基于强化学习的图像拼接方法、装置、设备和存储介质制造方法及图纸

本申请公开了一种基于强化学习的图像拼接方法、装置、设备和存储介质，通过标定板获取初始标定参数，并采集样品图像以及运动平台的位置信息；以图像拼接质量和运动平台的位置信息为状态，以标定参数调整量为动作，基于图像拼接质量设置负奖励函数；并根据随机生成的动作集合、初始标定参数、运动平台的位置信息以及负奖励函数获取状态集合和负奖励值集合，以构建概率动力模型；基于概率动力模型获取的状态出现概率以及负奖励值构建状态价值函数，通过优化状态价值函数获取最优动作；通过最优动作和初始标定参数获取优化后标定参数，通过优化后标定参数对对应的样品图像进行图像拼接，改善了现有技术存在的图像拼接质量不高的技术问题。术问题。术问题。

【技术实现步骤摘要】
基于强化学习的图像拼接方法、装置、设备和存储介质


[0001]本申请涉及图像处理
，尤其涉及一种基于强化学习的图像拼接方法、装置、设备和存储介质。

技术介绍

[0002]在精密视觉检测领域，检测柔性电路基板需要带有远心镜头的高分辨率相机设备，而这种相机视野范围一般远远小于检测物体的面积，因此，需要通过相机设备采集检测物体不同位置下的小范围图像信息，然后利用图像拼接技术将小范围的不同位置下的图像根据重叠区域拼接成大范围图像，最终实现对检测物体的大范围图像采集与测量。
[0003]传统的图像拼接方法一般需要标定好外部参数，需要获取承载检测物体平台的物理信息，通过将实际物理位置转换为图像位置，根据图像位置信息对两张图片进行图像拼接，该方法在进行标定后，只需通过仿射变换矩阵即可实时拼接，拼接速度快。但采用该方法进行标定时，运动平台平面与相机平面难以做到绝对平行，进行外参标定时会降低标定参数的精准度，运动平台在运动过程中，会造成一定程度的角度旋转，导致检测物体在某些时刻会有小角度旋转，因此，直接采用标定得到的初始标定参数进行图像拼接，难以保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于强化学习的图像拼接方法，其特征在于，包括：通过设置在运动平台上的标定板获取初始标定参数，并在所述运动平台移动的过程中，采集所述运动平台上的检测样品在各时刻的样品图像以及所述运动平台在各时刻的位置信息；以各时刻的图像拼接质量和所述运动平台在各时刻的位置信息为各时刻的状态，以各时刻的标定参数调整量为各时刻的动作，基于各时刻的图像拼接质量设置负奖励函数；随机生成动作集合，并根据所述动作集合、所述初始标定参数、所述运动平台在各时刻的位置信息以及所述负奖励函数获取状态集合和负奖励值集合；根据所述动作集合、所述状态集合和所述负奖励值集合构建马尔可夫经验序列，通过所述马尔可夫经验序列构建概率动力模型，所述概率动力模型用于根据当前时刻的状态和动作预测下一时刻的状态的出现概率；基于各时刻的状态的出现概率和各时刻的负奖励值构建状态价值函数，通过优化所述状态价值函数获取各时刻的最优动作；通过各时刻的最优动作和所述初始标定参数获取各时刻的优化后标定参数，通过各时刻的优化后标定参数对对应的样品图像进行图像拼接。2.根据权利要求1所述的基于强化学习的图像拼接方法，其特征在于，所述图像拼接质量的计算过程为：在将两个相邻时刻的样品图像进行图像拼接后，截取拼接图像的重叠区域，得到第一重叠图像和第二重叠图像；计算所述第一重叠图像和所述第二重叠图像之间的相似度，得到图像拼接质量。3.根据权利要求1所述的基于强化学习的图像拼接方法，其特征在于，所述状态价值函数为：；式中，为状态价值函数，s0为初始时刻的状态，为动作策略，s
t
为t时刻的状态，c(s
t
)为t时刻的状态对应的负奖励值，p(s
t
)为t时刻的状态的出现概率，T为最终时刻。4.根据权利要求1所述的基于强化学习的图像拼接方法，其特征在于，所述通过各时刻的优化后标定参数对对应的样品图像进行图像拼接，包括：根据所述运动平台在各时刻的位置信息计算所述运动平台在各相邻两个时刻的平台移动距离；根据各时刻的优化后标定参数、各相邻两个时刻的平台移动距离和所述运动平台在各时刻的位置信息计算各相邻两个时刻的样品图像的图像平移距离；基于各相邻两个时刻的样品图像的图像平移距离对各相邻两个时刻的样品图像进行图像拼接。5.一种基于强化学习的图像拼接装置，其特征在于，包括：标定和图像采集单元，用于通过设置在运动平台上的标定板获取初始标定参数，并在所述运动平台移动的过程中，采集所述运动平台上的检测样品在各时刻的样品图像以及所
述运动平台在各时刻的位置信息；设置单元，用于以各时刻的图像拼接质量和所述运动平台在各时刻的位置信息为...

【专利技术属性】
技术研发人员：高健，梁俊朗，张揽宇，罗于恒，郑卓鋆，陈新，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：