CN116757964A - 用于地理信息展示的图像校正方法 - Google Patents
用于地理信息展示的图像校正方法 Download PDFInfo
- Publication number
- CN116757964A CN116757964A CN202311027434.6A CN202311027434A CN116757964A CN 116757964 A CN116757964 A CN 116757964A CN 202311027434 A CN202311027434 A CN 202311027434A CN 116757964 A CN116757964 A CN 116757964A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- correction method
- pixel
- geographical information
- 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 32
- 238000003702 image correction Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013501 data transformation Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10024—Color image
-
- 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
本发明公开了一种用于地理信息展示的图像校正方法,属于图像数据处理技术领域。此方法首先以相邻帧图像之间的固定点作为参照点,确定参照点的位置数据;同时,在单帧图像中以预设定的标准坐标对各像素点坐标进行校正,从而获得偏移值;在此基础上,基于参照点的位置数据和坐标偏移值对单帧图像对应的索引标签进行更新,以此训练预构建的神经网络模型,得到采集点数据变换模型。对于所得的采集点数据变换模型,本发明不以其之间校正图像,而是确定特征点,以插值法带入实际训练模型,进而根据反馈值对采集点数据变换模型进行修正,从而得到更加准确、稳定的训练模型。应用本发明,不仅对地理数据的还原更加准确,而且图像质量更高、视觉效果更好。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于地理信息展示的图像校正方法。
背景技术
地理信息是地理数据所蕴含和表达的地理含义,它通过数据进行标识,从而实现地理特征的系统化归集和量化表达。随着大数据可视化应用的持续发展,地理信息可视化也受到了越来越多的重视。作为地理数据应用的末端环节,地理信息的可视化不仅为了达到更好的呈现性,还是为了将空间分布上的规律更加简洁直观的展示出来,同时挖掘更深层次的信息。
地理信息可视化主要是以地理信息科学、计算机科学、地图学、认知科学、信息传输科学与地理信息系统为基础,并通过计算机技术、数字技术、多媒体技术动态、直观、形象地表现、解释、传输地理信空间信息并揭示其规律,是关于信息表达和传输的理论、方法和技术的一门学科。旨在借助于图形学、计算机图形学和图像处理技术,将地学信息输入、处理、查询、分析以及预测的结果和数据以图形符号、图标、文字、表格、视频等可视化形式显示并进行交互。
地理信息可视化充分利用了地理信息技术提供的空间数据可视化的能力,将所有的行业信息通过处理整合成地理大数据,用地图的方式进行可视化表达,以完美的姿态解决了大数据中的空间位置表达问题同时,利用地理信息技术的空间分析能力,为地理大数据涉及到的大量的空间分析提供了处理能力,在空间维度上初步实现了大数据的分析。图像是地理信息最直观的展示媒介,而且涵盖的信息更加多样,同时具有连续性和稳定性,是目前地理信息展示的首选途径。在利用地理数据生成图像的方法中,通常首先确定离散的采样节点,并基于采样节点的数据状态构建出图像外形,进而将离散的图像外形进行连续化处理,从而形成图像模型,这种方法在实现效率上最高,但由于数据状态的复杂性和非唯一性,往往影响图像外形的质量和精确度,从而对最终成像品质造成影响。
发明内容
本发明旨在针对现有技术的技术缺陷,提供一种用于地理信息展示的图像校正方法,以解决常规图像生成方法直接获得的图像质量和准确度有待改善的技术问题。
为实现以上技术目的,本发明采用以下技术方案:
用于地理信息展示的图像校正方法,包括:采集预生成图像的连续帧,所述连续帧中,以相邻帧图像之间的不变像素点作为参照点,确定所述参照点的位置数据;对于单帧图像,以预设定的标准像素点子集坐标对单帧图像的各像素点坐标进行校正,对被校正的像素点,记录其坐标偏移值;其中,坐标偏移值包括被校正像素点在校正前后的坐标变化向量;基于参照点的位置数据和坐标偏移值对单帧图像对应的索引标签进行更新,以此训练预构建的神经网络模型,得到采集点数据变换模型,在所述采集点数据变换模型中随机抽取特征点作为插值,将插值带入若干次实际训练模型,根据反馈值和实际值的偏差对采集点数据变换模型进行修正,以修正后的数据变换模型处理预生成的图像。
作为优选,所述预生成图像的连续帧数量不少20帧,任意两个相邻帧的时间间隔小于20ms。
作为优选,所述不变像素点的数量不少于总像素点数量的0.5%,不变像素点坐标在图像像素点坐标全集中符合正态分布。
作为优选,所述预设定的标准像素点由人工设定或由训练模型随机摘取。
作为优选,在以预设定的标准像素点子集坐标对单帧图像的各像素点坐标进行校正的同时,以预设定的标准像素点子集的RGB值对单帧图像的各像素点的RGB值进行校正。
作为优选,所述坐标偏移值还包括相邻像素点之间的位移差值。
作为优选,所述神经网络模型包括BP神经网络,Hopfield网络,ART网络,Kohonen网络。
作为优选,在随机抽取特征点前利用几何校正模型对特征点进行预测,所述几何校正模型选自仿射变换或局部三角网。
作为优选,对预构建的神经网络模型的训练是通过脚本形式训练循环、函数形式训练循环或类形式训练循环实现的。
作为优选,所述实际训练模型包括被预定的损失函数和用于修正模型的优化器。
在本发明中,以预设定的标准像素点子集的RGB值对单帧图像的各像素点的RGB值进行校正是指,删除单帧图像的各像素点的RGB值,再用预设定的标准像素点子集的RGB值对单帧图像的各像素点进行赋值。
基于参照点的位置数据和坐标偏移值对单帧图像对应的索引标签进行更新是指,在单帧图像既有的索引标签中增加包括位置数据和坐标偏移值的新变量。
对于索引标签,可采用SHOW INDEX语句、DESCRIBE语句、SHOW CREATE TABLE语句获得,也可利用数据库内置的性能分析工具直接获得。
将插值带入若干次实际训练模型是指,在设置模型参数直到模型最适应训练集的过程中,将插值作为其中一组或若干组变量参与训练。所述若干次的实际次数不受限制,通常可以是3~5次甚至更多;由于插值本身为随机抽取的特征点数据,因此其数量不固定,因而作为其中一组或若干组变量参与训练;本发明的此步骤实际上是为了通过图像插值方法获取对训练模型结果的影响,实际应用中可采用AlexNet、GoogLeNet、Transformer模型等成熟方法。
反馈值和实际值的偏差是通过以下方法获得的,将由插值在训练模型中反馈得到的数据与实际采集的数据进行比对,分析二者差值满足的函数关系,将此函数关系带入原数据变换模型,从而得到修正后的数据变换模型。
本发明公开了一种用于地理信息展示的图像校正方法。此方法首先以相邻帧图像之间的固定点作为参照点,确定参照点的位置数据;同时,在单帧图像中以预设定的标准坐标对各像素点坐标进行校正,从而获得偏移值;在此基础上,基于参照点的位置数据和坐标偏移值对单帧图像对应的索引标签进行更新,以此训练预构建的神经网络模型,得到采集点数据变换模型。对于所得的采集点数据变换模型,本发明不以其之间校正图像,而是确定特征点,以插值法带入实际训练模型,进而根据反馈值对采集点数据变换模型进行修正,从而得到更加准确、稳定的训练模型。应用本发明,不仅对地理数据的还原更加准确,而且图像质量更高、视觉效果更好,具有显著的技术优势。
具体实施方式
以下将对本发明的具体实施方式进行详细描述。为了避免过多不必要的细节,在以下实施例中对属于公知的结构或功能将不进行详细描述。以下实施例中所使用的近似性语言可用于定量表述,表明在不改变基本功能的情况下可允许数量有一定的变动。除有定义外,以下实施例中所用的技术和科学术语具有与本发明所属领域技术人员普遍理解的相同含义。
实施例1
用于地理信息展示的图像校正方法,包括:采集预生成图像的连续帧,所述连续帧中,以相邻帧图像之间的不变像素点作为参照点,确定所述参照点的位置数据;对于单帧图像,以预设定的标准像素点子集坐标对单帧图像的各像素点坐标进行校正,对被校正的像素点,记录其坐标偏移值;其中,坐标偏移值包括被校正像素点在校正前后的坐标变化向量;基于参照点的位置数据和坐标偏移值对单帧图像对应的索引标签进行更新,以此训练预构建的神经网络模型,得到采集点数据变换模型,在所述采集点数据变换模型中随机抽取特征点作为插值,将插值带入若干次实际训练模型,根据反馈值和实际值的偏差对采集点数据变换模型进行修正,以修正后的数据变换模型处理预生成的图像。
实施例2
用于地理信息展示的图像校正方法,包括:采集预生成图像的连续帧,所述连续帧中,以相邻帧图像之间的不变像素点作为参照点,确定所述参照点的位置数据;对于单帧图像,以预设定的标准像素点子集坐标对单帧图像的各像素点坐标进行校正,对被校正的像素点,记录其坐标偏移值;其中,坐标偏移值包括被校正像素点在校正前后的坐标变化向量;基于参照点的位置数据和坐标偏移值对单帧图像对应的索引标签进行更新,以此训练预构建的神经网络模型,得到采集点数据变换模型,在所述采集点数据变换模型中随机抽取特征点作为插值,将插值带入若干次实际训练模型,根据反馈值和实际值的偏差对采集点数据变换模型进行修正,以修正后的数据变换模型处理预生成的图像。其中,所述预生成图像的连续帧数量不少20帧,任意两个相邻帧的时间间隔小于20ms。所述不变像素点的数量不少于总像素点数量的0.5%,不变像素点坐标在图像像素点坐标全集中符合正态分布。所述预设定的标准像素点由人工设定或由训练模型随机摘取。在以预设定的标准像素点子集坐标对单帧图像的各像素点坐标进行校正的同时,以预设定的标准像素点子集的RGB值对单帧图像的各像素点的RGB值进行校正。所述坐标偏移值还包括相邻像素点之间的位移差值。所述神经网络模型包括BP神经网络,Hopfield网络,ART网络,Kohonen网络。在随机抽取特征点前利用几何校正模型对特征点进行预测,所述几何校正模型选自仿射变换或局部三角网。对预构建的神经网络模型的训练是通过脚本形式训练循环、函数形式训练循环或类形式训练循环实现的。所述实际训练模型包括被预定的损失函数和用于修正模型的优化器。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.用于地理信息展示的图像校正方法,其特征在于,包括:采集预生成图像的连续帧,所述连续帧中,以相邻帧图像之间的不变像素点作为参照点,确定所述参照点的位置数据;对于单帧图像,以预设定的标准像素点子集坐标对单帧图像的各像素点坐标进行校正,对被校正的像素点,记录其坐标偏移值;其中,坐标偏移值包括被校正像素点在校正前后的坐标变化向量;基于参照点的位置数据和坐标偏移值对单帧图像对应的索引标签进行更新,以此训练预构建的神经网络模型,得到采集点数据变换模型,在所述采集点数据变换模型中随机抽取特征点作为插值,将插值带入若干次实际训练模型,根据反馈值和实际值的偏差对采集点数据变换模型进行修正,以修正后的数据变换模型处理预生成的图像。
2.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,所述预生成图像的连续帧数量不少20帧,任意两个相邻帧的时间间隔小于20ms。
3.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,所述不变像素点的数量不少于总像素点数量的0.5%,不变像素点坐标在图像像素点坐标全集中符合正态分布。
4.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,所述预设定的标准像素点由人工设定或由训练模型随机摘取。
5.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,在以预设定的标准像素点子集坐标对单帧图像的各像素点坐标进行校正的同时,以预设定的标准像素点子集的RGB值对单帧图像的各像素点的RGB值进行校正。
6.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,所述坐标偏移值还包括相邻像素点之间的位移差值。
7.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,所述神经网络模型包括BP神经网络,Hopfield网络,ART网络,Kohonen网络。
8.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,在随机抽取特征点前利用几何校正模型对特征点进行预测,所述几何校正模型选自仿射变换或局部三角网。
9.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,对预构建的神经网络模型的训练是通过脚本形式训练循环、函数形式训练循环或类形式训练循环实现的。
10.根据权利要求1所述的用于地理信息展示的图像校正方法,其特征在于,所述实际训练模型包括被预定的损失函数和用于修正模型的优化器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027434.6A CN116757964B (zh) | 2023-08-16 | 2023-08-16 | 用于地理信息展示的图像校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027434.6A CN116757964B (zh) | 2023-08-16 | 2023-08-16 | 用于地理信息展示的图像校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757964A true CN116757964A (zh) | 2023-09-15 |
CN116757964B CN116757964B (zh) | 2023-11-03 |
Family
ID=87959434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311027434.6A Active CN116757964B (zh) | 2023-08-16 | 2023-08-16 | 用于地理信息展示的图像校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757964B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054270A (zh) * | 2009-11-10 | 2011-05-11 | 华为技术有限公司 | 一种视频图像中提取前景的方法及装置 |
CN110378196A (zh) * | 2019-05-29 | 2019-10-25 | 电子科技大学 | 一种结合激光点云数据的道路视觉检测方法 |
US20200364539A1 (en) * | 2020-07-28 | 2020-11-19 | Oken Technologies, Inc. | Method of and system for evaluating consumption of visual information displayed to a user by analyzing user's eye tracking and bioresponse data |
CN114494005A (zh) * | 2020-10-23 | 2022-05-13 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN115423691A (zh) * | 2022-08-30 | 2022-12-02 | 青岛云天励飞科技有限公司 | 图像矫正模型的训练方法、图像矫正方法、设备及存储介质 |
CN115546551A (zh) * | 2022-10-14 | 2022-12-30 | 国网四川电力送变电建设有限公司 | 一种基于深度学习的地理信息提取方法及系统 |
WO2023083280A1 (zh) * | 2021-11-12 | 2023-05-19 | 虹软科技股份有限公司 | 一种场景文本识别方法和装置 |
-
2023
- 2023-08-16 CN CN202311027434.6A patent/CN116757964B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054270A (zh) * | 2009-11-10 | 2011-05-11 | 华为技术有限公司 | 一种视频图像中提取前景的方法及装置 |
CN110378196A (zh) * | 2019-05-29 | 2019-10-25 | 电子科技大学 | 一种结合激光点云数据的道路视觉检测方法 |
US20200364539A1 (en) * | 2020-07-28 | 2020-11-19 | Oken Technologies, Inc. | Method of and system for evaluating consumption of visual information displayed to a user by analyzing user's eye tracking and bioresponse data |
CN114494005A (zh) * | 2020-10-23 | 2022-05-13 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
WO2023083280A1 (zh) * | 2021-11-12 | 2023-05-19 | 虹软科技股份有限公司 | 一种场景文本识别方法和装置 |
CN115423691A (zh) * | 2022-08-30 | 2022-12-02 | 青岛云天励飞科技有限公司 | 图像矫正模型的训练方法、图像矫正方法、设备及存储介质 |
CN115546551A (zh) * | 2022-10-14 | 2022-12-30 | 国网四川电力送变电建设有限公司 | 一种基于深度学习的地理信息提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
谷风云, 崔希民, 谢传节, 刘清旺, 姜永阐: "虚拟地理环境中时态信息可视化表达方法研究", 现代测绘, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116757964B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416377B (zh) | 柱状图中的信息提取方法及装置 | |
CN105144141B (zh) | 用于使用距离关联性散列法对媒体数据库定址的系统和方法 | |
EP3540637A1 (en) | Neural network model training method, device and storage medium for image processing | |
CN110288614B (zh) | 图像处理方法、装置、设备及存储介质 | |
US20220319020A1 (en) | Multi-target tracking method and related device | |
JPH0773195A (ja) | 画像検索方法並びにその装置 | |
CN111145135B (zh) | 一种图像去扰处理方法、装置、设备及存储介质 | |
CN110298829A (zh) | 一种舌诊方法、装置、系统、计算机设备和存储介质 | |
CN116757964B (zh) | 用于地理信息展示的图像校正方法 | |
CN107220934A (zh) | 图像重建方法及装置 | |
CN114373073A (zh) | 一种用于道路场景语义分割的方法及系统 | |
CN115063800B (zh) | 文本识别方法和电子设备 | |
CN115577305B (zh) | 一种无人机信号智能识别方法及装置 | |
JPH08137908A (ja) | 画像検索方法及び装置 | |
CN114245193A (zh) | 显示控制方法、装置和电子设备 | |
CN105791980A (zh) | 基于分辨率提升的影视作品翻新方法 | |
CN105607886A (zh) | 一种基于物联网的教育云视频数据显示处理系统及方法 | |
Chen et al. | A no-reference quality assessment metric for dynamic 3D digital human | |
CN112734733B (zh) | 基于通道重组与特征融合的无参考图像质量监测方法 | |
CN113487082B (zh) | 一种虚拟实验教学资源的注记复杂度度量和优化配置方法 | |
CN113220957B (zh) | 物品数据可视化方法、装置、电子设备及存储介质 | |
KR102157005B1 (ko) | 영상 필터링 기법을 적용한 딥러닝 결과영상의 정확성 향상방법 | |
CN115311197A (zh) | 一种基于热力图的抠图效果评估方法和存储设备 | |
CN113542787A (zh) | 直播实验教学视频进行加工的方法与系统 | |
CN117274452A (zh) | 一种生成图像绘制过程动画的方法、系统、计算设备及存储介质 |
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 |