一种基于阈值函数和机器学习的多视角图像去冗余方法技术

本发明专利技术提出一种基于阈值函数和机器学习的多视角图像去冗余方法，属于视觉图像处理领域，具体为：首先，对当前三维目标渲染得到多视角图像样本；按抽取角度h等间隔选取图像对，并计算所有图像对的颜色特征距离；然后，初始化似然度阈值k，通过比较阈值k与颜色特征距离，将图像对划分为2个子集；并设定阈值函数，用于确定2个子集的图像筛选阈值；接着，采用关键帧方法利用筛选阈值对多视角图像样本进行筛选，得到该组多视角图像样本去冗余后的视角间隔；并作为样本训练机器学习模型；最后，对当前三维目标重新按固定角度渲染得到e组多视角图像样本，输入机器学习模型中，预测各样本去冗余后的视角间隔。本发明专利技术提高了多视角图像数据的去冗余效率。去冗余效率。去冗余效率。

【技术实现步骤摘要】
一种基于阈值函数和机器学习的多视角图像去冗余方法


[0001]本专利技术属于视觉图像处理领域，具体是一种基于阈值函数和机器学习的多视角图像去冗余方法。

技术介绍

[0002]多视角图像数据对于三维目标的分析具有重要意义。
[0003]当多视角图像的采集间隔较小时，相邻视角图像间会存在很多的重复信息，而去冗余技术能够减少视角图像间的冗余信息，也会为今后的多视角图像采集提供指导意义。
[0004]现有的图像去冗余方法如基于结构相似性的图像去冗余算法，基于改进的局部二元模式算子的图像去冗余算法等，但是这些方法在解决图像去冗余问题时，均通过经验来获取图像筛选阈值，没有有效的图像筛选阈值确定方法，并且无法对大量数据进行快速准确的处理和筛选。

技术实现思路

[0005]本专利技术提出一种基于阈值函数和机器学习的多视角图像去冗余方法，用机器学习模型预测多视角图像数据去冗余后的视角间隔，能实现三维场景下大量多视角图像数据的快速去冗余和快速筛选阈值的效果。
[0006]具体步骤为：
[0007]步骤一、针对当前三维目标，按照固定角度间隔渲染得到1组多视角图像样本；对多视角图像样本按抽取角度h等间隔选取图像对；
[0008]角度h根据实际需求人为设定整数值。
[0009]步骤二、计算所有图像对的颜色特征距离，使用颜色特征相似度值作为度量图像对相似度的依据；
[0010]首先，分别计算每个图像对中两个图像灰度直方图的欧式距离d，作为颜色特征距离；
[0011][0012]其中，G(j)和H(j)分别表示图像对中两个图像归一化灰度直方图的第j个灰度级；
[0013]然后，从所有图像对的颜色特征距离中选择最大值为M，最小值为m，并将M和m间的值等分为n(n为偶数)个子区间；每个区间分别对应由小到大的颜色特征相似度值。
[0014]针对第i个图像对的颜色特征距离为d
i
，位于从小到大的第b个子区间中，b为1到n中的整数值，则第i个图像对的颜色特征相似度值p(t
i
)为：
[0015]进一步，将颜色特征可以替换为边缘特征作为度量图像对相似度的依据。
[0016]步骤三、初始化似然度阈值k，通过比较阈值k与颜色特征距离的大小，将图像对划分为2个子集；
[0017]具体如下所示：
[0018][0019]其中w
i
(k)为判别函数，若图像对的颜色特征距离d
i
小于阈值k，则该图像对的判别函数值为+1；否则，该图像对的判别函数值为
‑
1。
[0020]步骤四、设定阈值函数，用于确定2个子集的图像筛选阈值；
[0021]阈值函数如下所示：
[0022][0023]其中X，Y分别为2个子集的图像对数量；
[0024]使阈值函数达到峰值的阈值即为所求的阈值：
[0025]thr＝arg max(Yz(k))
[0026]步骤五、采用关键帧方法利用筛选阈值对多视角图像样本进行筛选，得到该组多视角图像样本去冗余后的视角间隔。
[0027]对于多视角图像样本，选择任意一个多视角图像作为关键帧，关键帧的顺时针相邻图像为移动帧，比较关键帧和移动帧的灰度直方图欧氏距离d；
[0028]若d小于筛选阈值，则移除移动帧，移动帧的顺时针相邻图像作为新的移动帧，并继续将关键帧和移动帧的d与阈值进行比较；
[0029]若d大于筛选阈值，则移动帧成为新的关键帧，新关键帧的顺时针相邻图像作为新的移动帧，并继续将关键帧和移动帧的d与阈值进行比较。
[0030]一组多视角图像经过筛选后的图像个数为c，则该组图像在此特征下的去冗余后的视角间隔为360/c度。
[0031]在此基础上任意选择t个多视角图像作为关键帧，完成上述筛选方案得到t个去冗余视角间隔，对t个去冗余结果取平均得到最终的去冗余视角间隔。
[0032]步骤六、将该组多视角图像样本去冗余后的视角间隔作为样本，训练机器学习模型；
[0033]步骤七、对当前三维目标重新按固定角度渲染得到e组多视角图像样本，将e组样本输入训练好的机器学习模型中，预测各样本去冗余后的视角间隔。
[0034]本专利技术的优点在于：
[0035]本专利技术一种基于阈值函数和机器学习的多视角图像去冗余方法，提出了基于阈值函数的多视角图像数据筛选阈值确定方法，并使用机器学习模型预测多视角图像数据的去冗余结果，提高了多视角图像数据的去冗余效率。
附图说明
[0036]图1为本专利技术一种基于阈值函数和机器学习的多视角图像去冗余方法流程图；
具体实施方式
[0037]为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图对本专利技术作进一
步的详细和深入的具体过程描述。
[0038]本专利技术提出一种基于阈值函数和机器学习的多视角图像去冗余方法，解决了三维场景下多视角图像数据的去冗余问题；针对难以确定多视角图像数据筛选阈值的问题，提出基于阈值函数的多视角图像筛选算法。针对难以对大量数据进行快速去冗余的问题，提出用机器学习模型预测多视角图像数据去冗余后的视角间隔。
[0039]如图1所示，具体步骤如下：
[0040]步骤一、针对当前三维目标，按照固定角度间隔渲染得到1组多视角图像样本；对多视角图像样本按抽取角度h等间隔选取图像对；
[0041]角度h选取3度到5度中的整数值。
[0042]步骤二、计算所有图像对的颜色特征距离，使用颜色特征相似度值作为度量图像对相似度的依据；
[0043]首先，分别计算每个图像对中两个图像灰度直方图的欧式距离d，作为颜色特征距离；
[0044][0045]其中，G(j)和H(j)分别表示图像对中两个图像归一化灰度直方图的第j个灰度级；
[0046]然后，从所有图像对的颜色特征距离中选择最大值为M，最小值为m，并将M和m间的值等分为n(n为偶数)个子区间；每个区间分别对应由小到大的颜色特征相似度值。
[0047]针对第i个图像对的颜色特征距离为d
i
，位于从小到大的第b个子区间中，b为1到n中的整数值，则第i个图像对的颜色特征相似度值p(t
i
)为：
[0048]进一步，将颜色特征可以替换为边缘特征作为度量图像对相似度的依据。
[0049]步骤三、初始化似然度阈值k，通过比较阈值k与颜色特征距离的大小，将图像对划分为2个子集；
[0050]具体如下所示：
[0051][0052]其中w
i
(k)为判别函数，若图像对的颜色特征距离d
i
小于阈值k，则该图像对的判别函数值为+1；否则，该图像对的判别函数值为
‑
1。
[0053]步骤四、设定阈值函数，用于确定2个子集的图像筛选阈值；
[0054]阈值函数如下所示：
...

【技术保护点】

【技术特征摘要】
1.一种基于阈值函数和机器学习的多视角图像去冗余方法，其特征在于，具体步骤如下：步骤一、针对当前三维目标，按照固定角度间隔渲染得到1组多视角图像样本；对多视角图像样本按抽取角度等间隔选取图像对；步骤二、计算所有图像对的颜色特征距离，使用颜色特征相似度值作为度量图像对相似度的依据；首先，分别计算每个图像对中两个图像灰度直方图的欧式距离d，作为颜色特征距离；其中，G(j)和H(j)分别表示图像对中两个图像归一化灰度直方图的第j个灰度级；然后，从所有图像对的颜色特征距离中选择最大值为M，最小值为m，并将M和m间的值等分为n个子区间；每个区间分别对应由小到大的颜色特征相似度值；步骤三、初始化似然度阈值k，通过比较阈值k与颜色特征距离的大小，将图像对划分为2个子集；具体如下所示：其中w
i
(k)为判别函数，若图像对的颜色特征距离d
i
小于阈值k，则该图像对的判别函数值为+1；否则，该图像对的判别函数值为
‑
1；步骤四、设定阈值函数，用于确定2个子集的图像筛选阈值；阈值函数如下所示：其中X，Y分别为2个子集的图像对数量；使阈值函数达到峰值的阈值即为所求的阈值：thr＝arg max(Yz(k))步骤五、采用关键帧方法利用筛选阈值对多视角图像样本进行筛选，得到该组多视角图像样本去冗余后的视角间隔；步骤六、将该组多视角图像样本去冗余后的视角间隔作为样本，训练机器学习模型；步骤七、对当前三维目标重新按固定角度渲染得到e组多视角图像样本，将e组样本输入训练好的机器学习模型中，预测各样本去冗余后...

【专利技术属性】
技术研发人员：焦继超，凌浩洋，李宁，徐威，逄敏，董建业，张晗，
申请(专利权)人：中国电波传播研究所中国电子科技集团公司第二十二研究所，
类型：发明
国别省市：