一种基于深度学习和多视几何的倾斜图像矫正方法及系统技术方案

本发明专利技术公开了一种基于深度学习和多视几何的倾斜图像矫正方法及系统，通过基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，能够自动学习和捕捉倾斜图像中的特征，提高了倾斜图像处理的准确性，同时，通过基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，能够为后续矫正提供准确的基础，从而进一步提高了整体的矫正精度，降低人工干预，减少处理的步骤，使得地质数据编录和倾斜图像处理的效率和准确性得到显著提升

【技术实现步骤摘要】
一种基于深度学习和多视几何的倾斜图像矫正方法及系统


[0001]本专利技术涉及倾斜图像矫正
，尤其涉及一种基于深度学习和多视几何的倾斜图像矫正方法及系统
。

技术介绍

[0002]工程勘察地质数据采集工作涉及到大量的地质信息收集
、
分析和记录，其中倾斜图像的获取和处理是关键步骤之一，但在地质数字编录过程中，倾斜图像往往存在几何失真
、
姿态变化等问题，因此，需要对倾斜图像进行矫正处理，然而，传统的倾斜图像矫正方法通常需要大量的人工干预和复杂的处理步骤，导致数据采集工作效率低下和数据更新滞后，限制了地质数据采集和处理的效率和准确性
。

技术实现思路

[0003]有鉴于此，本专利技术提出一种基于深度学习和多视几何的倾斜图像矫正方法及系统，可以解决现有技术所存在的需要大量的人工干预和复杂的处理步骤的缺陷
。
[0004]本专利技术的技术方案是这样实现的：一种基于深度学习和多视几何的倾斜图像矫正方法，具体包括：获取倾斜图像；基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正
。
[0005]作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述方法还包括：对矫正后的倾斜图像进行排版
。
[0006]作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，具体包括：对倾斜图像进行预处理，得到预处理后的倾斜图像；将经过预处理的图像输入到卷积神经网络中，得到倾斜图像的特征图；将倾斜图像的特征图进行转换，得到倾斜图像的矩阵；将倾斜图像的矩阵进行规范化，得到倾斜图像的特征向量
。
[0007]作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述将倾斜图像的矩阵进行规范化之后，还包括将规范化后的倾斜图像的矩阵进行降维操作
。
[0008]作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，具体包括：使用特征匹配算法对所述倾斜图像的特征向量进行匹配，得到倾斜图像的特征
点；基于倾斜图像的特征点进行基础矩阵或本质矩阵计算，得到特征点的基础矩阵或本质矩阵；基于多视几何原理对特征点的基础矩阵或本质矩阵进行姿态估计，得到倾斜图像的姿态信息
。
[0009]作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述方法还包括依据最小化重投影误差法对倾斜图像的姿态信息进行姿态优化
。
[0010]作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述依据所述倾斜图像的姿态信息进行几何矫正，具体包括：所述倾斜图像的姿态信息进行几何矫正计算，得到几何变换参数；依据几何变换参数对倾斜图像进行调整，得到初步矫正后的倾斜图像；对初步矫正后的倾斜图像进行质量调整，得到最终矫正后的倾斜图像
。
[0011]作为所述基于深度学习和多视几何的倾斜图像矫正方法的进一步可选方案，所述对矫正后的倾斜图像进行排版，具体包括：对矫正后的倾斜图像进行裁剪对齐操作，得到裁剪对齐后的倾斜图像；对裁剪对齐后的倾斜图像按照预设的排版规则进行排列，得到排版后的倾斜图像；依据排版后的倾斜图像生成排版报告，从而实现对矫正后的倾斜图像进行排版
。
[0012]一种基于深度学习和多视几何的倾斜图像矫正系统，包括：获取模块，用于获取倾斜图像；特征提取模块，用于基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；多视几何处理模块，用于基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；矫正模块，用于依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正
。
[0013]一种计算设备，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任意一项基于深度学习和多视几何的倾斜图像矫正方法的步骤
。
[0014]本专利技术的有益效果是：通过基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，能够自动学习和捕捉倾斜图像中的特征，提高了倾斜图像处理的准确性，同时，通过基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，能够为后续矫正提供准确的基础，从而进一步提高了整体的矫正精度，降低人工干预，减少处理的步骤，使得地质数据编录和倾斜图像处理的效率和准确性得到显著提升
。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，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
。
[0016]图1为本专利技术一种基于深度学习和多视几何的倾斜图像矫正方法的流程示意图；图2为本专利技术一种基于深度学习和多视几何的倾斜图像矫正系统的组成示意图
。
具体实施方式
[0017]下面将对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围
。
[0018]参考图1‑2，一种基于深度学习和多视几何的倾斜图像矫正方法，具体包括：获取倾斜图像；基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正
。
[0019]在本实施例中，通过基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，能够自动学习和捕捉倾斜图像中的特征，提高了倾斜图像处理的准确性，同时，通过基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，能够为后续矫正提供准确的基础，从而进一步提高了整体的矫正精度，降低人工干预，减少处理的步骤，使得地质数据编录和倾斜图像处理的效率和准确性得到显著提升
。
[0020]需要说明的是，结合多视几何原理，该方法可以更准确地估计图像的姿态和位置信息，从而实现更高精度的图像几何矫正，减少几何失真，同时，多视几何原理允许从不同角度捕捉地物信息，即使在复杂地形和遮挡情况下，也能更好地还原地物形态，另外，使用深度学习模型进行特征提取和匹配，可以更精确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，具体包括：获取倾斜图像；基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量；基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息；依据所述倾斜图像的姿态信息进行几何矫正，从而实现倾斜图像的矫正
。2.
根据权利要求1所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述方法还包括：对矫正后的倾斜图像进行排版
。3.
根据权利要求1或2所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述基于卷积神经网络对倾斜图像进行特征提取，得到倾斜图像的特征向量，具体包括：对倾斜图像进行预处理，得到预处理后的倾斜图像；将经过预处理的图像输入到卷积神经网络中，得到倾斜图像的特征图；将倾斜图像的特征图进行转换，得到倾斜图像的矩阵；将倾斜图像的矩阵进行规范化，得到倾斜图像的特征向量
。4.
根据权利要求3所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述将倾斜图像的矩阵进行规范化之后，还包括将规范化后的倾斜图像的矩阵进行降维操作
。5.
根据权利要求4所述的一种基于深度学习和多视几何的倾斜图像矫正方法，其特征在于，所述基于多视几何原理对所述倾斜图像的特征向量进行处理，得到倾斜图像的姿态信息，具体包括：使用特征匹配算法对所述倾斜图像的特征向量进行匹配，得到倾斜图像的特征点；基于倾斜图像的特征点进行基础矩阵或本质矩阵计算，得到特征点的基础矩阵或本质矩阵；基于多视几何原理对特征点的基础矩阵或本质矩阵进行姿态估计，得到倾斜图像的姿态信息
。6.
根据权利要求5...

【专利技术属性】
技术研发人员：刘月涵，霍浩彬，吕军，周洪波，阮浩德，郭盛宾，林建中，
申请(专利权)人：广东省城乡规划设计研究院有限责任公司，
类型：发明
国别省市：