本发明专利技术的一种基于BP神经网络的点坐标畸变矫正方法，该方法主要包括：根据相机畸变系数和图像大小生成训练数据集和测试数据集；在训练数据集和测试数据集的输入中增加特征项，得到增强数据集；搭建BP神经网络模型，使用增强后的训练数据集对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；对训练后的BP神经网络模型进行测试，得到需要的BP神经网络模型；使用该BP神经网络模型对图像中的特征点进行去畸变操作。本发明专利技术增加特征项，丰富输入特征，提高网络性能。数据集的生成阶段，已知相机的畸变系数，可以利用程序自动化生成训练和测试数据，省去了相机采图、图像处理、特征点提取等步骤，且像素坐标值更加精确。且像素坐标值更加精确。且像素坐标值更加精确。
【技术实现步骤摘要】
基于BP神经网络的点坐标去畸变方法及存储介质
[0001]本专利技术涉及图像数据处理领域，具体涉及图像数据的去畸变方法领域。
技术介绍
[0002]图像畸变是指由于透镜制造精度以及组装工艺的偏差引入畸变，原始图像产生的失真。为了使相机能够尽可能地还原真实场景，需要去除图像中的畸变。点坐标去畸变往往用于去除图像特征点坐标的畸变，如提取畸变图像中的多个质心坐标，则可以先计算出图像的各个质心坐标，再利用点坐标去畸变去除质心坐标的畸变。
[0003]图像的特征点提取方法广泛应用于相机标定、图像匹配、人脸检测等技术。从图像中提取特征点时，由于图像中往往存在畸变，需要先去除图像中的畸变，再进行特征点提取。图像去畸变过程中，需要对图像中的所有坐标进行映射，并通过插值获取去畸变后的图像，然而，待提取的特征点数量仅占图像中的一小部分。
[0004]激光线中心提取在工业生产过程中应用广泛。激光线图像中往往存在畸变，为了提升激光线中心坐标提取的准确性，需要去除激光线图像中存在的畸变。同时，为了提升激光线中心提取算法的速度，激光线中心提取方法往往会采用硬件实现。由于硬件资源有限以及计算速度的要求，一般无法直接去除整张图像上的畸变。若采用查找表矫正激光线中心坐标，当图像较大时，可能需要占用较大的存储空间。若采用畸变模型迭代计算，则需要进行除法运算和迭代求解，会相当耗费资源。
[0005]针对上述问题，本专利技术提出了一种基于BP神经网络的点坐标去畸变方法，该方法利用训练数据训练BP神经网络，将网络参数存储到硬件存储器中，输入畸变图像中提取的坐标点，便可以得到去畸变后的坐标点。
[0006]图像去畸变方面，专利公开CN 113256540 A提出了一种图像去畸变方法，该专利根据预存的去畸变参数对目标图像去畸变。点坐标去畸变方面，其往往作为专利中的一个步骤。专利公开CN 111815710 A提出了一种鱼眼相机自动标定方法，将基于MEI模型的点坐标去畸变作为其中的一个步骤。专利公开CN 110378971A中，在步骤中提及特征点坐标去畸变处理，但并未涉及具体的算法和实现。
[0007]专利公开CN 106952236A提出了一种基于BP神经网络的鱼眼镜头拍摄图像畸变方法，该方法拍摄均匀分布的特征点图像，通过图像预处理、特征点提取和匹配获得BP神经网络的输入和输出，通过训练的网络实现对图像的畸变矫正。该方法侧重于图像预处理、特征点提取和特征点匹配，以上步骤均会增加算法的复杂度。同时，图像预处理阶段，图像处理方法会引起图像像素分布的变化，导致图像特征点的位置与理想位置出现偏差；特征点提取阶段，提取的特征点受噪声、光照、图像预处理等因素的影响；特征点匹配阶段，提取的特征点和理想特征点之间的匹配可能存在误差，这将使得BP神经网络的输入和输出出现随机的系统误差，降低BP神经网络的泛化性能。
[0008]专利公开CN 114648588 A提出了一种基于神经网络的镜头标定校正方法，该方法拍摄标定板的图像，并精确测量标定板相较于摄像头的坐标，与真实坐标一起作为训练数
据集，然后建立BP神经网络，划分数据集，训练BP神经网络，并使用训练后的网络矫正图像。该方法需要精确测量标定板相较于摄像头的坐标，变更摄像头位置时，都需要重新测量，操作的繁琐度较高，且会引入测量误差。同时，该方法需要提取角点坐标，计算角点坐标时，也会引入误差。
[0009]专利公开CN 105427241 A提出了一种大视场显示设备的畸变校正方法，该方法将大视场显示设备的畸变图像和像源原始图像的抽样点规格化作为样本数据，搭建双层人工神经网络，利用粒子群算法计算网络最优权值，将畸变图像输入网络得到畸变矫正后的图像。该方法需要借助光学工程软件分析数字像源，增加了数据获取的难度，同时，采取21*21个抽样点，数据量偏少，可能会降低网络的泛化性能。
[0010]专利公开CN 110443879 A提出了一种基于神经网络的透视误差补偿方法，该方法获取正投影和预设角度的图像，计算透视矩阵，根据透视变换获得参考坐标，将透视像素坐标作为输入，误差作为输出，训练网络学习误差的补偿值。该方法计算透视矩阵会因角度下的差异而改变，同时，透视矩阵的误差经变换后，会引入到输出的误差中。
[0011]综上所述，现有技术的主要缺点为：1、一般需要获得整张图像才能进行后续处理，硬件可能无法实现；2、需要进行坐标映射、插值等步骤的处理，无法实现端到端的输出；3、需要存储映射表，当图像较大时，可能会占用较多的存储空间。
技术实现思路
[0012]本专利技术提出的一种基于BP神经网络的点坐标去畸变方法及存储介质，可至少解决上述技术问题之一。
[0013]为实现上述目的，本专利技术采用了以下技术方案：
[0014]一种基于BP神经网络的点坐标去畸变方法，包括：
[0015]根据相机畸变系数和图像大小生成训练数据集和测试数据集；
[0016]在训练数据集和测试数据集的输入中增加特征项，得到增强数据集；
[0017]搭建BP神经网络模型，使用增强后的训练数据集对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；
[0018]使用增强后的测试数据集对所述训练后的BP神经网络模型进行测试，计算所述训练后的BP神经网络模型的输出值与实际值之间的误差，若误差超过预设的精度阈值，则调整网络参数后重新训练并测试；若误差不超过预设的精度阈值，则获得测试后的BP神经网络模型；
[0019]使用所述测试后的BP神经网络模型，对所述相机获取图像的特征点进行去畸变操作。
[0020]进一步地，所述根据相机畸变系数和图像大小生成训练数据集和测试数据集，包括：
[0021]生成训练数据集:
[0022]根据图像高度H和宽度W，生成图像特征点坐标集合根据图像高度H和宽度W，生成图像特征点坐标集合
[0023]根据所述相机畸变系数对图像特征点坐标集合进行去畸变操作，得到去畸
变图像特征点坐标集合
[0024]所述图像特征点坐标集合作为所述训练数据集的输入，所述去畸变图像特征点坐标集合作为所述训练数据集的标签；
[0025]生成测试数据集：
[0026]随机生成坐标集合
[0027]根据所述相机畸变系数对所述坐标集合进行去畸变操作，得到去畸变坐标集合
[0028]所述坐标集合作为所述测试数据集的输入，所述去畸变坐标集合作为所述测试数据集的标签。
[0029]进一步地，所述根据相机畸变系数和图像大小生成训练数据集和测试数据集，还包括：
[0030]所述图像特征点坐标集合中，x和y取整数；
[0031]所述坐标集合中，x和y包括小数。
[0032]进一步地，还包括：
[0033]生成训练数据集：
[0034]根据图像高度H和宽度W，进行固定倍数的下采样生成图像特征点坐标集合
[0035]生成测试数据集：
[0036]随机生成本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于BP神经网络的点坐标去畸变方法，其特征在于，包括：根据相机畸变系数和图像大小生成训练数据集和测试数据集；在训练数据集和测试数据集的输入中增加特征项，得到增强数据集；搭建BP神经网络模型，使用增强后的训练数据集对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；使用增强后的测试数据集对所述训练后的BP神经网络模型进行测试，计算所述训练后的BP神经网络模型的输出值与实际值之间的误差，若误差超过预设的精度阈值，则调整网络参数后重新训练并测试；若误差不超过预设的精度阈值，则获得测试后的BP神经网络模型；使用所述测试后的BP神经网络模型，对所述相机获取图像的特征点进行去畸变操作。2.根据权利要求1所述的基于BP神经网络的点坐标去畸变方法，其特征在于，所述根据相机畸变系数和图像大小生成训练数据集和测试数据集，包括：生成训练数据集：根据图像高度H和宽度W，生成图像特征点坐标集合根据所述相机畸变系数对图像特征点坐标集合进行去畸变操作，得到去畸变图像特征点坐标集合所述图像特征点坐标集合作为所述训练数据集的输入，所述去畸变图像特征点坐标集合作为所述训练数据集的标签；生成测试数据集：随机生成坐标集合根据所述相机畸变系数对所述坐标集合进行去畸变操作，得到去畸变坐标集合所述坐标集合作为所述测试数据集的输入，所述去畸变坐标集合作为所述测试数据集的标签。3.根据权利要求2所述的基于BP神经网络的点坐标去畸变方法，其特征在于，所述根据相机畸变系数和图像大小生成训练数据集和测试数据集，还包括：所述图像特征点坐标集合中，x和y取整数；所述坐标集合中，x和y包括小数。4.根据权利要求3所述的基于BP神经网络的点坐标去畸变方法，其特征在于，还包括：生成训练数据集：根据图像高度H和宽度W，进行固定倍数的下采样生成图像特征点坐标集合根据图像高度H和宽度W，进行固定倍数的下采样生成图像特征点坐标集合生成测试数据集：随机生成坐标集合
5.根据权利要求2
‑
4任一...
【专利技术属性】
技术研发人员：沈曦，张光宇，唐俊峰，曹桂平，董宁，
申请(专利权)人：合肥埃科光电科技股份有限公司，
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。