN109685717A (zh) | 图像超分辨率重建方法、装置及电子设备 | |
US20140126808A1 (en) | Recursive conditional means image denoising | |
US9495734B2 (en) | Information processing apparatus, system, method, and medium storing program | |
Gong et al. | Combining sparse representation and local rank constraint for single image super resolution | |
CN112560864B (zh) | 图像语义分割方法、装置及图像语义分割模型的训练方法 | |
CN110766027A (zh) | 图像的区域定位方法和目标区域定位模型的训练方法 | |
CN111507288A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN115272250B (zh) | 确定病灶位置方法、装置、计算机设备和存储介质 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
CN114419406A (zh) | 图像变化检测方法、训练方法、装置和计算机设备 | |
Yin et al. | Adaptive low light visual enhancement and high-significant target detection for infrared and visible image fusion | |
CN116797510A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Ding et al. | An improved image mixed noise removal algorithm based on super-resolution algorithm and CNN | |
Chen et al. | Face super resolution based on parent patch prior for VLQ scenarios | |
Chen et al. | A novel face super resolution approach for noisy images using contour feature and standard deviation prior | |
CN117635444A (zh) | 基于辐射差和空间距离的深度补全方法、装置和设备 | |
CN116659520B (zh) | 基于仿生偏振视觉增强的匹配定位方法、装置和设备 | |
CN115797194A (zh) | 图像降噪方法、装置、电子设备、存储介质和程序产品 | |
CN111932466B (zh) | 一种图像去雾方法、电子设备及存储介质 | |
Shen et al. | Graph-Represented Distribution Similarity Index for Full-Reference Image Quality Assessment | |
Jia et al. | Learning rich information for quad bayer remosaicing and denoising | |
CN115880249B (zh) | 基于图像的对象分割方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |