CN111652916B - 全景图像生成方法、设备及计算机存储介质 - Google Patents
全景图像生成方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111652916B CN111652916B CN202010394240.XA CN202010394240A CN111652916B CN 111652916 B CN111652916 B CN 111652916B CN 202010394240 A CN202010394240 A CN 202010394240A CN 111652916 B CN111652916 B CN 111652916B
- Authority
- CN
- China
- Prior art keywords
- image
- sequence
- scene
- images
- exposure level
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004044 response Effects 0.000 claims abstract description 26
- 230000001131 transforming effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本申请提供一种全景图像生成方法、设备及计算机存储介质。包括:获得图像序列,图像序列包括多个视点下的场景图像;在图像序列中选取一个场景图像作为参考图像,将图像序列中的其他场景图像与参考图像进行配准;基于配准后的场景图像标定相机响应曲线;利用相机响应曲线将配准后的所有场景图像从像素域变换到辐照域,得到辐照图像;将辐照域的所有辐照图像进行融合,获得全景图像。本申请提高了全景图像的生成效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种全景图像生成方法、设备及计算机存储介质。
背景技术
现有技术中由于硬件条件的限制,为了得到高动态的全景图像,需要将高动态图像合成和全景图像合成分成单独的两个步骤完成,且在图像合成中一般需要进行多次图像配准和多次图像融合。但多次图像配准会对图像的精度产生损失,使图像变换积累误差,多次图像融合后的图像信息量总是小于融合前各个图像的信息总和,即丢失一部分图像信息,导致生成的图像效果较差。
发明内容
本申请提供了一种全景图像生成方法、设备及计算机存储介质,主要解决的技术问题是如何提高全景图像的生产效率。
为解决上述技术问题,本申请提供了一种全景图像生成方法,所述方法包括:
获得图像序列,所述图像序列包括多个视点下的场景图像;
在所述图像序列中选取一个场景图像作为参考图像,将所述图像序列中的其他场景图像与所述参考图像进行配准;
基于配准后的场景图像标定相机响应曲线;
利用所述相机响应曲线将配准后的所有所述场景图像从像素域变换到辐照域,得到辐照图像;
将所述辐照域的所有辐照图像进行融合,获得所述全景图像。
根据本申请提供的一实施方式,所述采集获得图像序列,包括:
基于曝光级别序列及视点序列采集场景图像,获得多个视点下的场景图像;所述视点序列包括拍摄角度依次变化的多个视点,每相邻两视点之间的曝光级别的差异小于曝光级别序列中最大曝光级别和最小曝光级别的差异。
根据本申请提供的一实施方式,所述基于曝光级别序列及视点序列采集场景图像,包括:
依据视点序列依次以第一序列曝光级别和第二序列曝光级别采集场景图像,所述第一序列曝光级别为所述曝光级别序列中第奇数个从小到大排序的曝光级别,所述第二序列曝光级别为所述曝光级别序列中第偶数个从大到小排序的曝光级别。
根据本申请提供的一实施方式,所述在所述图像序列中选取一个场景图像作为参考图像,包括:
若所述图像序列的各个视点的水平视角范围达到360°,则以任一视点下的场景图像作为所述参考图像;
若所述图像序列的各个视点的水平视角范围不足360°,则以中间视点下的场景图像作为所述参考图像。
根据本申请提供的一实施方式,所述将所述辐照域的所有辐照图像进行融合,获得所述全景图像,包括:
基于以下公式将所有辐照图像进行融合
其中,Ti是全景图像第i位置的像素的辐照度值,Zij是第j张辐照图像中对应所述全景图像中第i位置的像素的像素值,Δtj是第j张辐照图像的曝光时间,g是相机响应曲线中的像素值变换函数,ω1是与辐照度值相关的权重函数,ω2是与辐照度值坐标位置相关的权重函数。
根据本申请提供的一实施方式,采用三角形权重法计算辐照度值相关的权重函数ω1,采用渐入渐出法计算辐照度值坐标位置相关的权重函数ω2。
根据本申请提供的一实施方式,所述采集获得图像序列,所述图像序列包括多个视点下的场景图像的步骤之后,包括:
将所述图像序列投影变换到空间坐标系下,得到所述空间坐标系下的图像序列。
根据本申请提供的一实施方式,所述基于配准后的场景图像标定相机响应曲线,包括:
采用Debevec算法标定响应曲线。
为解决上述技术问题,本申请提供了一种全景图像生成设备,所述设备包括存储器以及与所述存储器耦接的处理器;
所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述的全景图像生成方法。
为解决上述技术问题,本申请还提供了一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如上述的全景图像生成方法。
本申请的全景图像生成方法通过在图像序列中选取一个场景图像作为参考图像,将其他图像序列与参考图像进行配准,减少了图像序列间的相互配准次数,提高了图像配准的精度,降低了图像配准的误差积累;并基于配准后的场景图像标定响应曲线,将配准后的所有场景图像从像素域变换到辐照域,以得到辐照图像,进而将辐照图像进行融合,减少了辐照图像融合的次数,避免在图像融合过程中损失过多有用信息,导致图像失真严重,生成的全景图像效果较差。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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。其中:
图1是本申请提供的全景图像生成方法一实施例的流程示意图;
图2是图1全景图像生成方法中渐入渐出法权重示意图;
图3是图1全景图像生成方法中场景图像采集示意图
图4是本申请提供的全景图像生成设备一实施例的结构示意图;
图5是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请提出了一种全景图像生成方法,具体请参阅图1,图1是本申请提供的全景图像生成方法一实施例的流程示意图。本实施例中全景图像生成方法可以应用于全景图像生成设备,也可应用于具有数据处理能力的服务器。本实施例的全景图像生成方法具体包括以下步骤:
S101:获得图像序列。
由于现有的多视点多曝光图像采集技术冗余性过高,导致采集图像序列过程工作量大,本实施例通过单相机密集视点多曝光图像采集技术,在每个视点采集一次场景图像,以得到多个视点下的场景图像。
本步骤中,图像序列包括多个视点下的场景图像。视点表示了图像采集设备的拍摄角度。不同视点下的场景图像表示图像采集设备在不同拍摄角度下的图像。具体地,在图像序列的拍摄过程中,可将视点按照顺时针或逆时针序列排序,图像采集设备以视点序列由小到大转动采集场景图像。
在实际应用中,图像采集设备可为单一设备,例如普通的手机、普通相机或鱼眼相机等,也可以为多个设备,例如多个相机同步拍摄,但每个相机的性能需相近,利于后续获取辐照图像。
S102:在图像序列中选取一个场景图像作为参考图像,将图像序列中的其他场景图像与参考图像进行配准。
为了避免多次图像配准损失配准精度,本实施例在图像序列中选取一个场景图像作为参考图像,将图像序列中的其他场景图像配准到参考图像上。
对于参考图像的选取,若图像序列的各个视点的水平视角范围达到360°时,则可以以任一视点下的场景图像作为参考图像;若图像序列的各个视点的水平视角范围不足360°,则以中间视点下的场景图像作为参考图像。
具体地,在每一视点中选取一场景图像作为该视点下的参考场景图像,并在所有视点中选取一视点作为参考视点,参考视点中的参考场景图像即为选定的参考图像。
在实际应用中,为了减少图像配准的难度,可采用根据特征匹配点自适应分块的图像配准算法,例如自适应四叉树分块的图像配准算法。具体地,通过设定四叉树的最大深度,并根据图像匹配点的总数估计每一场景图像块的匹配阈值,并基于最大深度和匹配点阈值对场景图像做自适应四叉树分块,以得到参考图像与场景图像间的单应性矩阵,从而将所有场景图像配准到参考图像上;也可采用基于特征点的图像配准算法,通过提取参考图像和任一场景图像中的特征点,将参考图像和任一场景图像中的特征点进行匹配,从中选取特征点匹配度高的几对特征点,估计场景图像与参考图像间的变换矩阵,以基于变换矩阵,将所有场景图像配准到参考图像上。
S103:基于配准后的场景图像标定相机响应曲线。
相机响应曲线是每个图像采集设备特有的曲线,例如,相机,不同图像采集设备中的相机响应曲线一般不同。为了将像素域的场景图像变换到辐照域下,利于辐照图像的融合,本实施例需标定每个图像采集设备中的相机响应曲线,具体可采用Debevec算法标定相机响应曲线。本实施例对相机响应曲线的标定方法不作限定。
S104:利用相机响应曲线将配准后的所有场景图像从像素域变换到辐照域,得到辐照图像。
基于S103中标定的相机响应曲线,获取到辐照度域和像素值之间的函数映射关系,以将S102中配准后的所有场景图像从像素域变换到辐照域,得到辐照域下的辐照图像。
S105:将辐照域的所有辐照图像进行融合,获得全景图像。
为了避免过曝区域和过暗区域辐照值误差过大,可通过加权融合法对辐照图像进行融合,在其他实施例中,也可采用渐入渐出法或金字塔融合法对辐照图像进行融合。
例如,采用加权融合法对辐照图像进行融合,所有辐照图像融合满足以下公式:
其中,Ti是全景图像第i位置的像素的辐照度值,Zij是第j张辐照图像中对应所述全景图像中第i位置的像素的像素值,Δtj是第j张辐照图像的曝光时间,g是相机响应曲线中的像素值变换函数,ω1是与辐照度值相关的权重函数,ω2是与辐照度值坐标位置相关的权重函数。
进一步地,可采用三角形权重法计算辐照度值相关的权重函数ω1,采用渐入渐出法计算辐照度值坐标位置相关的权重函数ω2。
三角形权重法公式如下:
可参阅图2,图2是图1全景图像生成方法中渐入渐出法权重示意图。由图2可知,重叠区域左边界横坐标为x1,重叠区域右边界的横坐标为xr,则ω1和ω2的计算公式如下:
本实施例中,获得图像序列,图像序列包括多个视点下的场景图像;在图像序列中选取一个场景图像作为参考图像,将图像序列中的其他场景图像与参考图像进行配准;基于配准后的场景图像标定相机响应曲线;利用相机响应曲线将配准后的所有场景图像从像素域变换到辐照域,得到辐照图像;将辐照域的所有辐照图像进行融合,获得全景图像。通过在图像序列中选取一个场景图像作为参考图像,将其他图像序列与参考图像进行配准,减少了图像序列间的相互配准次数,提高了图像配准的精度,降低了图像配准的误差积累;并基于配准后的场景图像标定响应曲线,将配准后的所有场景图像从像素域变换到辐照域,以得到辐照图像,进而将辐照图像进行融合,减少了辐照图像融合的次数,提高了全景图像生成的效率,避免在图像融合过程中损失过多有用信息,导致图像失真严重。
进一步地,对于步骤S101中所述的获得图像序列,现有的图像采集技术在每个视点拍摄多个曝光度不同的场景图像,即一视点采集多个曝光程度不同的场景图像,使得相邻两视点间的场景图像存在大量重叠部分,导致两视点间的视角重叠度较大,采集的场景图像总数为:
其中,N表示需要采集的图像总数,n表示曝光级数,ω表示相机的拍摄角度,d表示相邻两个视点之间的视角重叠度。
为了减少场景图像的采集数量及减少后续场景图像融合的工作量,避免采集到大量的冗余信息,本实施例采用了基于曝光级别序列及视点序列采集场景图像,获得多个视点下的场景图像,即在每个视点采集一次曝光程度不同的场景图像,使相邻视点间的视角重叠度减少。其中,视点序列包括拍摄角度依次变化的多个视点。
可参阅图3,图3是图1全景图像生成方法中场景图像采集示意图。例如,如图3所示,假设有3个曝光级别,共有9个视点,虚线箭头表示了每个视点的拍摄角度,虚线箭头上的数字表示了视点位置,虚线箭头所指的圆弧表示每次拍摄的场景图像,虚线圆弧表示欠曝光图像,细实线圆弧表示正常曝光图像,粗实线圆弧表示过曝光图像,在采集过程中,将相机放置于视点1,在视点1拍摄一幅欠曝光的场景图像,将相机绕节点顺时针旋转40°到视点2,在视点2拍摄一幅正常曝光的场景图像,再次将相机绕节点顺时针旋转40°到达视点3,在视点3拍摄一幅过曝光的场景图像,继续将相机绕节点顺时针旋转40°到达视点4,在视点4拍摄一幅欠曝光的场景图像...,直到采集完9个视点的场景图像。
由上可知,本实施例通过在每个视点采集一次曝光程度不同的场景图像,降低了相邻视点间的视角重叠度,本实施例所需要采集的图像总数为:
拍摄角度满足下式:
其中,α表示相机在拍摄过程中每次旋转的角度。
进一步地,现有技术中的拍摄图像序列可表示为:
I11;I22......IMM;I(M+1)1.....Iij....
其中,i是视点标识,表示第i个视点,j是曝光度标识,j越大表示曝光度值越大,M是曝光度总级别,Iij表示在视点标识为i曝光度标识为j的场景图像。当采集到第M个视点的场景图像时,场景图像的曝光度达到最大值,当采集到第M+1个视点的场景图像时,场景图像的曝光度变为最小值,相邻两视点间的场景图像曝光度差异较大,增加了相邻视点间场景图像的配准难度。
为了降低相邻视点间的场景图像配准难度,本实施例采集图像序列时每相邻两视点之间的曝光级别的差异小于曝光级别序列中最大曝光级别和最小曝光级别的差异。
在具体实施例中,可依据视点序列依次以第一序列曝光级别和第二序列曝光级别采集场景图像,第一序列曝光级别为曝光级别序列中第奇数个从小到大排序的曝光级别,第二序列曝光级别为曝光级别序列中第偶数个从大到小排序的曝光级别。在其他实施例中,第一序列曝光级别也可为曝光级别序列中第偶数个从小到大排序的曝光级别,第二序列曝光级别为曝光级别序列中第奇数个从大到小排序的曝光级别,本实施例对第一序列曝光级别和第二序列曝光级别的具体排序方式不作限定。
例如,第一序列曝光级别为曝光级别序列中第奇数个从小到大排序的曝光级别,第二序列曝光级别为曝光级别序列中第偶数个从大到小排序的曝光级别。则图像序列可表示为:
I11;I23......I(M/2)(M-1);I(M/2+1)M;I(M/2+2)(M-2)......IM2;I(M+1)1.....Iij....
其中,曝光级别M为偶数。
相比于传统的图像采集方法,本申请的图像序列采集方法通过在每一视点采集一次场景图像,减少了场景图像采集的冗余信息,增加了图像采集的效率,利于后续场景图像的配准及后续场景图像的融合,提高了全景图像生成的效率。
为了避免配准后的场景图像产生不自然的变形,在步骤S101获取图像序列后,需将图像序列投影变换到空间坐标系下,得到空间坐标系下的图像序列。在具体实施例中,可采用球面投影变换或柱面投影变换,以将二维平面上的场景图像投影到空间坐标系下的场景图像,便于场景图像的配准。
本实施例中,基于曝光级别序列及视点序列采集场景图像,获得多个视点下的场景图像,减少了相邻视点间的场景图像的视角重叠度,使采集的场景图像数量大大降低,避免采集到过多冗余的图像信息,同时降低了后续辐照图像融合的工作量,提高了全景图像的生产效率;通过在图像序列中选取个场景图像作为参考图像,将其他图像序列与参考图像进行配准,减少了图像序列间的相互配准次数,采用一次场景图像配准,提高了图像配准的精度,降低了图像配准的误差积累;并基于配准后的场景图像标定响应曲线,将配准后的所有场景图像从像素域变换到辐照域,以得到辐照图像,进而将辐照图像进行融合,减少了辐照图像融合的次数,避免在图像融合过程中损失过多有用信息,导致图像失真严重,提高了全景图像生成的效率。
为实现上述实施例的全景图像生成方法,本申请提出了另一种设备,具体请参阅图4,图4是本申请提供的全景图像生成设备一实施例的结构示意图。
设备400包括存储器41和处理器42,其中,存储器41和处理器42耦接。
存储器41用于存储程序数据,处理器42用于执行程序数据以实现上述实施例的全景图像生成方法。
在本实施例中,处理器42还可以称为CPU(Central Processing Unit,中央处理单元)。处理器42可能是一种集成电路芯片,具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器42也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质500,如图5所示,计算机存储介质500用于存储程序数据51,程序数据51在被处理器执行时,用以实现如本申请方法实施例中所述的全景图像生成方法。
本申请全景图像生成方法实施例中所涉及到的方法,在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时,可以存储在装置中,例如一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种全景图像生成方法,其特征在于,所述方法包括:
采集获得图像序列,所述图像序列包括多个视点下的场景图像;
在所述图像序列中选取一个场景图像作为参考图像,将所述图像序列中的其他场景图像与所述参考图像进行配准;
基于配准后的场景图像标定相机响应曲线;
利用所述相机响应曲线将配准后的所有所述场景图像从像素域变换到辐照域,得到辐照图像;
将所述辐照域的所有辐照图像进行融合,获得所述全景图像;
其中,所述采集获得图像序列,包括:
基于曝光级别序列及视点序列采集场景图像,在每个视点采集一次场景图像获得多个视点下的场景图像;所述视点序列包括拍摄角度依次变化的多个视点,每相邻两视点之间的曝光级别的差异小于曝光级别序列中最大曝光级别和最小曝光级别的差异。
2.根据权利要求1所述的方法,其特征在于,所述基于曝光级别序列及视点序列采集场景图像,包括:
依据视点序列依次以第一序列曝光级别和第二序列曝光级别采集场景图像,所述第一序列曝光级别为所述曝光级别序列中第奇数个从小到大排序的曝光级别,所述第二序列曝光级别为所述曝光级别序列中第偶数个从大到小排序的曝光级别。
3.根据权利要求1所述的方法,其特征在于,所述在所述图像序列中选取一个场景图像作为参考图像,包括:
若所述图像序列的各个视点的水平视角范围达到360°,则以任一视点下的场景图像作为所述参考图像;
若所述图像序列的各个视点的水平视角范围不足360°,则以中间视点下的场景图像作为所述参考图像。
4.根据权利要求1所述的方法,其特征在于,所述将所述辐照域的所有辐照图像进行融合,获得所述全景图像,包括:
基于以下公式将所有辐照图像进行融合
其中,是全景图像第/>位置的像素的辐照度值,/>是第j张辐照图像中对应所述全景图像中第i位置的像素的像素值,/>是第j张辐照图像的曝光时间,g是相机响应曲线中的像素值变换函数,/>是与辐照度值相关的权重函数,/>是与辐照度值坐标位置相关的权重函数,N是所需要采集的场景图像的总数。
5.根据权利要求4所述的方法,其特征在于,采用三角形权重法计算辐照度值相关的权重函数,采用渐入渐出法计算辐照度值坐标位置相关的权重函数/>。
6.根据权利要求1所述的方法,其特征在于,所述采集获得图像序列,所述图像序列包括多个视点下的场景图像的步骤之后,包括:
将所述图像序列投影变换到空间坐标系下,得到所述空间坐标系下的图像序列。
7.根据权利要求1所述的方法,其特征在于,所述基于配准后的场景图像标定相机响应曲线,包括:
采用Debevec算法标定响应曲线。
8.一种全景图像生成设备,其特征在于,所述设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1~7任一项所述全景图像生成方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如权利要求1~7任一项所述全景图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394240.XA CN111652916B (zh) | 2020-05-11 | 2020-05-11 | 全景图像生成方法、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394240.XA CN111652916B (zh) | 2020-05-11 | 2020-05-11 | 全景图像生成方法、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652916A CN111652916A (zh) | 2020-09-11 |
CN111652916B true CN111652916B (zh) | 2023-09-29 |
Family
ID=72346637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010394240.XA Active CN111652916B (zh) | 2020-05-11 | 2020-05-11 | 全景图像生成方法、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652916B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853524A (zh) * | 2010-05-13 | 2010-10-06 | 北京农业信息技术研究中心 | 使用图像序列生成玉米果穗全景图的方法 |
CN101963751A (zh) * | 2010-08-19 | 2011-02-02 | 西北工业大学 | 高分辨率实时全景高动态范围图像获取装置及方法 |
CN105122302A (zh) * | 2013-04-15 | 2015-12-02 | 高通股份有限公司 | 无重影高动态范围图像的产生 |
JP2016119693A (ja) * | 2016-02-02 | 2016-06-30 | 株式会社ソニー・インタラクティブエンタテインメント | 画像撮像装置および画像撮像方法 |
CN105933617A (zh) * | 2016-05-19 | 2016-09-07 | 中国人民解放军装备学院 | 一种用于克服动态问题影响的高动态范围图像融合方法 |
CN106097244A (zh) * | 2016-06-03 | 2016-11-09 | 上海小蚁科技有限公司 | 用于拼接图像的方法和装置以及用于组合图像的方法 |
US10009551B1 (en) * | 2017-03-29 | 2018-06-26 | Amazon Technologies, Inc. | Image processing for merging images of a scene captured with differing camera parameters |
CN109506591A (zh) * | 2018-09-14 | 2019-03-22 | 天津大学 | 一种适应于复杂光照场景的自适应照明优化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003220595A1 (en) * | 2002-03-27 | 2003-10-13 | The Trustees Of Columbia University In The City Of New York | Imaging method and system |
US20120288217A1 (en) * | 2010-01-27 | 2012-11-15 | Jiefu Zhai | High dynamic range (hdr) image synthesis with user input |
US10721448B2 (en) * | 2013-03-15 | 2020-07-21 | Edge 3 Technologies, Inc. | Method and apparatus for adaptive exposure bracketing, segmentation and scene organization |
US9424632B2 (en) * | 2013-04-05 | 2016-08-23 | Ittiam Systems (P) Ltd. | System and method for generating high dynamic range images |
US10764496B2 (en) * | 2018-03-16 | 2020-09-01 | Arcsoft Corporation Limited | Fast scan-type panoramic image synthesis method and device |
US20190335077A1 (en) * | 2018-04-25 | 2019-10-31 | Ocusell, LLC | Systems and methods for image capture and processing |
-
2020
- 2020-05-11 CN CN202010394240.XA patent/CN111652916B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853524A (zh) * | 2010-05-13 | 2010-10-06 | 北京农业信息技术研究中心 | 使用图像序列生成玉米果穗全景图的方法 |
CN101963751A (zh) * | 2010-08-19 | 2011-02-02 | 西北工业大学 | 高分辨率实时全景高动态范围图像获取装置及方法 |
CN105122302A (zh) * | 2013-04-15 | 2015-12-02 | 高通股份有限公司 | 无重影高动态范围图像的产生 |
JP2016119693A (ja) * | 2016-02-02 | 2016-06-30 | 株式会社ソニー・インタラクティブエンタテインメント | 画像撮像装置および画像撮像方法 |
CN105933617A (zh) * | 2016-05-19 | 2016-09-07 | 中国人民解放军装备学院 | 一种用于克服动态问题影响的高动态范围图像融合方法 |
CN106097244A (zh) * | 2016-06-03 | 2016-11-09 | 上海小蚁科技有限公司 | 用于拼接图像的方法和装置以及用于组合图像的方法 |
US10009551B1 (en) * | 2017-03-29 | 2018-06-26 | Amazon Technologies, Inc. | Image processing for merging images of a scene captured with differing camera parameters |
CN109506591A (zh) * | 2018-09-14 | 2019-03-22 | 天津大学 | 一种适应于复杂光照场景的自适应照明优化方法 |
Non-Patent Citations (5)
Title |
---|
不同曝光值图像的直接融合方法;张军;戴霞;孙德全;王邦平;;软件学报(04);全文 * |
华顺刚 ; 王丽丹 ; 欧宗瑛 ; .同一场景不同曝光图像的配准及HDR图像合成.计算机辅助设计与图形学学报.2007,(04),全文. * |
周继权 ; 王庆 ; .基于相机阵列的高动态范围图像合成方法.计算机应用研究.2013,(09),全文. * |
基于多曝光的高动态范围全景图像合成;权巍 等;***仿真学报;第27卷(第10期);全文 * |
徐雅丽 ; 郁梅 ; 邵华 ; 谢登梅 ; .一种去虚影的高动态范围图像融合算法.激光杂志.2018,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111652916A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111457886B (zh) | 距离确定方法、装置及*** | |
US8447140B1 (en) | Method and apparatus for estimating rotation, focal lengths and radial distortion in panoramic image stitching | |
JP4566591B2 (ja) | 画像変形推定方法および画像変形推定装置 | |
CN110611767B (zh) | 图像处理方法、装置和电子设备 | |
EP2494524A2 (en) | Algorithms for estimating precise and relative object distances in a scene | |
JP6308748B2 (ja) | 画像処理装置、撮像装置及び画像処理方法 | |
CN111583119B (zh) | 一种正射影像拼接方法、设备以及计算机可读介质 | |
CN111935398B (zh) | 图像的处理方法、装置、电子设备和计算机可读介质 | |
TWI626500B (zh) | 攝影裝置、透鏡單元以及訊號處理裝置 | |
JP6544978B2 (ja) | 画像出力装置およびその制御方法、撮像装置、プログラム | |
CN109598763A (zh) | 摄像头标定方法、装置、电子设备和计算机可读存储介质 | |
CN113286084B (zh) | 终端的图像采集方法及装置、存储介质、终端 | |
JP4354096B2 (ja) | 撮像装置 | |
KR101938067B1 (ko) | Sift 플로우를 이용한 광각영상의 스테레오 정합 방법 및 장치 | |
CN111652916B (zh) | 全景图像生成方法、设备及计算机存储介质 | |
CN103262523A (zh) | 摄像装置、摄像***、撮像方法以及图像处理方法 | |
CN111292380B (zh) | 图像处理方法及装置 | |
CN111028296A (zh) | 球机焦距值估算方法、装置、设备及存储装置 | |
CN115984348A (zh) | 一种全景图像的处理方法、装置、电子设备及存储介质 | |
US20200351488A1 (en) | Three-dimensional information acquisition system using pitching practice, and method for calculating camera parameters | |
CN111885297B (zh) | 图像清晰度的确定方法、图像对焦方法及装置 | |
CN110519486B (zh) | 基于广角镜头的畸变补偿方法、装置、及相关设备 | |
US11893704B2 (en) | Image processing method and device therefor | |
CN114862934B (zh) | 十亿像素成像的场景深度估计方法及装置 | |
CN109600552B (zh) | 图像重新聚焦的控制方法及*** |
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 |