畸变图像校正方法及装置制造方法及图纸

本发明专利技术提供了一种畸变图像校正方法及装置，适用于人工智能技术领域，该方法包括：对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息；在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合；根据多个畸变线集合，计算最优的畸变系数；根据最优的畸变系数逆向进行目标畸变图像的自动校正。本发明专利技术可以实现畸变图像校正，校正效果好。校正效果好。校正效果好。

【技术实现步骤摘要】
畸变图像校正方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种畸变图像校正方法及装置。

技术介绍

[0002]目前畸变图像校正算法的主要处理流程是图像的边缘检测与轮廓提取、畸变线提取、畸变参数估计和畸变图像的逆向校正。其中，畸变线提取的算法层出不穷，畸变线提取算法的质量直接决定了畸变图像校正的效果。
[0003]畸变图像校正系统目前最亟待优化和提升的是去畸变能力，尤其是针对于畸变程度较严重的图像的校正能力，因此畸变线条的提取和畸变参数估计算法优化直接决定了畸变图像校正系统的鲁棒性。经典霍夫变换直线被分成不同的线段，一些小分段的畸变线可能无法被正确识别为畸变线条，直接导致直线信息丢失，校正效果不好；且现有畸变校正方法鲁棒性不强。

技术实现思路

[0004]本专利技术实施例提出一种畸变图像校正方法，用以实现畸变图像校正，校正效果好，该方法包括：
[0005]对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息；
[0006]在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合；
[0007]根据多个畸变线集合，计算最优的畸变系数；
[0008]根据最优的畸变系数逆向进行目标畸变图像的自动校正。
[0009]本专利技术实施例提出一种畸变图像校正装置，用以实现畸变图像校正，校正效果好，该装置包括：
[0010]线条轮廓提取模块，用于对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息；
[0011]畸变线集合获得模块，用于在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合；
[0012]最优畸变参数计算模块，用于根据多个畸变线集合，计算最优的畸变系数；
[0013]自动校正模块，用于根据最优的畸变系数逆向进行目标畸变图像的自动校正。
[0014]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述畸变图像校正方法。
[0015]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述畸变图像校正方法。
[0016]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述畸变图像校正方法。
[0017]在本专利技术实施例中，对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点
信息；在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合；根据多个畸变线集合，计算最优的畸变系数；根据最优的畸变系数逆向进行目标畸变图像的自动校正。在上述过程中，在三维霍夫空间中，提取畸变线集合，计算最优的畸变系数，可以提取准确度更高的畸变参数，从而可以实现自动畸变校正，且校正效果更好。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0019]图1为本专利技术实施例中畸变图像校正方法的流程图一；
[0020]图2为本专利技术实施例中获得所有线条的畸变点信息的流程图；
[0021]图3为本专利技术实施例中获得畸变线集合的流程图；
[0022]图4为本专利技术实施例中计算多个畸变系数的流程图；
[0023]图5为本专利技术实施例中畸变图像校正方法的流程图二；
[0024]图6为本专利技术实施例中畸变图像校正装置的示意图；
[0025]图7为本专利技术实施例中计算机设备的示意图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0027]在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
[0028]首先，对本专利技术实施例涉及的术语进行解释。
[0029]图1为本专利技术实施例中畸变图像校正方法的流程图一，如图1所示，该方法包括：
[0030]步骤101，对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息；
[0031]步骤102，在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合；
[0032]步骤103，根据多个畸变线集合，计算最优的畸变系数；
[0033]步骤104，根据最优的畸变系数逆向进行目标畸变图像的自动校正。
[0034]在本专利技术实施例中，在三维霍夫空间中，提取畸变线集合，计算最优的畸变系数，可以提取准确度更高的畸变参数，从而可以实现自动畸变校正，且校正效果更好。
[0035]在步骤101中，对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息。
[0036]图2为本专利技术实施例中获得所有线条的畸变点信息的流程图，在一实施例中，对目
标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息，包括：
[0037]步骤201，对目标畸变图像进行平滑滤波处理；
[0038]步骤202，对平滑滤波处理后的目标畸变图像进行图像增强处理；
[0039]步骤203，从图像增强处理后的目标畸变图像中去除劣质边缘点，获得去除劣质边缘点后的所有线条，并获得所有线条的畸变点信息和畸变中心信息。
[0040]在上述实施例中，平滑滤波处理的引入主要是为了降低噪声，而图像增强处理则是通过获取梯度幅值来突出邻域中的灰度变化显著的像，在去除劣质边缘点时，通过设定梯度变化阈值来去除一些梯度变化大但不是边缘像素点的劣质边缘点，从而能精确定位出所有线条，并获得所有线条的畸变点信息和畸变中心信息。
[0041]在一实施例中，从图像增强处理后的目标畸变图像中去除劣质边缘点，包括：
[0042]采用最优Canny算子从图像增强处理后的目标畸变图像中去除劣质边缘点。
[0043]在步骤102中，在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合。
[0044]上述三维霍夫空间实在现在的二维霍夫空间中引入了畸变系数这一新的维度从而形成的。
[0045]图3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种畸变图像校正方法，其特征在于，包括：对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息；在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合；根据多个畸变线集合，计算最优的畸变系数；根据最优的畸变系数逆向进行目标畸变图像的自动校正。2.如权利要求1所述的方法，其特征在于，对目标畸变图像进行线条轮廓提取，获得所有线条的畸变点信息，包括：对目标畸变图像进行平滑滤波处理；对平滑滤波处理后的目标畸变图像进行图像增强处理；从图像增强处理后的目标畸变图像中去除劣质边缘点，获得去除劣质边缘点后的所有线条，并获得所有线条的畸变点信息和畸变中心信息。3.如权利要求2所述的方法，其特征在于，从图像增强处理后的目标畸变图像中去除劣质边缘点，包括：采用最优Canny算子从图像增强处理后的目标畸变图像中去除劣质边缘点。4.如权利要求1所述的方法，其特征在于，在三维霍夫空间中，基于所有线条的畸变点信息，获得多个畸变线集合，包括：基于所有线条的畸变点信息，获得最远畸变点集合；根据最远畸变点集合，计算多个畸变系数；对每个畸变系数，计算对应的畸变参数，基于所述畸变参数，对所有线条的畸变点进行畸变校正；基于畸变校正后的畸变点和投票函数，在三维霍夫空间中进行投票计算，基于投票阈值和投票计算结果，获得每个畸变系数对应的畸变线集合。5.如权利要求4所述的方法，其特征在于，根据最远畸变点集合，计算多个畸变系数，包括：对最远畸变集合中的每个畸变点，计算每个畸变点的第一距离，所述第一距离为该畸变点到畸变中心的距离；根据每个畸变点的第一距离和单参数除法模型，计算每个畸变点的第二距离，所述第二距离为应用单参数除法模型之后的该畸变点到应用单参数除法模型之后的目标畸变图像的中心的距离；根据每个畸变点的第一距离和第二距离，计算每个畸变点对应的畸变系数。6.如权利要求5所述的方法，其特征在于，根据每个畸变点的第一距离和单参数除法模型，计算每个畸变点的第二距离，包括：根据每个畸变点的第一距离和多个级联的单参数除法模型，计算每个畸变点的第二距离。7.如权利要求6所述的方法，其特征在于，采用如下公式，根据每个畸变点的第一距离和第二距离，计算每个畸变点对应的畸变...

【专利技术属性】
技术研发人员：葛亮，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：