CN117809162A - 校正透镜成像不均一性、提取透镜参数的方法及装置 - Google Patents

Abstract

本发明涉及图像数据处理领域，尤其涉及校正透镜成像不均一性、提取透镜参数的方法及装置。具体包括：构建多维特征融合校正网络，包括特征提取层、特征转换层、特征融合层和校正映射层，以校正透镜成像不均一性，得到校正后的图像；将校正后的图像分割为不同的区域，并在每个分割区域进行模式识别，根据模式识别结果，估计透镜参数。解决了现有技术在高度畸变的情况下无法完全捕捉透镜的复杂性，导致校正效果有限；需要人工干预来确定透镜参数，耗时耗力，且易受主观判断的影响；在处理大规模或高分辨率图像时，效率较低；以及现有图像校正方法缺乏通用性，无法广泛适用于不同类型的透镜和成像条件的技术问题。

Description

校正透镜成像不均一性、提取透镜参数的方法及装置

技术领域

本发明涉及图像数据处理领域，尤其涉及校正透镜成像不均一性、提取透镜参数的方法及装置。

背景技术

在摄影、天文观测、医学成像和其他许多成像技术领域中，透镜成像的均匀性和质量对于获取高质量图像至关重要。然而，由于透镜制造的局限性和物理特性，如透镜畸变、色差等，成像不均一性常常是一个难以避免的问题。这些问题不仅影响图像的视觉质量，也可能导致图像分析和解释的准确性降低。

传统的透镜成像校正方法通常依赖于特定的畸变模型，这些模型往往过于简化，不能完全捕捉透镜的复杂性，特别是在高度畸变的情况下。此外，现有的校正方法通常需要专业知识和显著的人工干预，这不仅效率低下，而且容易受到个人判断的影响。

我国专利申请号：CN200710065174.6，公开日：2007.10.10，公开了一种用图像处理手段校正透镜成像不均一性的方法及装置以及提取透镜参数的方法及装置，用以解决现有技术中用光学方法改变透镜的特性存在的工艺复杂、成本高的问题。校正透镜成像不均一性的方法包括以下步骤：获取透镜所成的扭曲图像；根据校正参数对扭曲图像进行操作，得到校正图像，所述校正参数是依据透镜参数得到的，所述透镜参数是由透镜的特性决定的。

但上述技术至少存在如下技术问题：现有技术在高度畸变的情况下无法完全捕捉透镜的复杂性，导致校正效果有限；需要显著的人工干预来确定透镜参数，不仅耗时耗力，而且容易受到主观判断的影响；在处理大规模或高分辨率图像时，效率较低，无法满足快速处理的需求；现有的图像校正方法通常专注于某一特定类型的畸变，缺乏通用性，无法广泛适用于不同类型的透镜和成像条件。

发明内容

本发明提供校正透镜成像不均一性、提取透镜参数的方法及装置，解决了现有技术在高度畸变的情况下无法完全捕捉透镜的复杂性，导致校正效果有限；需要显著的人工干预来确定透镜参数，不仅耗时耗力，而且容易受到主观判断的影响；在处理大规模或高分辨率图像时，效率较低，无法满足快速处理的需求；现有的图像校正方法通常专注于某一特定类型的畸变，缺乏通用性，无法广泛适用于不同类型的透镜和成像条件。实现了一种高效的多维特征融合校正网络，用于精准校正透镜成像不均一性并提取关键透镜参数，显著提高了成像质量和处理效率。

本发明的校正透镜成像不均一性、提取透镜参数的方法及装置，具体包括以下技术方案：

校正透镜成像不均一性、提取透镜参数的装置，包括以下部分：

图像采集装置、计算机处理单元、存储设备、用户界面和透镜校准设备；

所述图像采集装置，用于捕获原始图像数据，并将原始图像数据提供给计算机处理单元、存储设备；

所述计算机处理单元，是计算机或服务器，配备了硬件资源；用于进行多维特征融合校正网络、图像分割、模式识别和参数估计的处理；接收来自图像采集装置的原始图像数据，并将处理结果通过有线或无线连接传递给存储设备、用户界面、透镜校准设备；

所述存储设备，用于存储原始图像数据、处理结果和检索存储设备中的存储数据；与图像采集装置、计算机处理单元相连；

所述用户界面，用于展示处理结果，允许用户查看经多维特征融合校正网络校正后的图像和经参数估计后的透镜参数估计结果；用户界面包括显示屏、键盘、鼠标，允许用户与系统交互；通过软件与计算机处理单元连接，提供图像显示和用户交互功能；

所述透镜校准设备，用于接收经参数估计后的透镜参数估计结果，基于透镜参数估计结果进行透镜的校准，并调整透镜的物理配置。

校正透镜成像不均一性、提取透镜参数的方法，包括以下步骤：

S1. 构建多维特征融合校正网络，校正透镜成像不均一性，得到校正后的图像；

S2. 将校正后的图像分割为不同的区域，并在每个区域进行模式识别，根据模式识别结果，估计透镜参数。

优选的，所述S1，具体包括：

构建多维特征融合校正网络，所述多维特征融合校正网络包括特征提取层、特征转换层、特征融合层和校正映射层。

优选的，所述S1，还包括：

特征提取层用于识别和提取图像的特征，并定义高维特征向量，捕捉每个像素点周围的特征；特征转换层应用非线性激活函数对特征向量进行变换，得到非线性转换后的特征向量。

优选的，所述S1，还包括：

特征融合层将不同维度的非线性转换后的特征向量结合起来，形成特征表示；结合不同维度的特征信息，使用融合函数，得到融合后的特征向量；校正映射层将融合后的特征应用于原始图像，通过调整像素值来改善图像质量。

优选的，所述S2，具体包括：

利用像素方差和平均像素值定义分割函数，通过最小化像素方差和像素值差异的总和，将校正后的图像分割为不同区域。

优选的，所述S2，还包括：

在每个分割区域中进行模式识别，检测每个区域中的特定模式，所述特定模式是由透镜特性引起的；所述透镜特性包括畸变或焦距变化。

优选的，所述S2，还包括：

根据识别出的模式，构建透镜畸变模型估计透镜参数；基于模式识别结果的参数估计函数，将透镜畸变模型应用于识别出的模式。

优选的，所述S2，还包括：

通过计算各区域透镜参数估计的均值和标准偏差，对所有区域得到的透镜参数估计进行统计分析，得到全局透镜参数估计；采用迭代反馈机制优化透镜参数估计，调整参数估计函数的参数。

本发明的技术方案的有益效果是：

1、通过综合分析图像的多维特征，有效地校正了因透镜不完美导致的成像不均一性，如畸变和色差，提高了图像的视觉质量，使其在视觉上更加均匀一致；通过对校正后的图像进行深入分析，能够精确地提取出重要的透镜参数，如焦距和畸变系数，在高精度成像领域对于透镜的校准和图像后处理至关重要；

2、多维特征融合校正网络结构的设计增强了图像处理系统处理复杂图像的能力，尤其是在应对透镜引起的成像不均一性时，为现有的图像处理软件提供了一种新的、更为高效的校正方法；通过自动化提取关键透镜参数，减少了人工干预的需要，提升了成像系统的智能化水平。

附图说明

图1为本发明一个实施例所提供的校正透镜成像不均一性、提取透镜参数的装置结构图；

图2为本发明一个实施例所提供的校正透镜成像不均一性、提取透镜参数的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的校正透镜成像不均一性、提取透镜参数的方法及装置的具体方案。

参照附图1，其示出了本发明一个实施例所提供的校正透镜成像不均一性、提取透镜参数的装置结构图，该系统包括以下部分：

图像采集装置、计算机处理单元、存储设备、用户界面、透镜校准设备；

所述图像采集装置用于捕获原始图像数据，是一种高分辨率的摄像头或其他类型的图像传感器（例如红外传感器），能够捕捉到高质量的图像，图像采集装置直接将原始图像数据提供给计算机处理单元、存储设备；

所述计算机处理单元用于执行多维特征融合校正网络、图像分割、模式识别和参数估计等算法，是一台高性能的计算机或服务器，配备了处理大量数据所需的硬件资源，如高速CPU、GPU；接收来自图像采集装置的原始图像数据，并将处理结果通过有线或无线连接传递给存储设备、用户界面、透镜校准设备；

所述存储设备用于存储原始图像数据、处理结果和检索存储设备中存储的数据，存储设备中存储的数据是从图像采集装置、计算机处理单元中得到的；

所述用户界面用于展示处理结果，允许用户查看多维特征融合校正网络校正后的图像和经参数估计后的透镜参数估计结果，用户界面可以包括显示屏、键盘、鼠标等，允许用户与系统交互；通过软件与计算机处理单元连接，提供图像显示和用户交互功能；

所述透镜校准设备用于接收来自计算机处理单元的经参数估计后的透镜参数估计结果，根据透镜参数估计结果进行物理透镜的校准，调整透镜的焦距、对焦或其他物理属性和配置。

参照附图2，本发明一个实施例所提供的校正透镜成像不均一性、提取透镜参数的方法流程图，该方法包括以下步骤：

S1. 构建多维特征融合校正网络，校正透镜成像不均一性，得到校正后的图像；

在处理透镜引起的成像不均一性方面，为了提高透镜成像的均匀性和质量，构建多维特征融合校正网络。所述多维特征融合校正网络包括特征提取层、特征转换层、特征融合层和校正映射层。

特征提取层用于识别和提取图像的关键特征，如纹理、边缘和色彩。为了捕捉每个像素点周围的细微特征，定义一个高维特征向量，每个元素/>的计算涉及到高斯函数和权重矩阵的结合，为后续的处理步骤提供一个全面和深入的特征基础。高维特征向量的计算方法为：

，

其中，表示第i个特征向量在位置/>的值，/>是权重矩阵，决定了每个特征的重要性，/>是两个循环变量，用于在局部区域（或称为卷积窗口）中迭代，代表每个像素邻域内的横向和纵向位置，/>表示图像在/>位置的像素值，/>是第i个特征的预设均值，/>是第i个特征的预设方差。

特征转换层通过增加模型的表达能力和灵活性来增强特征向量，应用非线性激活函数，如Leaky ReLU，对特征向量进行变换，提高对图像中不同模式的识别能力，对于实现有效校正至关重要。特征转换层公式为：

，

其中，表示经过非线性转换后的特征向量，/>和/>分别是转换矩阵和偏置向量，它们将特征向量映射到一个新的空间，从而增加了模型的复杂性和灵活性，/>是非线性激活函数。

特征融合层将处理后的多维特征结合起来，形成一个综合的特征表示，使用融合函数，结合不同维度的特征信息，形成了对图像的全面理解。特征融合层公式为：

，

其中，表示融合后的特征向量，/>和/>是特征融合层的权重矩阵和偏置向量，/>是第i个经过非线性转换的特征向量。双曲正切函数tanh提供了平滑且连续的非线性变换，使得特征之间的相互作用更加丰富和有意义。

校正映射层将融合后的特征应用于原始图像，以校正不均一性。结合了前面所有层的成果，应用于实际图像，通过调整像素值来改善图像质量，提高其均匀性。校正映射层公式为：

，

其中，表示校正后的图像在位置/>的像素值，/>表示原始图像在位置/>的像素值，/>是缩放因子，用于控制校正的强度，/>和/>是校正映射层的权重矩阵和偏置向量。得到的/>是校正后的图像，在校正后的图像中，原先因透镜成像不均一性而造成的亮度和对比度差异被有效地校正，图像在视觉上更加均匀一致，提升了成像质量。

S2. 将校正后的图像分割为不同的区域，并在每个区域进行模式识别，根据模式识别结果，估计透镜参数。

通过分析校正后的图像，提取出透镜的关键参数。对校正后的图像进行细致的分割，将图像划分为多个小区域，作为分析的基础单元。每个小区域代表图像的一个特定特征或模式，如边缘、纹理等。可以更好地理解图像的局部特征，并为后续的模式识别奠定基础。

分割函数的计算公式利用了像素方差和平均像素值。像素方差用于衡量区域内像素值的分散程度，而平均像素值则反映了该区域的整体亮度。通过最小化像素方差和像素值差异的总和，能够有效地将图像划分为具有不同区域。公式如下：

，

其中，表示分割函数，/>表示寻找使得后续表达式最小化的分割/>，表示第j个区域的像素方差，/>是第j个区域的平均像素值，/>表示第j个区域。

在每个分割区域中进行模式识别，检测每个区域中的特定模式，所述特定模式是由透镜特性如畸变或焦距变化引起的。通过识别特定模式，可以理解透镜如何影响图像。模式识别使用了图形匹配技术，具体实现公式如下：

，

其中，表示模式识别结果，/>表示模式/>与像素/>的匹配程度，/>是模式/>的特征向量，/>是/>的特征向量，/>是区域/>中像素的数量。

根据识别出的模式，构建透镜畸变模型估计透镜参数。基于模式识别结果的参数估计函数，将透镜畸变模型应用于识别出的模式，实现从图像的局部特征中推断出透镜的全局参数。透镜参数估计的公式如下：

，

其中，表示基于第j个区域的透镜参数估计，参数估计函数的参数集合/>包括，/>是参数序数。

通过计算各区域透镜参数估计的均值和标准偏差，对所有区域得到的透镜参数估计进行统计分析，从局部估计中得到一个全局的透镜参数估计。统计分析的公式如下：

，

其中，表示全局透镜参数估计，/>是分割的区域数量，/>，/>表示第j个区域参数估计的标准偏差，/>是一个调整系数，用于平衡均值和偏差的影响。使用估计出的透镜参数来调整和优化透镜的物理配置，在摄影或摄像中，可以根据估计出的焦距和畸变系数来调整透镜的聚焦和变焦设置。

采用迭代反馈机制来优化透镜参数估计，调整估计模型的参数，目标是最小化整体图像与理想透镜特性之间的差异，迭代反馈机制不断调整模型参数，以改进参数估计的准确性。迭代反馈的公式如下：

，

其中，表示更新后的估计函数参数，/>是学习率，用于控制参数调整的步长，/>是基于图像质量的损失函数，用于量化参数估计/>与真实透镜参数/>之间的差异，可采用常用的均方误差。

综上所述，便完成了校正透镜成像不均一性、提取透镜参数的方法及装置。

本发明实施例通过综合分析图像的多维特征，有效地校正了因透镜不完美导致的成像不均一性，如畸变和色差，提高了图像的视觉质量，使其在视觉上更加均匀一致；通过对校正后的图像进行深入分析，能够精确地提取出重要的透镜参数，如焦距和畸变系数，在高精度成像领域对于透镜的校准和图像后处理至关重要；多维特征融合校正网络结构的设计增强了图像处理系统处理复杂图像的能力，尤其是在应对透镜引起的成像不均一性时，为现有的图像处理软件提供了一种新的、更为高效的校正方法；通过自动化提取关键透镜参数，减少了人工干预的需要，提升了成像系统的智能化水平。

发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.校正透镜成像不均一性、提取透镜参数的装置，其特征在于，包括以下部分：

图像采集装置、计算机处理单元、存储设备、用户界面和透镜校准设备；

所述图像采集装置，用于捕获原始图像数据，并将原始图像数据提供给计算机处理单元、存储设备；

所述计算机处理单元，是计算机或服务器，配备了硬件资源；用于进行多维特征融合校正网络、图像分割、模式识别和参数估计的处理；接收来自图像采集装置的原始图像数据，并将处理结果通过有线或无线连接传递给存储设备、用户界面、透镜校准设备；

所述存储设备，用于存储原始图像数据、处理结果和检索存储设备中的存储数据；与图像采集装置、计算机处理单元相连；

所述用户界面，用于展示处理结果，允许用户查看经多维特征融合校正网络校正后的图像和经参数估计后的透镜参数估计结果；用户界面包括显示屏、键盘、鼠标，允许用户与系统交互；通过软件与计算机处理单元连接，提供图像显示和用户交互功能；

所述透镜校准设备，用于接收经参数估计后的透镜参数估计结果，基于透镜参数估计结果进行透镜的校准，并调整透镜的物理配置。

2.校正透镜成像不均一性、提取透镜参数的方法，其特征在于，包括以下步骤：

S1. 构建多维特征融合校正网络，校正透镜成像不均一性，得到校正后的图像；

S2. 将校正后的图像分割为不同的区域，并在每个区域进行模式识别，根据模式识别结果，估计透镜参数。

3.根据权利要求2所述的校正透镜成像不均一性、提取透镜参数的方法，其特征在于，所述S1，具体包括：

构建多维特征融合校正网络，所述多维特征融合校正网络包括特征提取层、特征转换层、特征融合层和校正映射层。

4.根据权利要求3所述的校正透镜成像不均一性、提取透镜参数的方法，其特征在于，所述S1，还包括：

特征提取层用于识别和提取图像的特征，并定义高维特征向量，捕捉每个像素点周围的特征；特征转换层应用非线性激活函数对特征向量进行变换，得到非线性转换后的特征向量。

5.根据权利要求4所述的校正透镜成像不均一性、提取透镜参数的方法，其特征在于，所述S1，还包括：

特征融合层将不同维度的非线性转换后的特征向量结合起来，形成特征表示；结合不同维度的特征信息，通过融合函数得到融合后的特征向量；校正映射层将融合后的特征应用于原始图像。

6.根据权利要求2所述的校正透镜成像不均一性、提取透镜参数的方法，其特征在于，所述S2，具体包括：

利用像素方差和平均像素值定义分割函数，通过最小化像素方差和像素值差异的总和，将校正后的图像分割为不同区域。

7.根据权利要求6所述的校正透镜成像不均一性、提取透镜参数的方法，其特征在于，所述S2，还包括：

在每个区域中进行模式识别，检测每个区域中的特定模式，所述特定模式是由透镜特性引起的；所述透镜特性包括畸变或焦距变化。

8.根据权利要求7所述的校正透镜成像不均一性、提取透镜参数的方法，其特征在于，所述S2，还包括：

根据识别出的模式，构建透镜畸变模型估计透镜参数；基于模式识别结果的参数估计函数，将透镜畸变模型应用于识别出的模式。

9.根据权利要求8所述的校正透镜成像不均一性、提取透镜参数的方法，其特征在于，所述S2，还包括：

通过计算各区域透镜参数估计的均值和标准偏差，对所有区域得到的透镜参数估计进行统计分析，得到全局透镜参数估计；采用迭代反馈机制优化透镜参数估计，调整参数估计函数的参数。