CN114373153B - 一种基于多尺度阵列相机的视频成像优化***与方法 - Google Patents
一种基于多尺度阵列相机的视频成像优化***与方法 Download PDFInfo
- Publication number
- CN114373153B CN114373153B CN202210030211.4A CN202210030211A CN114373153B CN 114373153 B CN114373153 B CN 114373153B CN 202210030211 A CN202210030211 A CN 202210030211A CN 114373153 B CN114373153 B CN 114373153B
- Authority
- CN
- China
- Prior art keywords
- video
- resolution
- camera
- picture
- feature point
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 21
- 238000012545 processing Methods 0.000 abstract description 12
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/265—Mixing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
Abstract
本发明提出基于多尺度阵列相机的视频成像优化方法与***，属于视频优化处理技术领域。方法包括：提取第一画面特征点和第二画面特征点；对第一画面特征点和第二画面特征点进行特征点匹配；对匹配出的特征点进行合并以及筛选，得到有效特征点；基于有效特征点对第一尺度阵列相机视频数据和第二尺度阵列相机视频数据进行拼接，得到优化后的视频成像数据。***连接高分辨率细节相机阵列和低分辨率全局相机阵列，对不同阵列相机各自输出的视频数据进行拼接，得到优化后的视频成像数据。本发明提升了高分辨率细节视频和低分辨率全局视频的对应区域匹配的有效特征点数量，从而增强算法的鲁棒性和高分辨率视频成像效果。
Description
技术领域
本发明属于视频优化处理技术领域，尤其涉及一种基于多尺度阵列相机的视频成像优化***与方法、实现所述方法的电子设备与计算机可读存储介质。
背景技术
多尺度阵列相机包含一个广角相机作为参考，负责采集预定场景的低分辨率全局参考视频，多个长焦相机组成阵列负责拍摄特定区域的高分辨率细节视频。
当需要显示高分辨率全幅视频或任意区域的高分辨率局部视频时，需要以全局参考视频作为基准，对高分辨率细节视频进行拼接。拼接过程中需要高分辨率细节视频和低分辨率全局视频的对应区域进行特征点匹配。
目前广泛应用的特征点匹配算法为尺度不变特征变换(Scale-invariantfeature transform，SIFT)算法。此算法在分辨率差别大的两个画面间进行匹配时，能够匹配到的特征点比较少，且其中有效的特征点更少，从而导致最终的高分辨率视频成像效果不理想，视频成像算法的鲁棒性较差。
由于二者分辨率差别很大(10倍甚至40倍)，高分辨率细节视频中的大部分特征会在低分辨率全局视频中消失，经常会出现匹配的特征点较少等问题，影响图像拼接，从而导致最终的高分辨率视频成像效果不理想。
发明内容
为解决上述技术问题，本发明提出一种基于多尺度阵列相机的视频成像优化***与方法、实现所述方法的电子设备与计算机可读存储介质。
在本发明的第一个方面，提供一种基于多尺度阵列相机的视频成像优化方法，所述方法应用于包含高分辨率细节相机阵列和低分辨率全局相机阵列的场景，能够提高高分辨率细节视频和低分辨率全局视频的对应区域匹配的有效特征点数量，从而提高算法的鲁棒性和高分辨率视频成像效果。
具体而言，所述方法包括如下步骤：
S100：获取第一尺度阵列相机视频数据和第二尺度阵列相机视频数据；
S200：提取所述第一尺度阵列相机视频数据中的第一画面特征点和所述第二尺度阵列相机视频数据中的第二画面特征点；
S300：对所述第一画面特征点和所述第二画面特征点进行特征点匹配；
S400：对匹配出的特征点进行合并以及筛选，得到有效特征点；
S500：基于有效特征点，对所述第一尺度阵列相机视频数据和第二尺度阵列相机视频数据进行拼接，得到优化后的视频成像数据。
所述步骤S100中，所述第一尺度阵列相机视频数据为第一高分辨率视频数据，所述第二尺度阵列相机视频数据为第二低分辨率视频数据；
所述第一高分辨率为所述第二低分辨率的N倍，所述N大于10。
其中，作为更具体的改进的关键性技术手段，所述步骤S300具体包括：
S301：选取细节相机高分辨率视频画面A1和全局相机中对应的低分辨率视频画面A2；
S302：基于尺度不变特征变换算法执行第一次特征点匹配；
S303：基于边缘检测特征点匹配算法执行第二次特征点匹配。
第一个方面的技术方案提供了一种基于多尺度阵列相机的视频成像优化算法，选取细节相机高分辨率视频画面A1和全局相机中对应的低分辨率视频画面A2，对两幅画面进行特征点匹配。在传统尺度不变特征变换算法匹配出特征点的基础上，使用边缘检测特征点匹配模块进行特征点匹配。
把传统尺度不变特征变换算法匹配出特征点和边缘检测后图像匹配出的特征点进行合并，得到所有匹配出的特征点信息。
然后，所述步骤S400具体包括：
S401：合并所述步骤S302和所述步骤S303的特征点匹配结果；
S402：通过比对法筛选出有效特征点。
具体来说，特征点的数量会影响算法的计算复杂度，在保证拼接效果没有影响的前提下，本发明的技术方案可以尽可能减少特征点数量，保留有效特征点，删除无用特征点，提高算法计算效率。尤其是在亿级像素视频实时处理过程中，每1毫秒的时间都非常宝贵，有效特征点的提取则显得尤为关键。而且，上述匹配出的特征点可能存在匹配错误的情况，也需要把这些错误匹配的特征点删除。
基于上述改进，对分辨率差别巨大的图像间进行特征点匹配时，本发明的技术方案可显著增加有效特征点的数量，提高视频成像算法的鲁棒性，提高图像拼接质量，视频成像效果可得到明显优化。
在本发明的第二个方面，提供一种基于多尺度阵列相机的视频成像优化***，所述***连接高分辨率细节相机阵列和低分辨率全局相机阵列，可用于实现第一个方面所述的方法，即能够提高高分辨率细节视频和低分辨率全局视频的对应区域匹配的有效特征点数量，从而提高算法的鲁棒性和高分辨率视频成像效果。
在具体结构上，所述***包括：
画面特征点提取模块，所述画面特征点提取模块所述高分辨率细节相机阵列获取的视频画面的第一画面特征点和所述低分辨率全局相机阵列获取的视频画面中的第二画面特征点；
特征点匹配模块，所述特征点匹配模块对所述第一画面特征点和所述第二画面特征点进行特征点匹配；
特征点筛选模块，所述特征点筛选模块对匹配出的特征点进行合并以及筛选，得到有效特征点；
视频拼接模块，所述视频拼接模块基于所述有效特征点，对所述高分辨率细节相机阵列和低分辨率全局相机阵列各自输出的视频数据进行拼接，得到优化后的视频成像数据。
其中，所述特征点匹配模块包括尺度不变特征变换特征点匹配模块和边缘检测特征点匹配模块；
所述边缘检测特征点匹配模块包括高斯平滑滤波器以及差值检测模块。
在边缘检测特征点匹配模块中，首先是使用高斯平滑滤波器对两幅图像进行滤波以消除图像数字化时所混入的噪声，减少噪声对边缘检测的干扰，防止错误检测，分别得到A1画面的高斯平滑图G1和A2画面的高斯平滑图G2。再利用差值法检测出图像上像素与周围反差比较大的部分，使其它部分都变为灰色。
特征点合并模块把传统尺度不变特征变换算法匹配出特征点和边缘检测后图像匹配出的特征点进行合并，得到所有匹配出的特征点信息。
有效特征点筛选模块对前面所有匹配出的特征点进行筛选，特征点的数量会影响算法的计算复杂度，在保证拼接效果没有影响的前提下，我们需要尽可能减少特征点数量，保留有效特征点，删除无用特征点，提高算法计算效率。尤其是在亿级像素视频实时处理过程中，每1毫秒的时间都非常宝贵，有效特征点的提取则显得尤为关键。而且，上述匹配出的特征点可能存在匹配错误的情况，也需要把这些错误匹配的特征点删除。
为实现上述方法步骤，在本发明的第三个方面，提供一种电子设备，例如图像处理终端，包括存储器、处理器以及存储在所述存储器中并可在所述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，实现上述步骤。
在本发明第四方面，提供一种数据存储介质，例如可以是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，实现上述步骤。
本申请的目的是在现有算法基础上，提高高分辨率细节视频和低分辨率全局视频的对应区域匹配的有效特征点数量，从而提高算法的鲁棒性和高分辨率视频成像效果。
对分辨率差别巨大的图像间进行特征点匹配时，本算法可显著增加有效特征点的数量，提高视频成像算法的鲁棒性，提高图像拼接质量，视频成像效果可得到明显优化。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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。
图1是本发明一个实施例的一种基于多尺度阵列相机的视频成像优化方法的主体流程图；
图2-图3是图1所述方法的部分子步骤的进一步优选实施例步骤图；
图4是图1所述方法的更详细实施例的步骤流程图；
图5是实现图1-图4所述方法的电子设备的结构示意图；
图6是本发明一个实施例的一种基于多尺度阵列相机的视频成像优化***的主体结构示意图；
图7是图6所述基于多尺度阵列相机的视频成像优化***的功能模块架构图；
图8(A)是基于尺度不变特征变换算法得到的特征点示意图；
图8(B)是基于边缘检测特征点匹配算法以及合并以及筛选得到的特征点示意图；
图9(A)是不采用本发明技术方案进行视频拼接的效果示意图；
图9(B)是采用本发明技术方案进行视频拼接的效果示意图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
参照图1，是本发明一个实施例的一种基于多尺度阵列相机的视频成像优化方法的主体流程图。
在图1中，所述方法包括步骤S100-S500，各个步骤具体实现如下：
S100：获取第一尺度阵列相机视频数据和第二尺度阵列相机视频数据；
S200：提取所述第一尺度阵列相机视频数据中的第一画面特征点和所述第二尺度阵列相机视频数据中的第二画面特征点；
S300：对所述第一画面特征点和所述第二画面特征点进行特征点匹配；
S400：对匹配出的特征点进行合并以及筛选，得到有效特征点；
S500：基于有效特征点，对所述第一尺度阵列相机视频数据和第二尺度阵列相机视频数据进行拼接，得到优化后的视频成像数据。
在图1基础上，参见图2-图3。
在图2中，示出了所述步骤S300具体包括：
S301：选取细节相机高分辨率视频画面A1和全局相机中对应的低分辨率视频画面A2；
S302：基于尺度不变特征变换算法执行第一次特征点匹配；
S303：基于边缘检测特征点匹配算法执行第二次特征点匹配。
在图3中，示出了所述步骤S400具体包括：
S401：合并所述步骤S302和所述步骤S303的特征点匹配结果；
S402：通过比对法筛选出有效特征点。
作为更具体的介绍，所述步骤S100中，所述第一尺度阵列相机视频数据为第一高分辨率视频数据，所述第二尺度阵列相机视频数据为第二低分辨率视频数据；
所述第一高分辨率为所述第二低分辨率的N倍，所述N大于10。
优选的，所述10<N<40。
作为另一个优选，所述步骤S100中，所述第一尺度阵列相机视频数据为针对局部区域拍摄的细节高分辨率视频画面，所述第二尺度阵列相机视频数据为针对全局区域拍摄的全局低分辨率视频画面。
具体的，多尺度阵列相机包含一个广角相机作为参考，即第二尺度阵列相机负责采集预定场景的低分辨率全局参考视频，多个长焦相机组成第一尺度阵列相机负责拍摄特定区域的高分辨率细节视频。
作为进一步的介绍，步骤S302基于尺度不变特征变换算法执行第一次特征点匹配，所述特征点匹配算法为尺度不变特征变换(Scale-invariant feature transform，SIFT)算法。
然而，仅仅采用该步骤，在分辨率差别大的两个画面间进行匹配时，能够匹配到的特征点比较少，且其中有效的特征点更少，从而导致最终的高分辨率视频成像效果不理想，视频成像算法的鲁棒性较差。
因此，本发明进一步包括步骤S303：基于边缘检测特征点匹配算法执行第二次特征点匹配。
通过该算法，可在现有算法基础上，提高高分辨率细节视频和低分辨率全局视频的对应区域匹配的有效特征点数量，从而提高算法的鲁棒性和高分辨率视频成像效果。
基于边缘检测特征点匹配算法执行第二次特征点匹配时，首先是使用高斯平滑滤波器对两幅图像进行滤波以消除图像数字化时所混入的噪声，减少噪声对边缘检测的干扰，防止错误检测，分别得到A1画面的高斯平滑图G1和A2画面的高斯平滑图G2。再利用差值法检测出图像上像素与周围反差比较大的部分，使其它部分都变为灰色。
E1＝A1-G1
E2＝A2-G2
然后指定阈值T，该阈值直接影响图像边缘的检测结果，如果阈值T过大会导致所有图像均被当成边缘，如果阈值T过小则只能检测出极少量边缘信息，所以T的建议取值范围为100至130。对E1和E2中的所有值eij与T进行比较，如果大于T则将图像变为白色，如果小于T则将图像变为黑色，得到边缘检测后的图像B1和B2。再对图像B1和B2进行特征点匹配。
因此，所述步骤S303具体包括：
S3031：使用高斯平滑滤波器对两幅图像进行滤波；
S3032：利用差值法检测出图像上像素与周围反差超过设定阈值的部分，确定出边缘信息，并使得边缘信息之外的其它部分都变为灰色。
然后，步骤S401把传统尺度不变特征变换算法匹配出特征点和边缘检测后图像匹配出的特征点进行合并，得到所有匹配出的特征点信息。
然而，特征点的数量会影响算法的计算复杂度。因此，作为进一步的改进，步骤S402在保证拼接效果没有影响的前提下，尽可能减少特征点数量，保留有效特征点，删除无用特征点，提高算法计算效率。尤其是在亿级像素视频实时处理过程中，每1毫秒的时间都非常宝贵，有效特征点的提取则显得尤为关键。而且，上述匹配出的特征点可能存在匹配错误的情况，也需要把这些错误匹配的特征点删除。
具体的，通过比对法筛选有效特征点，即步骤S402。
综合上述步骤，可以得到图3示出的图1所述方法的更详细实施例的步骤流程图，其中，所述步骤S402具体包括：
S4021：对所有匹配出的特征点进行连线，连接线的总数为n；
S4022：根据连线的长度进行排序X＝[x1，x2，…xn]，计算连线的长度的中位值
S4023：计算上四分位值Q3＝(n+1)×0.75与下四分位值Q1＝(n+1)×0.25；
S4024：根据Q3和Q1计算标准化度量值R＝(Q3-Q1)×0.7413
S4025：计算每条连线长度的置信度Zi：
其中：xi为每条连线的长度；
为连线的长度的中位值；R为标准化度量值；
S4026：如果|Zi|≤2则保留对应的特征点，如果|Zi|＞2则说明长度xi离群，删除对应的特征点。
图1-图4所述方法步骤均可以通过计算机程序的形式自动化实现。图5是实现图1-图4所述方法的电子设备的结构示意图。
电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。
具体的，电子设备可以是图像处理终端，其包含处理器和存储器。
如图5所示，图像处理终端设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
图像处理终端设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
在此基础上，参见图6，图6是本发明一个实施例的一种基于多尺度阵列相机的视频成像优化***的主体结构示意图。
在图6中，示出一种基于多尺度阵列相机的视频成像优化***，所述***连接高分辨率细节相机阵列和低分辨率全局相机阵列，对所述高分辨率细节相机阵列和低分辨率全局相机阵列各自输出的视频数据进行拼接，得到优化后的视频成像数据。
具体的，参见图7。所述***包括：
画面特征点提取模块，所述画面特征点提取模块所述高分辨率细节相机阵列获取的视频画面的第一画面特征点和所述低分辨率全局相机阵列获取的视频画面中的第二画面特征点；
特征点匹配模块，所述特征点匹配模块对所述第一画面特征点和所述第二画面特征点进行特征点匹配；
特征点筛选模块，所述特征点筛选模块对匹配出的特征点进行合并以及筛选，得到有效特征点；
视频拼接模块，所述视频拼接模块基于所述有效特征点，对所述高分辨率细节相机阵列和低分辨率全局相机阵列各自输出的视频数据进行拼接，得到优化后的视频成像数据。
所述特征点匹配模块包括尺度不变特征变换特征点匹配模块和边缘检测特征点匹配模块；
所述边缘检测特征点匹配模块包括高斯平滑滤波器以及差值检测模块。
在具体功能实现上，所述***首先选取细节相机高分辨率视频画面A1和全局相机中对应的低分辨率视频画面A2，对两幅画面进行特征点匹配。在传统尺度不变特征变换算法匹配出特征点的基础上，使用边缘检测特征点匹配模块进行特征点匹配。
在边缘检测特征点匹配模块中，首先是使用高斯平滑滤波器对两幅图像进行滤波以消除图像数字化时所混入的噪声，减少噪声对边缘检测的干扰，防止错误检测，分别得到A1画面的高斯平滑图G1和A2画面的高斯平滑图G2。再利用差值法检测出图像上像素与周围反差比较大的部分，使其它部分都变为灰色。
E1＝A1-G1
E2＝A2-G2
然后指定阈值T，该阈值直接影响图像边缘的检测结果，如果阈值T过大会导致所有图像均被当成边缘，如果阈值T过小则只能检测出极少量边缘信息，所以T的建议取值范围为100至130。对E1和E2中的所有值eij与T进行比较，如果大于T则将图像变为白色，如果小于T则将图像变为黑色，得到边缘检测后的图像B1和B2。再对图像B1和B2进行特征点匹配。
特征点合并模块把传统尺度不变特征变换算法匹配出特征点和边缘检测后图像匹配出的特征点进行合并，得到所有匹配出的特征点信息。
有效特征点筛选模块对前面所有匹配出的特征点进行筛选，特征点的数量会影响算法的计算复杂度，在保证拼接效果没有影响的前提下，我们需要尽可能减少特征点数量，保留有效特征点，删除无用特征点，提高算法计算效率。尤其是在亿级像素视频实时处理过程中，每1毫秒的时间都非常宝贵，有效特征点的提取则显得尤为关键。而且，上述匹配出的特征点可能存在匹配错误的情况，也需要把这些错误匹配的特征点删除。
通过比对法筛选有效特征点。对所有匹配出的特征点进行连线，连接线的总数为n，根据连线的长度进行排序X＝[x1，x2，…xn]，计算连线的长度的中位值
再计算得到上四分位值Q3＝(n+1)×0.75与下四分位值Q1＝(n+1)×0.25，根据Q3和Q1计算标准化度量值R＝(Q3-Q1)×0.7413。然后，计算每条连线长度的置信度Zi。
其中：xi为每条连线的长度
R为标准化度量值
如果|Zi|≤2则保留对应的特征点，如果|Zi|＞2则说明长度xi离群，删除对应的特征点。
图8(A)是基于尺度不变特征变换算法得到的特征点示意图；
图8(B)是基于边缘检测特征点匹配算法以及合并以及筛选得到的特征点示意图。
基于图8(A)和图8(B)的对比示意图可以看到，传统的尺度不变特征变换(Scale-invariant feature transform，SIFT)算法在分辨率差别大的两个画面间进行匹配时，能够匹配到的特征点比较少，且其中有效的特征点更少，从而导致最终的高分辨率视频成像效果不理想，视频成像算法的鲁棒性较差，而本发明采用了边缘检测特征点匹配后，显著提高高分辨率细节视频和低分辨率全局视频的对应区域匹配的有效特征点数量。
图9(A)是不采用本发明技术方案进行视频拼接的效果示意图；图9(B)是采用本发明技术方案进行视频拼接的效果示意图。
基于图9(A)和图9(B)的对比示意图可以看到，不采用本发明的技术方案时，在分辨率差别大的两个画面间进行匹配时，能够匹配到的特征点比较少，且其中有效的特征点更少，从而导致最终的高分辨率视频成像效果不理想，视频成像算法的鲁棒性较差。
而通过本发明的改进，把传统尺度不变特征变换算法匹配出特征点和边缘检测后图像匹配出的特征点进行合并，得到所有匹配出的特征点信息后，通过把这些错误匹配的特征点删除，对分辨率差别巨大的图像间进行特征点匹配时，本算法可显著增加有效特征点的数量，提高视频成像算法的鲁棒性，提高图像拼接质量，视频成像效果可得到明显优化。
本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。
Claims (7)
1.一种基于多尺度阵列相机的视频成像优化方法，其特征在于，
所述方法包括如下步骤：
S100：获取第一尺度阵列相机视频数据和第二尺度阵列相机视频数据；
S200：提取所述第一尺度阵列相机视频数据中的第一画面特征点和所述第二尺度阵列相机视频数据中的第二画面特征点；
S300：对所述第一画面特征点和所述第二画面特征点进行特征点匹配；
S301：选取细节相机高分辨率视频画面A1和全局相机中对应的低分辨率视频画面A2；
S302：基于尺度不变特征变换算法执行第一次特征点匹配；
S303：基于边缘检测特征点匹配算法执行第二次特征点匹配；
S3031：使用高斯平滑滤波器对两幅图像进行滤波；
S3032：利用差值法检测出图像上像素与周围反差超过设定阈值的部分，确定出边缘信息，并使得边缘信息之外的其它部分都变为灰色；
S400：对匹配出的特征点进行合并以及筛选，得到有效特征点；
S401：合并所述步骤S302和所述步骤S303的特征点匹配结果；
S402：通过比对法筛选出有效特征点；
S4021：对所有匹配出的特征点进行连线，连接线的总数为n；
S4022：根据连线的长度进行排序X＝[x1，x2，…xn]，计算连线的中位值 
S4023：计算上四分位值Q3＝(n+1)×0.75与下四分位值Q1＝(n+1)×0.25；
S4024：根据Q3和Q1计算标准化度量值R＝(Q3-Q1)×0.7413；
S4025：计算每条连线长度的置信度Zi：
其中： 
为每条连线的长度；
为连线的中位值；R为标准化度量值；
S4026：如果|Zi|≤2则保留对应的特征点，如果|Zi|＞2则说明长度xi离群，删除对应的特征点；
S500：基于有效特征点，对所述第一尺度阵列相机视频数据和第二尺度阵列相机视频数据进行拼接，得到优化后的视频成像数据。
2.如权利要求1所述的一种基于多尺度阵列相机的视频成像优化方法，其特征在于，
所述步骤S100中，所述第一尺度阵列相机视频数据为第一高分辨率视频数据，所述第二尺度阵列相机视频数据为第二低分辨率视频数据；
所述第一高分辨率为所述第二低分辨率的N倍，所述N大于10。
3.如权利要求1或2所述的一种基于多尺度阵列相机的视频成像优化方法，其特征在于，
所述步骤S100中，所述第一尺度阵列相机视频数据为针对局部区域拍摄的细节高分辨率视频画面，所述第二尺度阵列相机视频数据为针对全局区域拍摄的全局低分辨率视频画面。
4.如权利要求1所述的一种基于多尺度阵列相机的视频成像优化方法，其特征在于，
所述步骤S300具体包括：
S301：选取细节相机高分辨率视频画面A1和全局相机中对应的低分辨率视频画面A2；
S302：基于尺度不变特征变换算法执行第一次特征点匹配；
S303：基于边缘检测特征点匹配算法执行第二次特征点匹配。
5.一种实现权利要求1-4任一项所述的视频成像优化方法的视频成像优化***，所述***连接高分辨率细节相机阵列和低分辨率全局相机阵列，其特征在于，所述***包括：
画面特征点提取模块，所述画面特征点提取模块所述高分辨率细节相机阵列获取的视频画面的第一画面特征点和所述低分辨率全局相机阵列获取的视频画面中的第二画面特征点；
特征点匹配模块，所述特征点匹配模块对所述第一画面特征点和所述第二画面特征点进行特征点匹配；
特征点筛选模块，所述特征点筛选模块对匹配出的特征点进行合并以及筛选，得到有效特征点；
视频拼接模块，所述视频拼接模块基于所述有效特征点，对所述高分辨率细节相机阵列和低分辨率全局相机阵列各自输出的视频数据进行拼接，得到优化后的视频成像数据。
6.如权利要求5所述的一种基于多尺度阵列相机的视频成像优化***，其特征值在于：
所述特征点匹配模块包括尺度不变特征变换特征点匹配模块和边缘检测特征点匹配模块；
所述边缘检测特征点匹配模块包括高斯平滑滤波器以及差值检测模块。
7.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的一种基于多尺度阵列相机的视频成像优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030211.4A CN114373153B (zh) | 2022-01-12 | 2022-01-12 | 一种基于多尺度阵列相机的视频成像优化***与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030211.4A CN114373153B (zh) | 2022-01-12 | 2022-01-12 | 一种基于多尺度阵列相机的视频成像优化***与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114373153A CN114373153A (zh) | 2022-04-19 |
| CN114373153B true CN114373153B (zh) | 2022-12-27 |
Family
ID=81144911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210030211.4A Active CN114373153B (zh) | 2022-01-12 | 2022-01-12 | 一种基于多尺度阵列相机的视频成像优化***与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114373153B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103115614A (zh) * | 2013-01-21 | 2013-05-22 | 武汉大学 | 多源多轨长条带卫星遥感影像联合并行匹配方法 |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
| CN107959805A (zh) * | 2017-12-04 | 2018-04-24 | 深圳市未来媒体技术研究院 | 基于混合相机阵列的光场视频成像***及视频处理方法 |
| CN108399600A (zh) * | 2018-02-23 | 2018-08-14 | 清华-伯克利深圳学院筹备办公室 | 一种全景成像***及方法 |
| CN108921781A (zh) * | 2018-05-07 | 2018-11-30 | 清华大学深圳研究生院 | 一种基于深度的光场拼接方法 |
| CN110648363A (zh) * | 2019-09-16 | 2020-01-03 | 腾讯科技（深圳）有限公司 | 相机姿态确定方法、装置、存储介质及电子设备 |
| CN111080529A (zh) * | 2019-12-23 | 2020-04-28 | 大连理工大学 | 一种加强鲁棒性的无人机航拍图像拼接方法 |
| CN111640065A (zh) * | 2020-05-29 | 2020-09-08 | 北京拙河科技有限公司 | 基于相机阵列的图像拼接方法、成像装置 |
| KR102262397B1 (ko) * | 2019-12-17 | 2021-06-07 | 연세대학교 산학협력단 | 다중 시기에 획득된 위성 sar 영상 간의 정합 자동화 장치 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855649B (zh) * | 2012-08-23 | 2015-07-15 | 山东电力集团公司电力科学研究院 | 基于orb特征点的高压杆塔高清图像全景拼接方法 |
| US20220102407A1 (en) * | 2018-12-28 | 2022-03-31 | Sony Semiconductor Solutions Corporation | Solid-state imaging device and electronic apparatus |
| CN110276717B (zh) * | 2019-06-26 | 2023-05-05 | 图码思(成都)科技有限公司 | 一种图像的拼接方法及终端 |
-
2022
- 2022-01-12 CN CN202210030211.4A patent/CN114373153B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103115614A (zh) * | 2013-01-21 | 2013-05-22 | 武汉大学 | 多源多轨长条带卫星遥感影像联合并行匹配方法 |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
| CN107959805A (zh) * | 2017-12-04 | 2018-04-24 | 深圳市未来媒体技术研究院 | 基于混合相机阵列的光场视频成像***及视频处理方法 |
| CN108399600A (zh) * | 2018-02-23 | 2018-08-14 | 清华-伯克利深圳学院筹备办公室 | 一种全景成像***及方法 |
| CN108921781A (zh) * | 2018-05-07 | 2018-11-30 | 清华大学深圳研究生院 | 一种基于深度的光场拼接方法 |
| CN110648363A (zh) * | 2019-09-16 | 2020-01-03 | 腾讯科技（深圳）有限公司 | 相机姿态确定方法、装置、存储介质及电子设备 |
| KR102262397B1 (ko) * | 2019-12-17 | 2021-06-07 | 연세대학교 산학협력단 | 다중 시기에 획득된 위성 sar 영상 간의 정합 자동화 장치 및 방법 |
| CN111080529A (zh) * | 2019-12-23 | 2020-04-28 | 大连理工大学 | 一种加强鲁棒性的无人机航拍图像拼接方法 |
| CN111640065A (zh) * | 2020-05-29 | 2020-09-08 | 北京拙河科技有限公司 | 基于相机阵列的图像拼接方法、成像装置 |
Non-Patent Citations (1)
| Title |
|---|
| "四分位稳健统计交互界面设计及离群数据筛查";魏晓玲;《齐 齐 哈 尔 大 学 学 报（自然科学版）》;20171130;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114373153A (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Underwater image enhancement quality evaluation: Benchmark dataset and objective metric | |
| US11222211B2 (en) | Method and apparatus for segmenting video object, electronic device, and storage medium | |
| CN110675404A (zh) | 图像处理方法、图像处理装置、存储介质与终端设备 | |
| CN112991180B (zh) | 图像拼接方法、装置、设备以及存储介质 | |
| WO2021179826A1 (zh) | 图像处理方法及相关产品 | |
| CN112602088B (zh) | 提高弱光图像的质量的方法、***和计算机可读介质 | |
| CN109035167B (zh) | 对图像中的多个人脸进行处理的方法、装置、设备和介质 | |
| CN111080595A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN111833285B (zh) | 图像处理方法、图像处理装置及终端设备 | |
| CN115861077A (zh) | 一种全景图像的确定方法、装置、设备及存储介质 | |
| CN110855957A (zh) | 图像处理方法及装置、存储介质和电子设备 | |
| CN113283319A (zh) | 人脸模糊度的评价方法及装置、介质和电子设备 | |
| CN111882565A (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| Wu et al. | Reflectance-guided histogram equalization and comparametric approximation | |
| CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
| CN113205011B (zh) | 图像掩膜确定方法及装置、存储介质和电子设备 | |
| CN113888438A (zh) | 图像处理方法、装置及存储介质 | |
| CN114373153B (zh) | 一种基于多尺度阵列相机的视频成像优化***与方法 | |
| CN113438386B (zh) | 一种应用于视频处理的动静判定方法及装置 | |
| CN112052863B (zh) | 一种图像检测方法及装置、计算机存储介质、电子设备 | |
| CN114764839A (zh) | 动态视频生成方法、装置、可读存储介质及终端设备 | |
| CN115829911A (zh) | 检测***的成像一致性的方法、装置和计算机存储介质 | |
| CN113628192A (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
| CN113012085A (zh) | 图像处理方法和装置 | |
| CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 |
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 |