本申请实施例提供一种图像处理方法、装置、设备及存储介质，所述图像处理方法包括：获取待拼接图像集，所述待拼接图像集中包括多个待拼接的图像；利用孪生神经网络模型，对所述待拼接图像集中的图像进行相关性分析；根据相关性分析结果，确定所述待拼接图像集中的图像的拼接顺序；根据所述拼接顺序，合成全景图像。本申请实现了提升全景图像的拼接质量。本申请实现了提升全景图像的拼接质量。本申请实现了提升全景图像的拼接质量。
【技术实现步骤摘要】
一种图像处理方法、装置、设备及存储介质
[0001]本申请涉及图像处理
，具体而言，涉及一种图像处理方法、装置、设备及存储介质。
技术介绍
[0002]全景图像拼接技术可以将多张具有一定相关性的图像合成一张全景图片，其解决了由于相机本身的拍摄视野有限而无法拍摄场景全景的问题。在相机进行连续性拍摄的过程中，由于光线变化、相机本身的抖动和拍摄对象的移动等原因，采集到的图像质量参差不齐，导致最终合成的全景图片出现拼接模糊、畸变、扭曲等问题，拼接效果并不理想。
技术实现思路
[0003]本申请实施例的目的在于提供一种图像处理方法、装置、设备及存储介质，用以实现提升全景图像的拼接质量。
[0004]本申请实施例第一方面提供了一种图像处理方法，包括：获取待拼接图像集，所述待拼接图像集中包括多个待拼接的图像；利用孪生神经网络模型，对所述待拼接图像集中的图像进行相关性分析；根据相关性分析结果，确定所述待拼接图像集中的图像的拼接顺序；根据所述拼接顺序，合成全景图像。
[0005]于一实施例中，所述利用孪生神经网络模型，对所述待拼接图像集中的图像进行相关性分析，包括：从所述待拼接图像集中选取一个图像作为初始图像；利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像；判断所述待拼接图像集中是否存在未进行相关性分析的剩余图像；若所述待拼接图像集中存在未进行相关性分析的剩余图像，则从所述拼接图像中选取一个图像作为初始图像，利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像，判断所述待拼接图像集中是否存在未进行相关性分析的剩余图像，直至所述待拼接图像集中不存在未进行相关性分析的剩余图像。
[0006]于一实施例中，所述利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像，包括：利用孪生神经网络模型，逐个计算所述初始图像和所述待拼接图像集中除所述初始图像以外的其他图像的相似度，得到至少一个第一相似度；从所述其他图像中筛选所述第一相似度在预设范围内的图像，得到相关图像集；利用孪生神经网络模型，逐个计算所述初始图像的第一边界区域与所述相关图像集中的所有图像的相似度，得到至少一个第二相似度；从所述相关图像集中查找所述第二相似度最高的图像，标记为所述初始图像的第一拼接图像。
[0007]于一实施例中，在所述从所述相关图像集中查找所述第二相似度最高的图像，标记为所述初始图像的第一拼接图像之后，还包括：利用孪生神经网络模型，逐个计算所述初始图像的第二边界区域与所述相关图像集中的所有图像的相似度，得到至少一个第三相似度；从所述相关图像集中查找所述第三相似度最高的图像，标记为所述初始图像的第二拼
接图像。
[0008]本申请实施例第二方面提供了一种图像处理装置，包括：获取模块，用于获取待拼接图像集，所述待拼接图像集中包括多个待拼接的图像；分析模块，用于利用孪生神经网络模型，对所述待拼接图像集中的图像进行相关性分析；确定模块，用于根据相关性分析结果，确定所述待拼接图像集中的图像的拼接顺序；合成模块，用于根据所述拼接顺序，合成全景图像。
[0009]于一实施例中，所述分析模块用于：从所述待拼接图像集中选取一个图像作为初始图像；利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像；判断所述待拼接图像集中是否存在未进行相关性分析的剩余图像；若所述待拼接图像集中存在未进行相关性分析的剩余图像，则从所述拼接图像中选取一个图像作为初始图像，利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像，判断所述待拼接图像集中是否存在未进行相关性分析的剩余图像，直至所述待拼接图像集中不存在未进行相关性分析的剩余图像。
[0010]于一实施例中，所述分析模块具体用于：利用孪生神经网络模型，逐个计算所述初始图像和所述待拼接图像集中除所述初始图像以外的其他图像的相似度，得到至少一个第一相似度；从所述其他图像中筛选所述第一相似度在预设范围内的图像，得到相关图像集；利用孪生神经网络模型，逐个计算所述初始图像的第一边界区域与所述相关图像集中的所有图像的相似度，得到至少一个第二相似度；从所述相关图像集中查找所述第二相似度最高的图像，标记为所述初始图像的第一拼接图像。
[0011]于一实施例中，所述分析模块具体还用于：利用孪生神经网络模型，逐个计算所述初始图像的第二边界区域与所述相关图像集中的所有图像的相似度，得到至少一个第三相似度；从所述相关图像集中查找所述第三相似度最高的图像，标记为所述初始图像的第二拼接图像。
[0012]本申请实施例第三方面提供了一种电子设备，包括：存储器，用以存储计算机程序；处理器，用以执行本申请实施例第一方面及其任一实施例的方法。
[0013]本申请实施例第四方面提供了一种非暂态电子设备可读存储介质，包括：程序，当其藉由电子设备运行时，使得所述电子设备执行本申请实施例第一方面及其任一实施例的方法。
附图说明
[0014]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0015]图1为本申请一实施例的电子设备的结构示意图；
[0016]图2为本申请一实施例的图像处理方法的流程示意图；
[0017]图3为本申请一另实施例的图像处理方法的流程示意图；
[0018]图4为本申请一实施例中步骤330的子步骤的流程示意图；
[0019]图5为本申请一实施例的图像处理装置的结构示意图。
[0020]附图标记：
[0021]100-电子设备，110-总线，120-处理器，130-存储器，500-图像处理装置，510-获取模块，520-分析模块，530-确定模块，540-合成模块。
具体实施方式
[0022]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描述。
[0023]在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，并不表示排列序号，也不能理解为指示或暗示相对重要性。
[0024]在本申请的描述中，术语“包括”、“包含”等表示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、步骤、操作、元素、组件和/或其集合的存在或添加。
[0025]在本申请的描述中，除非另有明确的规定和限定，术语“安装”、“设置”、“设有”、“连接”、“配置为”应做广义理解。例如，可以是固定连接，也可以是可拆卸连接，或整体式构造；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取待拼接图像集，所述待拼接图像集中包括多个待拼接的图像；利用孪生神经网络模型，对所述待拼接图像集中的图像进行相关性分析；根据相关性分析结果，确定所述待拼接图像集中的图像的拼接顺序；根据所述拼接顺序，合成全景图像。2.根据权利要求1所述的方法，其特征在于，所述利用孪生神经网络模型，对所述待拼接图像集中的图像进行相关性分析，包括：从所述待拼接图像集中选取一个图像作为初始图像；利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像；判断所述待拼接图像集中是否存在未进行相关性分析的剩余图像；若所述待拼接图像集中存在未进行相关性分析的剩余图像，则从所述拼接图像中选取一个图像作为初始图像，利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像，判断所述待拼接图像集中是否存在未进行相关性分析的剩余图像，直至所述待拼接图像集中不存在未进行相关性分析的剩余图像。3.根据权利要求2所述的方法，其特征在于，所述利用孪生神经网络模型对所述初始图像进行相关性分析，确定所述初始图像的拼接图像，包括：利用孪生神经网络模型，逐个计算所述初始图像和所述待拼接图像集中除所述初始图像以外的其他图像的相似度，得到至少一个第一相似度；从所述其他图像中筛选所述第一相似度在预设范围内的图像，得到相关图像集；利用孪生神经网络模型，逐个计算所述初始图像的第一边界区域与所述相关图像集中的所有图像的相似度，得到至少一个第二相似度；从所述相关图像集中查找所述第二相似度最高的图像，标记为所述初始图像的第一拼接图像。4.根据权利要求3所述的方法，其特征在于，在所述从所述相关图像集中查找所述第二相似度最高的图像，标记为所述初始图像的第一拼接图像之后，还包括：利用孪生神经网络模型，逐个计算所述初始图像的第二边界区域与所述相关图像集中的所有图像的相似度，得到至少一个第三相似度；从所述相关图像集中查找所述第三相似度最高的图像，标记为所述初始图像的第二拼接图像。5.一种图像处理装置，其特征在于，包括：获取模块，用于获取待拼接图像集...
【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：苏州臻迪智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。