TWI545523B - 影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置 - Google Patents

影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置 Download PDF

Info

Publication number
TWI545523B
TWI545523B TW102131358A TW102131358A TWI545523B TW I545523 B TWI545523 B TW I545523B TW 102131358 A TW102131358 A TW 102131358A TW 102131358 A TW102131358 A TW 102131358A TW I545523 B TWI545523 B TW I545523B
Authority
TW
Taiwan
Prior art keywords
coordinate
correction
value
exponential function
correction amount
Prior art date
Application number
TW102131358A
Other languages
English (en)
Other versions
TW201508694A (zh
Inventor
陳慶瀚
姚敦凱
Original Assignee
國立中央大學
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 國立中央大學 filed Critical 國立中央大學
Priority to TW102131358A priority Critical patent/TWI545523B/zh
Priority to US14/175,227 priority patent/US9165219B2/en
Publication of TW201508694A publication Critical patent/TW201508694A/zh
Application granted granted Critical
Publication of TWI545523B publication Critical patent/TWI545523B/zh

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20084—Artificial neural networks [ANN]

Description

影像形狀校正方法以及應用影像形狀校正方法之影像形狀校 正裝置
本發明係一種影像處理方法，尤其係關於一種用於影像形狀校正的方法。
科技發展日新月異，影像領域的電子商品亦越驅普及，如網路攝影機、倒車攝影機、防盜警眼或是照相機等影像擷取裝置皆被廣泛的使用，用來更便利人類生活上的各種需求。然而，經由影像擷取裝置所獲得之影像，大都會有程度不同的扭曲現象，因而造成使用者的困擾。
一般來說，扭曲現象的形成原因大致如下：(1)目前相機之鏡頭內幾乎均採用多片鏡片所構成之鏡片組，光線由進入鏡頭到用以成像的感光元件之前會經過多次的光線折射，進而造 成影像的扭曲變形；(2)因影像擷取裝置的組裝過程不周，而造成感光元件與鏡頭的不平行，以及因鏡頭的組裝過程不周，而造成鏡頭內之多片鏡片的不平行；如此一來，感光元件的中心以及多片鏡片的中心並不能位在同一光軸上，進而造成影像的扭曲變形；(3)鏡片在製程上所產生的瑕疵，特別是在低成本的鏡頭上更容易發生。
有鑑於此，現已有多種利用多項式校正的方法對影像擷取裝置所獲得之變形影像進行校正；詳言之，多項式校正之方法的基本構想是，將影像的幾何變形，如平移、縮放、旋轉、仿射、偏扭、彎曲等基本變形，以適當的多項式來作數學建模，一旦多項式的係數求定後，即可對變形的影像進行幾合校正。然而，若是影像變形的成因上存在著兩個以上的基本幾何變形，如偏扭變形與縮放變形的綜合表現，則必須對該多個基本幾何變形分別建模，再予以依序進行變形校正。
此外，以數學方式對影像變形進行建模並據以補償校正的手段，僅適用於理想變行曲面的情況，而在實際的運用中，由於影像擷取裝置的組裝過程、鏡頭的組裝過程以及鏡片製程上，有太多不可預期的因素，造成大部分的影像變形並非是理想的變形曲面，如此一來，影像變形校正的效果實在是大打折扣。
因此，現有一種基於人工智慧的影像變形校正技術被提出，其係以一類神經網路對變形影像以及標準影像(正確非變形的影像)之間的相對關係的進行描述，並透過訓練類神經網路內的各種參數，使得變形影像以及標準影像之間的相對關係得以被建構，進而據以對變形影像進行影像校正；詳言之，若欲獲得校 正影像(經變形校正後的影像)上之任一點的像素值，只要將該任一點的平面座標輸入至類神經網路，類神經網路就能夠相對應輸出另一平面座標，而透過利用該另一平面座標就能夠在變形影像上找到該校正影像上之該任一點的像素值。當然，上述利用類神經網路的影像變形校正技術係為熟知本技藝人士所知悉，在此即不再予以贅述。
特別說明的是，類神經網路是直接依據各種影像變形的整體綜合表現而進行建模，故不需要再分別找出影像擷取裝置中各種會造成影像變形的成因而一一補償校正，當然，亦不用考慮到如何處理非理想變形之曲面的問題。然而，以目前的技術而言，由於類神經網路的運算量非常龐大，導致需要為數不小的神經元才得以建構，故製造成本無法有效降低。是以，習知的影像變形校正技術仍具有改善的空間。
本發明之一目的在提供一種影像形狀校正方法，尤其係關於一種利用類神經網路模型的影像形狀校正方法。
本發明之另一目的在提供一種影像形狀校正裝置，尤其係關於一種利用上述影像形狀校正方法的影像形狀校正裝置。
於一較佳實施例中，本發明提供一種影像形狀校正方法，包括：(1)提供一標準圖形以及一目標影像；其中該標準圖形具 有複數標準點，而該目標影像具有對應於該複數標準點之複數目標點；(2)提供每一該標準點之位置坐標以及每一該標準點與其相對應之該目標點之間的一第一方向座標變化量予一類神經網路模型，以訓練及獲得該類神經網路模型中之一第一方向參數組，以及提供每一該標準點之位置坐標以及每一該標準點與其相對應之該目標點之間的一第二方向座標變化量予該類神經網路模型，以訓練及獲得該類神經網路模型中之一第二方向參數組；以及(3)利用該類神經網路模型及其中之該第一方向參數組以及該第二方向參數組對一初始影像進行影像形狀校正，以獲得一校正影像。
於一較佳實施例中，於該步驟(1)中，包括：利用一影像擷取裝置對該標準圖形進行拍攝，以獲得該目標影像；其中，於該步驟(3)中，該初始影像係透過該影像擷取裝置拍攝而獲得。
於一較佳實施例中，該校正影像上具有至少一校正點，且於該步驟(3)中，包括：(3-1)輸入該至少一校正點之位置坐標至該類神經網路模型，使該類神經網路模型依據該第一方向參數組而輸出一第一方向座標校正量；其中，該第一方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第一方向加總座標；(3-2)輸入該至少一校正點之位置坐標至該類神經網路模型，使該類神經網路模型依據該第二方向參數組而輸出一第二方向座標校正量；其中，該第二方向座標校正量係用以與該至少 一校正點之位置坐標相加，以獲得一第二方向加總座標；以及(3-3)採用該初始影像之相對應於該第一方向加總座標與該第二方向加總座標上的像素值作為該至少一校正點之該像素值(pixel)。
於一較佳實施例中，於該步驟(3-3)中，該初始影像之相對應於該第一方向加總座標與該第二方向加總座標上的像素值係由該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值差補而得。
於一較佳實施例中，該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
於一較佳實施例中，該類神經網路模型包括一輸入層、一隱藏層以及一輸出層，且該隱藏層具有複數個神經元；其中，任一該神經元之一轉移函數係為一非線性函數，且該第一方向參數組係包括對應於該隱藏層之至少一該神經元的一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組係包括對應於該隱藏層之至少一該神經元的一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
於一較佳實施例中，該隱藏層具有四個神經元。
於一較佳實施例中，本發明亦提供一種影像形狀校正方法，其係利用一類神經網路模型對一初始影像遂行一影像形狀校正動作，以獲得具有至少一校正點之一校正影像，該影像形狀校正方法包括：(1)輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第一方向校正點參數，以及輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第二方向校正點參數；以及(2)採用該初始影像上之相對應於該第一方向校正點參數以及該第二方向校正點參數的像素值作為該至少一校正點之一像素值(pixel)。
於一較佳實施例中，該第一方向校正點參數以及該第二方向校正點參數係分別為一第一方向座標校正量以及一第二方向座標校正量。
於一較佳實施例中，該第一方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第一方向加總座標，而該第二方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第二方向加總座標；其中，於該步驟(2)中，係採用該初始影像上之相對應於該第一方向加總座標與該第二方向加總座標上的像素值作為該至少一校正點之該像素值。
於一較佳實施例中，於該步驟(2)中，該初始影像之相對應於該第一方向加總座標與該第二方向加總座標上的像素值係由該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值差補而得。
於一較佳實施例中，該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
於一較佳實施例中，該類神經網路模型包括一輸入層、一隱藏層以及一輸出層，該隱藏層具有複數個神經元，且任一該神經元之一轉移函數係為一非線性函數；其中，該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第一方向參數組而輸出該第一方向校正點參數，而該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第二方向參數組而輸出該第二方向校正點參數；其中，該第一方向參數組包括一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組包括一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
於一較佳實施例中，該隱藏層具有四個神經元。
於一較佳實施例中，本發明亦提供一種影像形狀校正方法，其係利用一類神經網路模型對一初始影像遂行一影像形狀校正動作，以獲得具有至少一校正點之一校正影像，該影像形狀校正方法包括：(1)輸入該至少一校正點之位置坐標至該類神經網路模型，使該類神經網路模型輸出一座標校正量，並使該座標校正量 與該至少一校正點之位置坐標進行一算術運算以獲得一算術運算座標；以及(2)採用該初始影像上之相對應於該算術運算座標的像素值，作為該至少一校正點之一像素值(pixel)。
於一較佳實施例中，於該步驟(2)中，該初始影像之相對應於該算術運算座標座標的像素值係由該初始影像上之鄰近於該算術運算座標的複數個鄰近點之像素值差補而得。
於一較佳實施例中，該算術運算係為加法，且該算術運算座標係為一加總座標。
於一較佳實施例中，於該步驟(1)中，包括：(1-1)輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第一方向座標校正量，以及輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第二方向座標校正量；其中，該第一方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第一方向加總座標，而該第二方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第二方向加總座標；其中，於該步驟(2)中，包括：採用該初始影像上之相對應於該第一方向加總座標與該第二方向加總座標上的像素值作為該至少一校正點之該像素值。
於一較佳實施例中，該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該 第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
於一較佳實施例中，該類神經網路模型包括一輸入層、一隱藏層以及一輸出層，該隱藏層具有複數個神經元，且任一該神經元之一轉移函數係為一非線性函數；其中，該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第一方向參數組而輸出該第一方向座標校正量，而該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第二方向參數組而輸出該第二方向座標校正量；其中，該第一方向參數組包括一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組包括一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
於一較佳實施例中，該隱藏層具有四個神經元。
於一較佳實施例中，本發明亦提供一種影像形狀校正裝置，其係用以對一初始影像遂行一影像形狀校正動作，以獲得具有多個校正點之一校正影像，該影像形狀校正裝置包括：一資料儲存及控制單元，用以獲得每一該校正點之位置坐標、一第一方向參數組以及一第二方向參數組；一類神經網路運作單元，連接於該資料儲存及控制單元，並利用每一該校正點之位置坐標以及該第一方向參數組而產生輸出每一該校正點之一第一方向校正點參數，以及利用每一該校正點之位置坐標以及該第二方向參數組而產生輸出每一該校正點之一第二方向校正點參數；以及 一像素值運算單元，連接於該類神經網路運作單元，並利用每一該校正點之該第一方向校正點參數以及該第二方向校正點參數而由該初始影像上獲得每一該校正點之一像素值(pixel)。
於一較佳實施例中，該第一方向校正點參數以及該第二方向校正點參數係分別為一第一方向座標校正量以及一第二方向座標校正量。
於一較佳實施例中，每一該第一方向座標校正量係用以與相對應之該校正點之位置坐標相加，以獲得一第一方向加總座標，而每一該第二方向座標校正量係用以與相對應之該校正點之位置坐標相加，以獲得一第二方向加總座標；其中，像素值運算單元係利用每一該校正點之該第一方向加總座標以及該第二方向加總座標而由該變形圖形上獲得每一該校正點之該像素值。
於一較佳實施例中，該像素值運算單元包括一插補單元，用以差補該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值而獲得每一該校正點之該像素值。
於一較佳實施例中，該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
於一較佳實施例中，該類神經網路運作單元包括複 數個隱藏層神經元運算單元，且每一該隱藏層神經元運算單元包括一輸入運算單元以及一轉移函數運算單元；其中，該第一方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏層神經元運算單元的一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏層神經元運算單元的一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
於一較佳實施例中，該輸入運算單元以及該轉移函數運算單元係分別為一指數運算單元以及一非線性函數運算單元，且該指數運算單元係用以接收每一該校正點之位置坐標，而產生輸出一指數數值供該非線性函數運算單元使用；及/或該複數個隱藏層神經元運算單元係包括四個隱藏層神經元運算單元，抑或是該複數個隱藏層神經元運算單元係包括四個第一方向隱藏層神經元運算單元以及四個第二方向隱藏層神經元運算單元。
於一較佳實施例中，該非線性函數運算單元係包括一整數指數函數運算單元、一小數指數函數運算單元以及相連於該整數指數函數運算單元以及該小數指數函數運算單元之一乘法及整合運算單元，且該指數數值係包括一整數指數數值以及一小數指數數值；其中，該整數指數函數運算單元係接收該整數指數數值，並產生輸出一整數指數函數值，該小數指數函數運算單元係接收該小數指數數值，並產生輸出一小數指數函數值，而該乘法及整合運算單元係接收該整數指數函數值以及該小數指數函數值，並產生輸出該整數指數函數值以及該小數指數函數值之一乘 積及整合值。
於一較佳實施例中，該整數指數函數運算單元內係設置有一整數指數函數表，且該整數指數函數運算單元係於接收該整數指數數值後，依據該整數指數函數表而產生輸出該整數指數函數值。
於一較佳實施例中，該小數指數函數運算單元係包括一坐標旋轉數位計算器(CORDIC)，用以於該小數指數函數運算單元接收該小數指數數值後執行一指數運算；抑或是該小數指數函數運算單元內係設置有一小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表而產生輸出該小數指數函數值；抑或是該小數指數函數運算單元係係於接收該小數指數數值後，依據一泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係設置有該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表以及該泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係包括該坐標旋轉數位計算器以及該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該坐標旋轉數位計算器所執行之該指數計算以及該小數指數函數表而產生輸出該整數指數函數值。
於一較佳實施例中，該坐標旋轉數位計算器係用以對小於一預定數值之該小數指數數值執行該指數運算，而當該小數指數數值大於該預定數值時，該小數指數函數運算單元係依據該小數指數函數表而產生輸出該整數指數函數值。
於一較佳實施例中，影像形狀校正裝置係設置於一影像擷取裝置中或一影像投影裝置中；及/或該影像形狀校正裝置係藉由一現場可程式規劃邏輯閘陣列(FPGA)實現，抑或是該影像形狀校正裝置係藉由一超大型積體電路(VLSI)實現。
於一較佳實施例中，本發明亦提供一種影像形狀校正裝置，其係用以對一初始影像遂行一影像形狀校正動作，以獲得具有多個校正點之一校正影像，該影像形狀校正裝置包括：一資料儲存及控制單元，用以獲得每一該校正點之位置坐標以及一方向參數組；一類神經網路運作單元，連接於該資料儲存及控制單元，並利用每一該校正點之位置坐標以及該方向參數組而產生輸出每一該校正點之一座標校正量；一算術運算單元，連接於該類神經網路運作單元，用以對每一該校正點之位置坐標及其相對應之該座標校正量進行一算術運算，以獲得相對應於該複數個校正點之複數個算術運算座標；以及一像素值運算單元，連接於該算術運算單元，並利用該複數個算術運算座標而由該初始影像上獲得每一該校正點之一像素值(pixel)。
於一較佳實施例中，該算術運算係為加法，且該算術運算座標係為一加總座標。
於一較佳實施例中，該方向參數組包括一第一方向參數組以及一第二方向參數組，且每一該校正點之該座標校正量包括一第一方向座標校正量以及一第二方向座標校正量，而每一 該加總座標包括一第一方向加總座標以及一第二方向加總座標；其中，該類神經網路運作單元係利用每一該校正點之位置坐標以及該第一方向參數組而產生輸出每一該校正點之該第一方向座標校正量，以及利用每一該校正點之位置坐標以及該第二方向參數組而產生輸出每一該校正點之該第二方向座標校正量，而每一該第一方向座標校正量係用以與其相對應之該校正點之位置坐標進行相加，以獲得該第一方向加總座標，且每一該第二方向座標校正量係用以與其相對應之該校正點之位置坐標進行相加，以獲得該第二方向加總座標。
於一較佳實施例中，該像素值運算單元包括一插補單元，用以差補該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值而獲得每一該校正點之該像素值。
於一較佳實施例中，該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
於一較佳實施例中，該類神經網路運作單元包括複數個隱藏層神經元運算單元，且每一該隱藏層神經元運算單元包括一輸入運算單元以及一轉移函數運算單元；其中，該第一方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏 層神經元運算單元的一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏層神經元運算單元的一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
於一較佳實施例中，該輸入運算單元以及該轉移函數運算單元係分別為一指數運算單元以及一非線性函數運算單元，且該指數運算單元係用以接收每一該校正點之位置坐標，而產生輸出一指數數值供該非線性函數運算單元使用；及/或該複數個隱藏層神經元運算單元係包括四個隱藏層神經元運算單元，抑或是該複數個隱藏層神經元運算單元係包括四個第一方向隱藏層神經元運算單元以及四個第二方向隱藏層神經元運算單元。
於一較佳實施例中，該S形函數運算單元係包括一整數指數函數運算單元、一小數指數函數運算單元以及相連於該整數指數函數運算單元以及該小數指數函數運算單元之一乘法及整合運算單元，且該指數數值係包括一整數指數數值以及一小數指數數值；其中，該整數指數函數運算單元係接收該整數指數數值，並產生輸出一整數指數函數值，該小數指數函數運算單元係接收該小數指數數值，並產生輸出一小數指數函數值，而該乘法及整合運算單元係接收該整數指數函數值以及該小數指數函數值，並產生輸出該整數指數函數值以及該小數指數函數值之一乘積及整合值。
於一較佳實施例中，該整數指數函數運算單元內係設置有一整數指數函數表，且該整數指數函數運算單元係於接收 該整數指數數值後，依據該整數指數函數表而產生輸出該整數指數函數值。
於一較佳實施例中，該小數指數函數運算單元係包括一坐標旋轉數位計算器(CORDIC)，用以於該小數指數函數運算單元接收該小數指數數值後執行一指數運算；抑或是該小數指數函數運算單元內係設置有一小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係係於接收該小數指數數值後，依據一泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係設置有該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表以及該泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係包括該坐標旋轉數位計算器以及該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該坐標旋轉數位計算器所執行之該指數計算以及該小數指數函數表而產生輸出該整數指數函數值。
於一較佳實施例中，該坐標旋轉數位計算器係用以對小於一預定數值之該小數數值執行該指數運算，而當該小數數值大於該預定數值時，該小數指數函數運算單元係依據該小數指數函數表而產生輸出該整數指數函數值。
於一較佳實施例中，影像形狀校正裝置係設置於一影像擷取裝置中或一影像投影裝置中；及/或該影像形狀校正裝置係藉由一現場可程式規劃邏輯閘陣列(FPGA)實現，抑或是該影像 形狀校正裝置係藉由一超大型積體電路(VLSI)實現。
2‧‧‧標準圖形
3‧‧‧目標影像
4‧‧‧初始影像
5‧‧‧校正影像
6‧‧‧影像形狀校正裝置
6’‧‧‧影像形狀校正裝置
9‧‧‧影像擷取裝置
11‧‧‧輸入層
12‧‧‧隱藏層
13‧‧‧輸出層
21‧‧‧標準點
31‧‧‧目標點
51‧‧‧校正點
61‧‧‧資料儲存及控制單元
62‧‧‧類神經網路運作單元
62A‧‧‧第一類神經網路運作單元
62B‧‧‧第二類神經網路運算單元
63‧‧‧算術運算單元
64‧‧‧像素值運算單元
121‧‧‧神經元
621‧‧‧隱藏層神經元運算單元
621A‧‧‧第一方向隱藏層神經元運算單元
621B‧‧‧第二方向隱藏層神經元運算單元
622‧‧‧輸出層運算單元
641‧‧‧插補單元
6211‧‧‧輸入運算單元
6212‧‧‧轉移函數運算單元
6213‧‧‧整數指數函數運算單元
6214‧‧‧小數指數函數運算單元
6215‧‧‧乘法及整合運算單元
6216‧‧‧整數指數函數表
6217‧‧‧坐標旋轉數位計算器
6218‧‧‧小數指數函數表
A1‧‧‧步驟
A2‧‧‧步驟
P1‧‧‧步驟
P2‧‧‧步驟
P3‧‧‧步驟
Q1‧‧‧步驟
Q2‧‧‧步驟
Q3‧‧‧步驟
‧‧‧第一方向偏壓值
‧‧‧第一方向偏壓值
‧‧‧第一方向偏壓值
‧‧‧第一方向偏壓值
‧‧‧第二方向偏壓值
‧‧‧第二方向偏壓值
‧‧‧第二方向偏壓值
‧‧‧第二方向偏壓值
dx u ‧‧‧第一方向座標校正量
dy u ‧‧‧第二方向座標校正量
‧‧‧第一橫向位置坐標權重
‧‧‧第一橫向位置坐標權重
‧‧‧第一橫向位置坐標權重
‧‧‧第一橫向位置坐標權重
‧‧‧第一縱向位置坐標權重
‧‧‧第一縱向位置坐標權重
‧‧‧第一縱向位置坐標權重
‧‧‧第一縱向位置坐標權重
‧‧‧第二橫向位置坐標權重
‧‧‧第二橫向位置坐標權重
‧‧‧第二橫向位置坐標權重
‧‧‧第二橫向位置坐標權重
‧‧‧第二縱向位置坐標權重
‧‧‧第二縱向位置坐標權重
‧‧‧第二縱向位置坐標權重
‧‧‧第二縱向位置坐標權重
(x u ,y u )‧‧‧校正點的位置座標
(x v ,y v )‧‧‧算術運算座標
f(N xk )‧‧‧非線性函數的數值
f(N x1)‧‧‧非線性函數的數值
f(N x2)‧‧‧非線性函數的數值
f(N x3)‧‧‧非線性函數的數
f(N x4)‧‧‧非線性函數的數值
f(N yk )‧‧‧非線性函數的數值
f(N y1)‧‧‧非線性函數的數值
f(N y2)‧‧‧非線性函數的數值
f(N y3)‧‧‧非線性函數的數值
f(N y4)‧‧‧非線性函數的數值
index_int xk ‧‧‧整數指數數值
index_frac xk ‧‧‧小數指數數值
index_int yk ‧‧‧整數指數數值
index_frac yk ‧‧‧小數指數數值
exp(index_int xk )‧‧‧整數指數函數值
exp(index_int yk )‧‧‧整數指數函數值
exp(index_frac xk )‧‧‧小數指數函數值
exp(index_frac yk )‧‧‧小數指數函數值
‧‧‧第一方向參數組
‧‧‧第一方向參數組
‧‧‧第一方向參數組
‧‧‧第一方向參數組
‧‧‧第一方向參數組
‧‧‧第二方向參數組
‧‧‧第二方向參數組
‧‧‧第二方向參數組
‧‧‧第二方向參數組
‧‧‧第二方向參數組
圖1：係為本發明影像形狀校正方法於一較佳實施例中之流程方塊示意圖。
圖2：係為圖1所示影像形狀校正方法之一較佳離線訓練(off-line)流程方塊示意圖。
圖3：係為圖1所述形狀校正方法之類神經網路模型於第一方向上的架構示意圖。
圖4：係為圖1所述形狀校正方法之類神經網路模型於第二方向上的架構示意圖。
圖5：係為圖2所述標準圖形之概念示意圖。
圖6：係為圖2所述目標影像之概念示意圖。
圖7：係為為圖2所述標準點與相對應之複數目標點的相對位置關係示意圖。
圖8：係圖1所示影像形狀校正方法之一較佳校正流程方塊示意圖。
圖9：係為圖8所述初始影像之概念示意圖。
圖10：係為圖8所述校正影像之概念示意圖。
圖11：係為一較佳應用本案影像形狀校正方法之影像形狀校正裝置的概念方塊示意圖。
圖12：係為圖11所示類神經網路運作單元於一較佳實施態樣的概念方塊示意圖。
圖13：係為圖12所示隱藏層神經元運算單元於一較佳實施態樣的概念方塊示意圖。
圖14：係為另一較佳應用本案影像形狀校正方法之影像形狀校正裝置的概念方塊示意圖。
圖15：係為圖14所示第一類神經網路運作單元於一較佳實施態樣的概念方塊示意圖。
圖16：係為圖15所示第一隱藏層神經元運算單元於一較佳實施態樣的概念方塊示意圖。
圖17：係為圖14所示第二類神經網路運作單元於一較佳實施態樣的概念方塊示意圖。
圖18：係為圖17所示第二隱藏層神經元運算單元於一較佳實施態樣的概念方塊示意圖。
圖19：係為影像擷取裝置於一較佳實施例之示意圖。
請參閱圖1，其為本發明影像形狀校正方法於一較佳實施例中之流程方塊示意圖。本案影像形狀校正方法係利用一類神經網路模型對一初始影像進行影像形狀校正，藉此以獲得一校正影像，包括：(A1)以一離線訓練(off-line)流程訓練類神經網路模型的第一方向參數組以及第二方向參數組；(A2)利用類神經網路模型及其中的第一方向參數組以及第二方向參數組對一初始影像進行影像形狀校正，以獲得一校 正影像。
於本文中，初始影像所指的是由一影像擷取裝置9(參見圖19)所拍攝而得的一變形影像，但不以此為限，如其亦可為被輸入至一影像投影裝置並欲藉由影像投影裝置而向外投射的一待校正影像。
請參閱圖2~圖7，圖2為圖1所示影像形狀校正方法之一較佳離線訓練(off-line)流程方塊示意圖，圖3為圖1所述形狀校正方法之類神經網路模型於第一方向上的架構示意圖，圖4為圖1所述形狀校正方法之類神經網路模型於第二方向上的架構示意圖，圖5為圖2所述標準圖形之概念示意圖，圖6為圖2所述目標影像之概念示意圖，圖7為圖2所述標準點與相對應之複數目標點的相對位置關係示意圖。
於本較佳實施例中，類神經網路模型係為三層神經元121結構的網路模型，依序包括一輸入層11、一隱藏層12以及一輸出層13，須特別說明的是，本較佳實施例中之隱藏層12僅具有四個神經元121，即可令本案影像形狀校正方法據以實施，但並不以上述為限，熟知本技藝人士可視實際應用需求而選取適當的神經元121數量。又，本較佳離線訓練流程如下：(P1)利用影像擷取裝置9對具有複數標準點21的標準圖形2進行拍攝，以獲得具有對應於複數標準點21之複數目標點31的目標影像3；其中，該些標準點21的數量以及該些目標點31的數量為n1×n2個，且該些標準點21的位置坐標為~，而該些目標點31的位置坐標為 ~。於本較佳實施例中，標準圖形2係形成在一校 正板上，但不以此為限，此外，標準圖形2以及目標影像3亦不侷限由上述方式獲得；(P2)提供每一標準點21之位置坐標~以及每一標準點21與其相對應之目標點31之間的第一方向座標變化量~予類神經網路模型，以訓練及獲得類神經網路模型中的第一方向參數組、、、；其中，、i=1~n 1，且,W x21,W x31,W x41為第一橫向位置坐標權重，,W x22,W x32,W x42為第一縱向位置坐標權重，而,b x2,b x3,b x4為第一方向偏壓值；(P3)提供每一標準點21之位置坐標~以及每一標準點21與其相對應之目標點31之間的第二方向座標變化量~予類神經網路模型，以訓練及獲得類神經網路模型中的第二方向參數組、、、；其中，、j=1~n 2，且,W y21,W y31,W y41為第二橫向位置坐標權重，,W y22,W y32,W y42為第二縱向位置坐標權重，而,b y2,b y3,b y4為第二方向偏壓值。
詳言之，於步驟(P2)中(對應於圖3)，類神經網路模型中的輸入層11是用以供該些標準點21的位置坐標~依序輸入其中，並予以朝隱藏層12的方向傳輸；又，隱藏層12中之任一神經元121的轉移函數係為非線性函數，於本較佳實施例中，該些神經元121的轉移函數分別為S形函數，但不以此為限，熟知本技藝人士可依據實際應用需求而變更為其他的非線性函數。
進一步而言，當輸入至輸入層11的位置坐標為 (x c ,y c )時，上述S形函數的數值f(N x1)~f(N x4)係表示如下， k=1~4；又，從隱藏層12之該些神經元121所獲得之S形函數數值f(N x1)~f(N x4)則用以朝輸出層13的方向傳輸，並接著依據輸出層13所獲得的數值與相對應於位置坐標(x c ,y c )的第一方向座標變化量dx進行比對，藉此以進一步調整第一方向參數組、、、；而經由多次的將該些標準點21的位置坐標~輸入至類神經網路模型對第一方向參數組、、、進行訓練，即可使第一方向參數組、、、學習出適當的數值。
再者，於步驟(P3)中(對應於圖4)，類神經網路模型中的輸入層11是用以供該些標準點21的位置坐標~依序輸入其中，並予以朝隱藏層12的方向傳輸；又，隱藏層12中之任一神經元121的轉移函數係為非線性函數，於本較佳實施例中，該些神經元121的轉移函數分別為S形函數，但不以此為限，熟知本技藝人士可依據實際應用需求而變更為其他的非線性函數。
進一步而言，當輸入至輸入層11的位置坐標為 (x c ,y c )時，上述S形函數的數值f(N y1)~f(N y4)係表示如下， k=1~4；再者，從隱藏層12之該些神經元121所獲得之S形函數的數值f(N y1)~f(N y4)則用以朝輸出層13的方向傳輸，並接著依據輸出層13所獲得的數值與相對應於位置坐標(x c ,y c )的第二方向座標變化量dy進行比對，藉此以進一步調整第二方向參數組、、、；而經 由多次的將該些標準點21的位置坐標~輸入至類神經網路模型對第二方向參數組、、 、進行訓練，即可使第二方向參數組 、、、學習出適當的數值。
又，當類神經網路模型的第一方向參數組、、、以及第二方向參數組、、、完成離線訓練後，經由影像擷取裝置9所拍攝而得的任一初始影像4(參見圖9)就能夠透過類神經網路模型被校正為校正影像5(參見圖10，即非變形的影像)，此將於稍後詳述。
補充說明的是，雖然上述離線訓練流程中所述的第一方向以及第二方向分別為橫向(即x軸方向)以及縱向(即y軸方 向)，第一方向座標變化量以及第二方向座標校正量分別為橫向座標校正量(即x軸方向坐標校正量)以及縱向座標校正量(即y軸方向坐標校正量)，且第一方向參數組以及第二方向參數組分別為橫向參數組(即x軸方向參數組)以及縱向參數組(即y軸方向參數組)，但並不以此為限；如其亦可顛倒為第一方向以及第二方向分別為縱向以及橫向，第一方向座標變化量以及第二方向座標變化量分別為縱向座標變化量以及橫向座標變化量，且第一方向參數組以及第二方向參數組分別為縱向參數組以及橫向參數組；也就是說，在進行離線訓練的流程中，亦可先訓練類神經網路模型中的y軸方向參數組，再訓練類神經網路模型中的x軸方向參數組。
請參閱圖8~圖10，圖8為圖1所示影像形狀校正方法之一較佳校正流程方塊示意圖，圖9為圖8所述初始影像之概念示意圖，圖10為圖8所述校正影像之概念示意圖。其中，校正影像5上具有複數校正點51，且任一校正點51係透過下述校正流程而獲得正確的像素值(pixel)，校正流程如下：(Q1)輸入校正影像5上之一校正點51的位置座標至類神經網路模型，使類神經網路模型輸出相對應於該校正點51的一第一方向校正點參數；(Q2)輸入校正影像5上之該校正點51的位置座標至類神經網路模型，使類神經網路模型輸出相對應於該校正點51的一第二方向校正點參數；(Q3)採用初始影像4上之相對應於第一方向校正點參數以及第二方向校正點參數的像素值作為該校正點51的像素值。
詳言之，以校正影像5上之位置座標為(x u ,y u )的校正 點51為例，於步驟(Q1)中之類神經網路模型係依據第一方向參數組、、、而產生輸出第一方向校正點參數，且於本較佳實施例中，第一方向校正點參數係為第一方向座標校正量dx u ；而步驟(Q2)中之類神經網路模型係依據第二方向參數組、、 、而產生輸出第二方向校正點參數，且於本較佳實施例中，第二方向校正點參數係為第二方向座標校正量dy u 。
再者，第一方向座標校正量dx u 係用以與校正點51的第一方向位置座標x u 進行算術運算，以獲得一第一方向算術運算座標x v ；而第二方向座標校正量dy u 係用以與校正點51的第二方向位置座標y u 進行算術運算，以獲得一第二方向算術運算座標y v ；於本較佳實施例中，算術運算係為加法運算，故第一方向算術運算座標x v 以及第二方向算術運算座標y v 係分別為一第一方向加總座標以及一第二方向加總座標，並可被表示為(x v ,y v )=(x u +dx u ,y u +dy u )。
又，於步驟(Q3)中，較佳者，係採用初始影像4中之算術運算座標(x v ,y v )上的像素值作為校正影像5上之位置座標為(x u ,y u )之校正點51的像素值；次佳者，則對鄰近於初始影像4中之算術運算座標(x v ,y v )的複數個鄰近點的像素值作差補動作，進而獲得校正影像5上之位置座標為(x u ,y u )之校正點51的像素值。
由以上說明可知，校正影像5上的任一校正點51皆可透過步驟(Q1)~步驟(Q3)的流程而獲得正確的像素值，而當所有的校正點51都獲得正確的像素值後，就完成了非變形的影像。
此外，雖然上述校正流程中，第一方向校正點參數以及第二方向校正點參數分別為橫向校正點參數(即x軸方向座標校正量)以及縱向校正點參數(即y軸方向座標校正量)，第一方向參數組以及第二方向參數組分別為橫向參數組(即x軸方向參數組)以及縱向參數組(即y軸方向參數組)，第一方向位置座標以及第二方向位置坐標分別為橫向位置坐標(即x軸方向位置坐標)以及縱向位置坐標(即y軸方向位置坐標)，且第一方向算術運算座標以及第二方向算術運算座標分別為橫向算術運算座標(即x軸方向加總座標)以及縱向算術運算座標(即y軸方向加總座標)，但並不以此為限；如其亦可顛倒為第一方向校正點參數以及第二方向校正點參數分別為縱向校正點參數以及橫向校正點參數，第一方向參數組以及第二方向參數組分別為縱向參數組以及橫向參數組，第一方向位置座標以及第二方向位置坐標分別為縱向位置坐標以及橫向位置坐標，且第一方向算術運算座標以及第二方向算術運算座標分別為縱向算術運算座標以及橫向算術運算座標；也就是說，在進行校正的流程中，為求得校正影像5上之任一校正點51的像素值，亦可先透過類神經網路模型求得y軸方向座標校正量，再透過類神經網路模型求得x軸方向座標校正量；當然，亦可變更設計為，以並行的方式透過類神經網路模型同時且分別求得x軸方向座標校正量以及y軸方向座標校正量。
特別說明的是，本案影像形狀校正方法的發明精神在於：(1)以降微處理的方式建構類神經網路模型，也就是說，使經由類神經網路模型輸出的是單一方向的校正點參數，如x軸方向校正點參數或y軸方向校正點參數，這與習知類神經網路模型 所輸出的是包含有兩個方向(x軸方向以及y軸方向)的校正點參數不同，如此降維的好處是能夠有效減少隱藏層12之神經元121的數量，進而降低成本與空間使用量；(2)經由類神經網路模型輸出的是一數值校正量(如第一方向座標校正量dx u 或第二方向座標校正量dy u )，且這樣的數值變化量是用來與輸入至類神經網路模型的位置坐標進行算術運算，如加法運算，這與習知類神經網路模型直接輸出第一方向算術運算座標x v (即x軸方向加總座標)以及第二方向算術運算座標y v (即y軸方向加總座標)不同，如此作法的好處亦是能夠有效減少隱藏層12之神經元121的數量，進而降低成本與空間使用量。而根據以上2點所述，本案影像形狀校正方法僅需於類神經網路模型中的隱藏層12設置四個神經元121，即能夠使本案影像形狀校正方法據已實施。惟，類神經網路模型中之隱藏層12的神經元121數量並不以此為限，熟知本技藝人士皆可依據實際應用需求而進行任何均等的變更設計。
請參閱圖11~圖13，圖11為一較佳應用本案影像形狀校正方法之影像形狀校正裝置的概念方塊示意圖，圖12為圖11所示類神經網路運作單元於一較佳實施態樣的概念方塊示意圖，圖13為圖12所示隱藏層神經元運算單元於一較佳實施態樣的概念方塊示意圖。
影像形狀校正裝置6包括資料儲存及控制單元61、類神經網路運作單元62、算術運算單元63以及像素值運算單元64；於本較佳實施例中，影像形狀校正裝置6係可藉由一現場可程式規劃邏輯閘陣列(FPGA)實現，或藉由一超大型積體電路(VLSI)實現，但並不以此為限，熟悉本技藝人士皆可依據本案之教示而 採用其他類型的可程式邏輯裝置或積體電路來實現。
再者，資料儲存及控制單元61係用以獲得每一校正點51的位置坐標、第一方向參數組、、、以及第二方向參數組組、 、、，且第一方向參數組 、、、以及第二方向參數組、、、係可透過資料儲存及控制單元61本身經由圖2所述的離線訓練流程而算得，抑或是可透過與資料儲存及控制單元61相連之一前置運算單元(圖中未標示)經由圖2所述的離線訓練流程而算得。
又，類神經網路運作單元62係連接於資料儲存及控制單元61，並用以於接收每一校正點51的位置坐標、第一方向參數組、、、以及 第二方向參數組、、、後，計算出相對應於每一校正點51的第一方向校正點參數以及第二方向校正點參數並予以輸出；其中，相對應於每一校正點51的第一方向校正點參數以及第二方向校正點參數係可分別經由圖8所述之步驟(Q1)以及步驟(Q2)而算得。
詳言之，類神經網路運作單元62係包括數量相當於類神經網路模型中之隱藏層12之神經元121數目的隱藏層神經元運算單元621以及輸出層運算單元622，且每一隱藏層神經元運算單元621包括一輸入運算單元6211以及一轉移函數運算單元6212；於本較佳實施態樣中，隱藏層神經元運算單元621的數量 為四個，且輸入運算單元6211以及轉移函數運算單元6212係分別為指數運算單元以及非線性函數運算單元。
再者，轉移函數運算單元6212係連接於輸入運算單元6211以及輸出層運算單元622之間，輸入運算單元6211用以於接收校正點51之位置坐標後依據第一方向參數組、、、而相對應產生輸出指數數值index xk 供轉移函數運算單元6212使用，以及用以於接收校正點51之位置坐標後依據第二方向參數組、、、而相對應產生輸出指數數值index yk 供轉移函數運算單元6212使用；其中，指數數值index xk 、index yk 係為S形函數的指數，亦即index xk =-γN xk ，index yk =-γN yk ，k=1~4；其次，指數數值index xk 可被分為整數指數數值index_int xk 以及小數指數數值index_frac xk ，且指數數值index yk 可被分為整數指數數值index_int yk 以及小數指數數值index_frac yk 。
又，轉移函數運算單元6212係包括整數指數函數運算單元6213、小數指數函數運算單元6214以及相連於整數指數函數運算單元6213以及小數指數函數運算單元6214的乘法及整合運算單元6215；其中，整數指數函數運算單元6213係用以於接收整數指數數值index_int xk 後，相對應產生輸出整數指數函數值exp(index_int xk )，以及用以於接收整數指數數值index_int yk 後，相對應產生輸出整數指數函數值exp(index_int yk )；且小數指數函數運算單元6214則用以於接收小數指數數值index_frac xk 後，相對應產生輸出小數指數函數值exp(index_frac xk )，以及用以於接收小數指數 數值index_frac yk 後，相對應產生輸出小數指數函數值exp(index_frac yk )。
又，乘法及整合運算單元6215係用以於接收整數指數函數值exp(index_int xk )以及小數指數函數值exp(index_frac xk )後，計算出整數指數函數值exp(index_int xk )以及小數指數函數值exp(index_frac xk )的乘積值exp(index xk )，以進而產生輸出非線性函數的數值f(N xk )，以及用以於接收整數指數函數值exp(index_int yk )以及小數指數函數值exp(index_frac yk )後，計算出整數指數函數值exp(index_int yk )以及小數指數函數值exp(index_frac yk )的乘積值exp(index yk )，以進而產生輸出非線性函數的數值f(N yk )。此外，為了簡化硬體上的運作，非線性函數的數值f(N xk )、f(N yk )可作簡化的變更設計。
於本較佳實施態樣中，整數指數函數運算單元6213內設置有整數指數函數表6216，且整數指數函數表6216係包括多個整數指數數值index_int xk 以及多個整數指數函數值exp(index_int xk )之間的對應關係，以及包括多個整數指數數值index_int yk 以及多個整數指數函數值exp(index_int yk )之間的對應關係；是以，當整數指數函數運算單元6213接收了整數指數數值index_int xk 時，能夠直接透過查表的方式尋找出相對應之整數指數函數值exp(index_int xk )並予以輸出，以及當整數指數函數運算單元6213接收了整數指數數值index_int yk 時，能夠直接透過查表的方式尋找出相對應之整數指數函數值exp(index_frac yk )並予以輸出。
又，於本較佳實施態樣中，小數指數函數運算單元6214包括坐標旋轉數位計算器(CORDIC)6217，用以於小數指數函 數運算單元6214接收小數指數數值index_frac xk 後執行指數運算，以求得小數指數函數值exp(index_frac xk )，以及用以於小數指數函數運算單元6214接收小數指數數值index_frac yk 後執行指數運算，以求得小數指數函數值exp(index_frac yk )，惟坐標旋轉數位計算器6217的運作原理應為熟悉本技藝人士所知悉，在此就不再予以贅述。
此外，由於坐標旋轉數位計算器6217對部分數值的小數指數數值index_frac xk 進行指數運算時會產生一定程度的誤差，故於本較佳實施態樣中，為了降低該程度的誤差而設計在小數指數函數運算單元6214內設置小數指數函數表6218，且小數指數函數表6218係包括多個小數指數數值index_frac xk 以及多個小數指數函數值exp(index_frac xk )之間的對應關係，以及包括多個整數指數數值index_frac yk 以及多個整數指數函數值exp(index_frac yk )之間的對應關係；其中，當小數指數函數運算單元6214所接收之小數指數數值index_frac xk 小於一預定數值時，則透過坐標旋轉數位計算器6217求得小數指數函數值exp(index_frac xk )，而當小數指數函數運算單元6214所接收之小數指數數值index_frac xk 大於該預定數值時，則直接過查表的方式尋找出相對應之小數指數函數值exp(index_frac xk )；同樣地，當小數指數函數運算單元6214所接收之小數指數數值index_frac yk 小於該預定數值時，則透過坐標旋轉數位計算器6217求得小數指數函數值exp(index_frac yk )，而當小數指數函數運算單元6214所接收之小數指數數值index_frac yk 大於該預定數值時，則直接過查表的方式尋找出相對應之小數指數函數值exp(index_frac yk )；於本較佳實施態樣中，該預定數值係為0.25， 但不以此為限。
此外，雖然本較佳實施態樣中是利用坐標旋轉數位計算器6217及/或小數指數函數表6218來執行指數運算，然其僅為一種實施態樣，熟知本技藝人士亦可依據實際應用需求而進行任何均等的變更設計。舉例來說，可變更設計為，小數指數函數運算單元6214係依據一泰勒展開式來執行指數運算，其中，泰勒展開式的運作原理係為熟悉本技藝人士所知悉，在此就不再予以贅述；再舉例來說，可變更設計為，小數指數函數運算單元6214是同時利用小數指數函數表6218以及泰勒展開式來執行指數運算。
再者，輸出層運算單元622則用以於接收每一隱藏層神經元運算單元621所輸出之非線性函數的數值f(N xk )後，相對應產生輸出第一方向校正點參數，以及用以於接收每一隱藏層神經元運算單元621所輸出之非線性函數的數值f(N yk )後，相對應產生輸出第二方向校正點參數。
其次，算術運算單元63連接於類神經網路運作單元62，用以對類神經網路運作單元62所輸出之第一方向校正點參數及其相對應之校正點51的第一方向位置坐標進行算術運算，以及用以對類神經網路運作單元62所輸出之第二方向校正點參數及其相對應之校正點51的第二方向位置坐標進行算術運算，以進而獲得所需的算術運算座標。
最後，連接於算術運算單元63的像素值運算單元64，則用以執行圖8所述校正流程中的步驟(Q3)，也就是負責採用初始影像4上之相對應於算術運算座標的像素值作為校正影像 5上之校正點51的像素值。
詳言之，以前述對圖8之流程說明中所舉的例子來說，當校正點51的位置坐標為(x u ,y u )時，類神經網路運作單元62係用以求得第一方向座標校正量dx u 以及第二方向座標校正量dy u 並予以輸出，而算術運算單元63則進一步對第一方向座標校正量dx u 及其相對應之校正點51的第一方向位置座標x u 進行加法運算，以獲得第一方向算術運算座標x v (即第一方向加總座標x u +dx u )，以及進一步對第二方向座標校正量dy u 及其相對應之校正點51的第二方向位置座標y u 進行加法運算，以獲得第二方向算術運算座標y v (即第二方向加總座標y u +dy u )。
最後，像素值運算單元64係採用初始影像4中之算術運算座標(x v ,y v )上的像素值作為位置座標為(x u ,y u )之校正點51的像素值。於本較佳實施態樣中，像素值運算單元64還包括一插補單元641，用以對鄰近於初始影像4中之算術運算座標(x v ,y v )的複數個鄰近點的像素值作差補動作，進而獲得位置座標為(x u ,y u )之校正點51的像素值。
請參閱圖14~圖18，圖14為另一較佳應用本案影像形狀校正方法之影像形狀校正裝置的概念方塊示意圖，圖15為圖14所示第一類神經網路運作單元於一較佳實施態樣的概念方塊示意圖，圖16為圖15所示第一隱藏層神經元運算單元於一較佳實施態樣的概念方塊示意圖，圖17為圖14所示第二類神經網路運作單元於一較佳實施態樣的概念方塊示意圖，圖18為圖17所示第二隱藏層神經元運算單元於一較佳實施態樣的概念方塊示意圖。
其中，本影像形狀校正裝置6’大致類似於前述影像形狀校正裝置6，在此即不再予以贅述，而本影像形狀校正裝置6’與前述影像形狀校正裝置6的不同之處在於，前述影像形狀校正裝置6係使用單一類神經網路運作單元62來執行圖8所述校正流程中的步驟(Q1)以及步驟(Q2)，而本影像形狀校正裝置6’則是利用二個類神經網路運作單元62A、62B來分別執行圖8所述校正流程中的步驟(Q1)以及步驟(Q2。
進一步而言，於本較佳實施態樣中，影像形狀校正裝置6’包括第一類神經網路運作單元62A以及第二類神經網路運算單元62B，且第一類神經網路運作單元62A係包括四個第一方向隱藏層神經元運算單元621A，而第二類神經網路運作單元62係包括四個第二方向隱藏層神經元運算單元621B，如此一來，圖8所述校正流程中的步驟(Q1)以及步驟(Q2)可被同步執行。
根據以上的說明可知，本案影像形狀校正裝置6、6’係可設置在影像擷取裝置9中來矯正其所拍攝而得之影像，而熟知本技藝人士皆可由以上說明所獲得之啟示，而將本案影像形狀校正方法及影像形狀校正裝置6、6’應用於影像投影裝置中，也就是可依據實際應用需求而透過本案方法與裝置來調整欲藉由影像投影裝置投射出來之影像的形狀。
以上所述僅為本發明之較佳實施例，並非用以限定本發明之申請專利範圍，因此凡其它未脫離本發明所揭示之精神下所完成之等效改變或修飾，均應包含於本案之申請專利範圍內。
A1‧‧‧步驟
A2‧‧‧步驟

Claims (42)

  1. 一種影像形狀校正方法，包括：(1)提供一標準圖形以及一目標影像；其中該標準圖形具有複數標準點，而該目標影像具有對應於該複數標準點之複數目標點；(2)提供每一該標準點之位置坐標以及每一該標準點與其相對應之該目標點之間的一第一方向座標變化量予一類神經網路模型，以訓練及獲得該類神經網路模型中之一第一方向參數組，以及提供每一該標準點之位置坐標以及每一該標準點與其相對應之該目標點之間的一第二方向座標變化量予該類神經網路模型，以訓練及獲得該類神經網路模型中之一第二方向參數組；以及(3)利用該類神經網路模型及其中之該第一方向參數組以及該第二方向參數組對一初始影像進行影像形狀校正，以獲得一校正影像；其中，該類神經網路模型包括一輸入層、一隱藏層以及一輸出層，且該隱藏層具有複數個神經元；其中，任一該神經元之一轉移函數係為一非線性函數，且該第一方向參數組係包括對應於該隱藏層之至少一該神經元的一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組係包括對應於該隱藏層之至少一該神經元的一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
  2. 如申請專利範圍第1項所述之影像形狀校正方法，其中於該步驟(1)中，包括：利用一影像擷取裝置對該標準圖形進行拍攝，以獲得該目標影像；其中，於該步驟(3)中，該初始影像係透過該影像擷取裝置拍攝而獲得。
  3. 如申請專利範圍第1項所述之影像形狀校正方法，其中該校正影像上具有至少一校正點，且於該步驟(3)中，包括：(3-1)輸入該至少一校正點之位置坐標至該類神經網路模型，使該類神經網路模型依據該第一方向參數組而輸出一第一方向座標校正量；其中，該第一方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第一方向加總座標；(3-2)輸入該至少一校正點之位置坐標至該類神經網路模型，使該類神經網路模型依據該第二方向參數組而輸出一第二方向座標校正量；其中，該第二方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第二方向加總座標；以及(3-3)採用該初始影像之相對應於該第一方向加總座標與該第二方向加總座標上的像素值作為該至少一校正點之該像素值(pixel)。
  4. 如申請專利範圍第3項所述之影像形狀校正方法，其中於該步驟(3-3)中，該初始影像之相對應於該第一方向加總座標與該第二方向加總座標上的像素值係由該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值差補而得。
  5. 如申請專利範圍第3項所述之影像形狀校正方法，其中該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
  6. 如申請專利範圍第1項所述之影像形狀校正方法，其中該隱藏層具有四個神經元。
  7. 一種影像形狀校正方法，其係利用一類神經網路模型對一初始影像遂行一影像形狀校正動作，以獲得具有至少一校正點之一校正影像，該影像形狀校正方法包括：(1)輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第一方向校正點參數，以及輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第二方向校正點參數；以及(2)採用該初始影像上之相對應於該第一方向校正點參數以及該第二方向校正點參數的像素值作為該至少一校正點之一像素值(pixel)；其中，該類神經網路模型包括一輸入層、一隱藏層以及一輸出層，該隱藏層具有複數個神經元，且任一該神經元之一轉移函數係為一非線性函數；其中，該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第一方向參數組而輸出該第一方向校正點參數，而該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第二方向參數組而輸出該第二方向校正點參數；其中，該第一方向參數組包括一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組包括一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
  8. 如申請專利範圍第7項所述之影像形狀校正方法，其中該第一方向校正點參數以及該第二方向校正點參數係分別為一第一方向座標校正量以及一第二方向座標校正量。
  9. 如申請專利範圍第8項所述之影像形狀校正方法，其中該第一方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第一方向加總座標，而該第二方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第二方向加總座標；其中，於該步驟(2)中，係採用該初始影像上之相對應於該第一方向加總座標與該第二方向加總座標上的像素值作為該至少一校正點之該像素值。
  10. 如申請專利範圍第9項所述之影像形狀校正方法，其中於該步驟(2)中，該初始影像之相對應於該第一方向加總座標與該第二方向加總座標上的像素值係由該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值差補而得。
  11. 如申請專利範圍第9項所述之影像形狀校正方法，其中該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
  12. 如申請專利範圍第7項所述之影像形狀校正方法，其中該隱藏層具有四個神經元。
  13. 一種影像形狀校正方法，其係利用一類神經網路模型對一初始影像遂行一影像形狀校正動作，以獲得具有至少一校正點之一校正影像，該影像形狀校正方法包括： (1)輸入該至少一校正點之位置坐標至該類神經網路模型，使該類神經網路模型輸出一座標校正量，並使該座標校正量與該至少一校正點之位置坐標進行一算術運算以獲得一算術運算座標；以及(2)採用該初始影像上之相對應於該算術運算座標的像素值，作為該至少一校正點之一像素值(pixel)；其中，該類神經網路模型包括一輸入層、一隱藏層以及一輸出層，該隱藏層具有複數個神經元，且任一該神經元之一轉移函數係為一非線性函數；其中，該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第一方向參數組而輸出該第一方向座標校正量，而該類神經網路模型係至少依據對應於該隱藏層之至少一該神經元的一第二方向參數組而輸出該第二方向座標校正量；其中，該第一方向參數組包括一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組包括一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
  14. 如申請專利範圍第13項所述之影像形狀校正方法，其中於該步驟(2)中，該初始影像之相對應於該算術運算座標座標的像素值係由該初始影像上之鄰近於該算術運算座標的複數個鄰近點之像素值差補而得。
  15. 如申請專利範圍第13項所述之影像形狀校正方法，其中該算術運算係為加法，且該算術運算座標係為一加總座標。
  16. 如申請專利範圍第15項所述之影像形狀校正方法，其中，於該步驟(1)中，包括：(1-1)輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第一方向座標校正 量，以及輸入該至少一校正點之位置座標至該類神經網路模型，使該類神經網路模型輸出一第二方向座標校正量；其中，該第一方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第一方向加總座標，而該第二方向座標校正量係用以與該至少一校正點之位置坐標相加，以獲得一第二方向加總座標；其中，於該步驟(2)中，包括：採用該初始影像上之相對應於該第一方向加總座標與該第二方向加總座標上的像素值作為該至少一校正點之該像素值。
  17. 如申請專利範圍第16項所述之影像形狀校正方法，其中該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
  18. 如申請專利範圍第13項所述之影像形狀校正方法，其中該隱藏層具有四個神經元。
  19. 一種影像形狀校正裝置，其係用以對一初始影像遂行一影像形狀校正動作，以獲得具有多個校正點之一校正影像，該影像形狀校正裝置包括：一資料儲存及控制單元，用以獲得每一該校正點之位置坐標、一第一方向參數組以及一第二方向參數組；一類神經網路運作單元，連接於該資料儲存及控制單元，並利用每一該校正點之位置坐標以及該第一方向參數組而產生輸出每一該校正點之一第一方向校正點參數，以 及利用每一該校正點之位置坐標以及該第二方向參數組而產生輸出每一該校正點之一第二方向校正點參數；以及一像素值運算單元，連接於該類神經網路運作單元，並利用每一該校正點之該第一方向校正點參數以及該第二方向校正點參數而由該初始影像上獲得每一該校正點之一像素值(pixel)。
  20. 如申請專利範圍第22項所述之影像形狀校正裝置，其中該第一方向校正點參數以及該第二方向校正點參數係分別為一第一方向座標校正量以及一第二方向座標校正量。
  21. 如申請專利範圍第20項所述之影像形狀校正裝置，其中每一該第一方向座標校正量係用以與相對應之該校正點之位置坐標相加，以獲得一第一方向加總座標，而每一該第二方向座標校正量係用以與相對應之該校正點之位置坐標相加，以獲得一第二方向加總座標；其中，像素值運算單元係利用每一該校正點之該第一方向加總座標以及該第二方向加總座標而由該變形圖形上獲得每一該校正點之該像素值。
  22. 如申請專利範圍第21項所述之影像形狀校正裝置，其中該像素值運算單元包括一插補單元，用以差補該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值而獲得每一該校正點之該像素值。
  23. 如申請專利範圍第21項所述之影像形狀校正裝置，其中該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以 及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
  24. 如申請專利範圍第19項所述之影像形狀校正裝置，其中該類神經網路運作單元包括複數個隱藏層神經元運算單元，且每一該隱藏層神經元運算單元包括一輸入運算單元以及一轉移函數運算單元；其中，該第一方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏層神經元運算單元的一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏層神經元運算單元的一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
  25. 如申請專利範圍第24項所述之影像形狀校正裝置，其中該輸入運算單元以及該轉移函數運算單元係分別為一指數運算單元以及一非線性函數運算單元，且該指數運算單元係用以接收每一該校正點之位置坐標，而產生輸出一指數數值供該非線性函數運算單元使用；及/或該複數個隱藏層神經元運算單元係包括四個隱藏層神經元運算單元，抑或是該複數個隱藏層神經元運算單元係包括四個第一方向隱藏層神經元運算單元以及四個第二方向隱藏層神經元運算單元。
  26. 如申請專利範圍第25項所述之影像形狀校正裝置，其中該非線性函數運算單元係包括一整數指數函數運算單元、一小數指數函數運算單元以及相連於該整數指數函數運算單元以及該小數指數函數運算單元之一乘法及整合運 算單元，且該指數數值係包括一整數指數數值以及一小數指數數值；其中，該整數指數函數運算單元係接收該整數指數數值，並產生輸出一整數指數函數值，該小數指數函數運算單元係接收該小數指數數值，並產生輸出一小數指數函數值，而該乘法及整合運算單元係接收該整數指數函數值以及該小數指數函數值，並產生輸出該整數指數函數值以及該小數指數函數值之一乘積及整合值。
  27. 如申請專利範圍第26項所述之影像形狀校正裝置，其中該整數指數函數運算單元內係設置有一整數指數函數表，且該整數指數函數運算單元係於接收該整數指數數值後，依據該整數指數函數表而產生輸出該整數指數函數值。
  28. 如申請專利範圍第26項所述之影像形狀校正裝置，其中該小數指數函數運算單元係包括一坐標旋轉數位計算器(CORDIC)，用以於該小數指數函數運算單元接收該小數指數數值後執行一指數運算；抑或是該小數指數函數運算單元內係設置有一小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表而產生輸出該小數指數函數值；抑或是該小數指數函數運算單元係係於接收該小數指數數值後，依據一泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係設置有該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表以及該泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係包括該坐標旋轉數位計算器以及該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該坐標旋轉數位計算器所執行之該指數計算以及該小數指數函數表而產生輸出該整數指數函數值。
  29. 如申請專利範圍第26項所述之影像形狀校正裝置，其中該坐標旋轉數位計算器係用以對小於一預定數值之該小數指數數值執行該指數運算，而當該小數指數數值大於該預定數值時，該小數指數函數運算單元係依據該小數指數函數表而產生輸出該整數指數函數值。
  30. 如申請專利範圍第19項所述之影像形狀校正裝置，係設置於一影像擷取裝置中或一影像投影裝置中；及/或該影像形狀校正裝置係藉由一現場可程式規劃邏輯閘陣列(FPGA)實現，抑或是該影像形狀校正裝置係藉由一超大型積體電路(VLSI)實現。
  31. 一種影像形狀校正裝置，其係用以對一初始影像遂行一影像形狀校正動作，以獲得具有多個校正點之一校正影像，該影像形狀校正裝置包括：一資料儲存及控制單元，用以獲得每一該校正點之位置坐標以及一方向參數組；一類神經網路運作單元，連接於該資料儲存及控制單元，並利用每一該校正點之位置坐標以及該方向參數組而產生輸出每一該校正點之一座標校正量；一算術運算單元，連接於該類神經網路運作單元，用以對每一該校正點之位置坐標及其相對應之該座標校正量進行一算術運算，以獲得相對應於該複數個校正點之複數個算術運算座標；以及一像素值運算單元，連接於該算術運算單元，並利用該複數個算術運算座標而由該初始影像上獲得每一該校正點之一像素值(pixel)。
  32. 如申請專利範圍第31項所述之影像形狀校正方法，其 中該算術運算係為加法，且該算術運算座標係為一加總座標。
  33. 如申請專利範圍第32項所述之影像形狀校正裝置，其中該方向參數組包括一第一方向參數組以及一第二方向參數組，且每一該校正點之該座標校正量包括一第一方向座標校正量以及一第二方向座標校正量，而每一該加總座標包括一第一方向加總座標以及一第二方向加總座標；其中，該類神經網路運作單元係利用每一該校正點之位置坐標以及該第一方向參數組而產生輸出每一該校正點之該第一方向座標校正量，以及利用每一該校正點之位置坐標以及該第二方向參數組而產生輸出每一該校正點之該第二方向座標校正量，而每一該第一方向座標校正量係用以與其相對應之該校正點之位置坐標進行相加，以獲得該第一方向加總座標，且每一該第二方向座標校正量係用以與其相對應之該校正點之位置坐標進行相加，以獲得該第二方向加總座標。
  34. 如申請專利範圍第33項所述之影像形狀校正裝置，其中該像素值運算單元包括一插補單元，用以差補該初始影像上之鄰近於該第一方向加總座標與該第二方向加總座標的複數個鄰近點之像素值而獲得每一該校正點之該像素值。
  35. 如申請專利範圍第33項所述之影像形狀校正裝置，其中該第一方向座標校正量以及該第二方向座標校正量分別為一橫向座標校正量以及一縱向座標校正量，且該第一方向加總座標以及該第二方向加總座標分別為一橫向座標以及一縱向座標；抑或是該第一方向座標校正量以及該第二方向座標校正量分別為該縱向座標校正量以及該橫向座標 校正量，且該第一方向加總座標以及該第二方向加總座標分別為該縱向座標以及該橫向座標。
  36. 如申請專利範圍第33項所述之影像形狀校正裝置，其中該類神經網路運作單元包括複數個隱藏層神經元運算單元，且每一該隱藏層神經元運算單元包括一輸入運算單元以及一轉移函數運算單元；其中，該第一方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏層神經元運算單元的一第一橫向位置坐標權重、一第一縱向位置坐標權重以及一第一方向偏壓值，而該第二方向參數組係包括對應於該隱藏層神經元運算單元中之至少一該隱藏層神經元運算單元的一第二橫向位置坐標權重、一第二縱向位置坐標權重以及一第二方向偏壓值。
  37. 如申請專利範圍第36項所述之影像形狀校正裝置，其中該輸入運算單元以及該轉移函數運算單元係分別為一指數運算單元以及一非線性函數運算單元，且該指數運算單元係用以接收每一該校正點之位置坐標，而產生輸出一指數數值供該非線性函數運算單元使用；及/或該複數個隱藏層神經元運算單元係包括四個隱藏層神經元運算單元，抑或是該複數個隱藏層神經元運算單元係包括四個第一方向隱藏層神經元運算單元以及四個第二方向隱藏層神經元運算單元。
  38. 如申請專利範圍第37項所述之影像形狀校正裝置，其中該S形函數運算單元係包括一整數指數函數運算單元、一小數指數函數運算單元以及相連於該整數指數函數運算單元以及該小數指數函數運算單元之一乘法及整合運算單元，且該指數數值係包括一整數指數數值以及一小數指數數值；其中，該整數指數函數運算單元係接收該整數指數 數值，並產生輸出一整數指數函數值，該小數指數函數運算單元係接收該小數指數數值，並產生輸出一小數指數函數值，而該乘法及整合運算單元係接收該整數指數函數值以及該小數指數函數值，並產生輸出該整數指數函數值以及該小數指數函數值之一乘積及整合值。
  39. 如申請專利範圍第38項所述之影像形狀校正裝置，其中該整數指數函數運算單元內係設置有一整數指數函數表，且該整數指數函數運算單元係於接收該整數指數數值後，依據該整數指數函數表而產生輸出該整數指數函數值。
  40. 如申請專利範圍第38項所述之影像形狀校正裝置，其中該小數指數函數運算單元係包括一坐標旋轉數位計算器(CORDIC)，用以於該小數指數函數運算單元接收該小數指數數值後執行一指數運算；抑或是該小數指數函數運算單元內係設置有一小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係係於接收該小數指數數值後，依據一泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係設置有該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該小數指數函數表以及該泰勒展開式而產生輸出該整數指數函數值；抑或是該小數指數函數運算單元係包括該坐標旋轉數位計算器以及該小數指數函數表，且該小數指數函數運算單元係於接收該小數指數數值後，依據該坐標旋轉數位計算器所執行之該指數計算以及該小數指數函數表而產生輸出該整數指數函數值。
  41. 如申請專利範圍第38項所述之影像形狀校正裝置，其 中該坐標旋轉數位計算器係用以對小於一預定數值之該小數數值執行該指數運算，而當該小數數值大於該預定數值時，該小數指數函數運算單元係依據該小數指數函數表而產生輸出該整數指數函數值。
  42. 如申請專利範圍第31項所述之影像形狀校正裝置，係設置於一影像擷取裝置中或一影像投影裝置中；及/或該影像形狀校正裝置係藉由一現場可程式規劃邏輯閘陣列(FPGA)實現，抑或是該影像形狀校正裝置係藉由一超大型積體電路(VLSI)實現。
TW102131358A 2013-08-30 2013-08-30 影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置 TWI545523B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW102131358A TWI545523B (zh) 2013-08-30 2013-08-30 影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置
US14/175,227 US9165219B2 (en) 2013-08-30 2014-02-07 Image distortion correction method and image distortion correction device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102131358A TWI545523B (zh) 2013-08-30 2013-08-30 影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置

Publications (2)

Publication Number Publication Date
TW201508694A TW201508694A (zh) 2015-03-01
TWI545523B true TWI545523B (zh) 2016-08-11

Family

ID=52583358

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102131358A TWI545523B (zh) 2013-08-30 2013-08-30 影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置

Country Status (2)

Country Link
US (1) US9165219B2 (zh)
TW (1) TWI545523B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI727352B (zh) * 2019-06-26 2021-05-11 國立臺灣海洋大學 以非還原校正方式及人工智慧處理擷取影像的方法、裝置及系統

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205802A (zh) * 2016-12-23 2018-06-26 北京市商汤科技开发有限公司 深度神经网络模型训练、图片处理方法及装置和设备
CN107180413B (zh) 2017-05-05 2019-03-15 平安科技（深圳）有限公司 车损图片角度纠正方法、电子装置及可读存储介质
CN108053376A (zh) * 2017-12-08 2018-05-18 长沙全度影像科技有限公司 一种语义分割信息指导深度学习鱼眼图像校正方法
US10600234B2 (en) 2017-12-18 2020-03-24 Ford Global Technologies, Llc Inter-vehicle cooperation for vehicle self imaging
US10417911B2 (en) 2017-12-18 2019-09-17 Ford Global Technologies, Llc Inter-vehicle cooperation for physical exterior damage detection
US10745005B2 (en) 2018-01-24 2020-08-18 Ford Global Technologies, Llc Inter-vehicle cooperation for vehicle self height estimation
US10628690B2 (en) 2018-05-09 2020-04-21 Ford Global Technologies, Llc Systems and methods for automated detection of trailer properties
EP3850423A4 (en) 2018-09-13 2022-06-29 Spectrum Optix, Inc Photographic underexposure correction using a neural network
CN111062876B (zh) * 2018-10-17 2023-08-08 北京地平线机器人技术研发有限公司 用于校正模型训练和图像校正的方法和装置及电子设备
US10964006B2 (en) * 2018-11-16 2021-03-30 Artifical Intelligence Foundation, Inc Identification of neural-network-generated fake images
US11351917B2 (en) 2019-02-13 2022-06-07 Ford Global Technologies, Llc Vehicle-rendering generation for vehicle display based on short-range communication
WO2020215180A1 (zh) * 2019-04-22 2020-10-29 华为技术有限公司 图像处理方法、装置和电子设备
US11126895B2 (en) * 2019-05-22 2021-09-21 Lawrence Livermore National Security, Llc Mimicking of corruption in images
CN110570373A (zh) * 2019-09-04 2019-12-13 北京明略软件系统有限公司 畸变校正方法和装置、计算机可读的存储介质及电子装置
US11543654B2 (en) * 2020-09-16 2023-01-03 Aac Optics Solutions Pte. Ltd. Lens module and system for producing image having lens module

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5617490A (en) * 1994-06-27 1997-04-01 Sanyo Electric Co., Ltd. Camera system with neural network compensator for measuring 3-D position
JP3650578B2 (ja) * 2000-09-28 2005-05-18 株式会社立山アールアンドディ 画像の歪みを補正するためのニューラル・ネットワークを用いたパノラマ画像ナビゲーションシステム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI727352B (zh) * 2019-06-26 2021-05-11 國立臺灣海洋大學 以非還原校正方式及人工智慧處理擷取影像的方法、裝置及系統

Also Published As

Publication number Publication date
US9165219B2 (en) 2015-10-20
TW201508694A (zh) 2015-03-01
US20150063685A1 (en) 2015-03-05

Similar Documents

Publication Publication Date Title
TWI545523B (zh) 影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置
CN109448090B (zh) 图像处理方法、装置、电子设备及存储介质
US10157453B2 (en) Lens distortion correction using a neurosynaptic circuit
CN102156969B (zh) 图像纠偏处理方法
US20210133920A1 (en) Method and apparatus for restoring image
TWI539406B (zh) 影像插補方法以及應用影像插補方法之影像插補裝置與影像裝置
CN102231788B (zh) 信号的高速和低复杂度的分条几何变换的方法及装置
CN111881773B (zh) 一种基于位置偏移的事件相机人体姿态估计方法及系统
JPH10124658A (ja) 神経回路網を利用したカメラの映像歪補正方法
CN104103058B (zh) 图像匹配系统及方法
Liao et al. Model-free distortion rectification framework bridged by distortion distribution map
CN112686824A (zh) 图像校正方法、装置、电子设备和计算机可读介质
CN112200157A (zh) 一种降低图像背景干扰的人体3d姿态识别方法及其系统
WO2021003807A1 (zh) 一种图像深度估计方法及装置、电子设备、存储介质
CN110675456A (zh) 多深度摄像机外部参数标定方法、装置及存储介质
TWI517094B (zh) 影像校正方法及影像校正電路
CN112785634A (zh) 计算机装置与合成深度图产生方法
CN113902849A (zh) 三维人脸模型重建方法、装置、电子设备及存储介质
CN103929584B (zh) 图像校正方法及图像校正电路
CN113971629A (zh) 图像恢复方法和装置
CN113538588A (zh) 标定方法、标定装置及应用其的电子设备
KR0139572B1 (ko) 신경망 회로를 이용한 영상 왜곡 보정 방법
CN116580169B (zh) 一种数字人驱动方法及装置、电子设备和存储介质
Chen et al. Wide-angle camera distortion correction using neural back mapping
Qiang et al. FPGA-based optical distortion correction for imaging systems

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees