【技术实现步骤摘要】
本专利技术涉及成像与位移台定位，尤其是一种基于最小化重投影误差的全局优化坐标映射转换方法。
技术介绍
1、坐标映射是计算机视觉和图像处理领域中的一个重要概念；坐标映射可以将不同图像或不同场景中的对应特征点进行对齐；使得可以进行跨图像或场景的特征匹配、跟踪和比较，从而实现各种计算机视觉和图像处理任务；在许多应用中，我们需要将一个图像中的点或特征映射到另一个图像或场景中的对应点或特征上；这种映射关系可以用数学模型来表示，其中最常用的是单应性矩阵。
2、全局优化从本质上讲属于np(non-deterministic polynomial)问题，任务是找到一组绝对最佳的允许条件来实现目标，它试图在给定集合上找到一个函数或一组函数的全局最小值或最大值，通常被描述为一个最小化问题。
3、单应性矩阵是一种灵活且通用的数学模型，用于描述平面或场景之间的投影关系；它可以用于实现图像配准、图像拼接、虚拟现实等应用；提供了一种灵活的方式来描述和表示平面或场景之间的映射关系，适用于不同尺度和旋转的图像，因此在各种应用中具有广泛的适用性。单应性矩阵是一个3x3的矩阵，可以通过有限数量的参数来表示映射关系，这使得单应性矩阵的计算和使用相对简单和高效。
4、然而在实践中，不可避免的存在噪声、非线性畸变或完全不匹配问题等影响，在现有的技术中，只利用单应性矩阵准确计算坐标映射是具有一定挑战性的，计算的准确性需要建立在系统视野质量良好的情况下，并对校准特征点的精度有非常高的要求，该方法的适用性受到严格限制，不适合宽范围的应用推广
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了基于最小化重投影误差的全局优化坐标映射转换方法，旨在解决当前坐标映射转换方法存在的问题，包括对校准特征点精度要求高，受噪声、非线性畸变或完全不匹配问题的困扰；本专利技术引入全局优化方法改进校准特征点的准确性，并基于最小化重投影误差进行优化后的单应性矩阵变换方法相结合，同时还利用基于深度学习模型的特征点区域分割技术，从实际场景中提取出准确的特征点区域，大大提高了坐标映射的准确性和稳定性。
2、本专利技术解决其技术问题所采用的技术方案是：
3、基于最小化重投影误差的全局优化坐标映射转换方法，包括如下步骤：
4、步骤一：通过人为设定的特征点(十字)坐标用于校准，分别计算两个系统中，相对应的特征点间的相对位移关系；即：计算出两个系统中每个特征点对应的坐标，以及相对应的两两特征点间的位移关系；
5、单应矩阵h具有8个自由度，共需要8个方程才能计算出单应矩阵h，而1对特征点能够提供两个方程，故而至少需要4对特征点才能完成解出单应矩阵h，因此设计不少于4组特征点，特征点尽可能的充满整个场景s；
6、所述场景s是校准特征点的场景，场景s中的特征点记为si，i表示特征点的序号，特征点si满足：{si|i＝1,2,3,…,n,n≥4}；选取场景s内一个特征点s0作为参考特征点；
7、进一步的，所述特征点的坐标精度于校准十字大小成反比，十字坐标越小，定位精度越高；
8、所述两个系统是指：观测系统a和目标系统b；
9、对于观测系统a，特征点的集合记为va,va＝{ai|i＝0,1,2,3,…,n；n≥4}为从场景s中选取的特征点，场景s的参考特征点s0在观测系统a中对应的参考特征点为a0；
10、对于目标系统b，特征点的集合记为vb,vb＝{bi|i＝0,1,2,3,…,n；n≥4}为从场景s中选取的特征点，场景s的参考特征点s0在目标系统b中对应的参考特征点为b0；
11、通过对观测系统a中特征点坐标计算，得到场景s在观测系统a内特征点间的相对位移关系，记为：
12、通过对目标系统b中特征点坐标计算，得到场景s在目标系统b内特征点间的相对位移关系，记为：
13、其中，m、n为观测系统a中标定的特征点，u、v为目标系统b中标定的特征点；为在观测系统a中所抽取的特征点m坐标与特征点n坐标所计算出的差值；同理，为在目标系统b中所抽取的特征点u坐标与特征点v坐标所计算出的差值；
14、所述相对位移关系pa即观测系统a中相邻两特征点之间的位移差值。
15、所述相对位移关系pb即目标系统b中相邻两特征点之间的位移差值。
16、步骤二：通过全局优化，计算每个系统中其它特征点与本系统中的参考特征点的相对位移关系，得到每个系统中各特征点优化后的坐标，减少了误差：
17、作为一种举例说明，减少了误差是指：因为硬件设备的配置及对照时参差不齐等原因，对坐标的测量存在误差；在每个系统中，我们通过全局优化算法来减小特征点坐标的测量误差。
18、对于观测系统a,经全局优化，计算得到的最优配置为：
19、对于目标系统b，经全局优化，计算得到的最佳配置为：
20、场景s在观测系统a内，其它特征点相对参考特征点优化后的位移关系为：
21、场景s在目标系统b内，其它特征点相对参考特征点优化后的位移关系：
22、其中：
23、为经过全局优化后观测系统a中抽取的第n个特征点与参考特征点a0所得出的位移关系；
24、为经过全局优化后目标系统b中抽取的第n个特征点与参考特征点b0所得出的位移关系；
25、通过优化后的特征点相对位移，求得优化后的特征点坐标；
26、作为一种举例说明，所述的全局优化算法包括：最小二乘算法，遗传算法、粒子群优化算法或模拟退火算法等。
27、作为一种举例说明，选择多个不同的特征点作为预选参考点，将每一个预选参考点作为独立的全局优化问题进行求解，比较各个结果的准确性和误差，选择对应结果最优的预选特征点作为参考点。
28、作为一种举例说明，可以先使用局部优化算法进行粗略的优化，然后将局部优化的结果作为全局优化算法的初始值估计值，再使用全局优化算法进行精细的优化。
29、步骤三：根据全局优化后的观测系统a和目标系统b之间特征点的对应关系，计算两系统的单应性变换矩阵；
30、对观测系统a和目标系统b进行匹配：将观测系统a特征点集合中的特征点与目标系统b特征点集合中的特征点进行对应匹配；
31、两个不同视角图像上的点，其对应的齐次坐标可以用一个射影变换来表述，对应的变换矩阵称为单应性矩阵；
32、将观测系统a特征点集合中的特征点ai与目标系统b特征点集合中对应的特征点bi进行匹配，对两个平面系统之间大小为3×3的单应矩阵h进行初步估计，得到单应矩阵h；单应矩阵h定义为：
33、ai＝hbi
34、平面上的点为三维齐次矢量，设对应的特征点ai,bi的齐次坐标为即：
35、
36、通过观测系统a和目标系统b中n(n≥4)对特征点的坐标计算，得到单应矩阵h；
37、使用lm本文档来自技高网...
【技术保护点】
1.基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述全局优化算法包括：最小二乘法、随机游走算法或遗传算法。
3.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述特征点的坐标精度于校准十字大小成反比，十字坐标越小，定位精度越高。
4.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述的预处理方式包括：图像去噪及图像标准化；
5.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，先使用局部优化算法进行粗略的优化，将优化的结果作为全局优化的初始估计值后，再进行全局优化。
6.根据权利要求5所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述的局部优化方法包括：梯度下降法或牛顿法。
7.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，使用基于最小化重投影误
8.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述的深度学习分割模型包括：unet、deeplab或stardist模型。
9.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，所述的数据增强方法包括：随机翻转、旋转或随机改变图像强度方法中的一种或者组合。
10.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，选择多个不同的特征点作为预选参考点，将每一个预选参考点作为独立的全局优化问题进行求解，比较各个结果的准确性和误差，选择对应结果最优的预选特征点作为参考点。
...【技术特征摘要】
1.基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述全局优化算法包括：最小二乘法、随机游走算法或遗传算法。
3.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述特征点的坐标精度于校准十字大小成反比，十字坐标越小，定位精度越高。
4.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，所述的预处理方式包括：图像去噪及图像标准化；
5.根据权利要求1所述的基于最小化重投影误差的全局优化坐标映射转换方法，其特征在于，先使用局部优化算法进行粗略的优化，将优化的结果作为全局优化的初始估计值后，再进行全局优化。
6.根据权利要求5所述的基于最小化重投影误差的全局优化坐标映射转换方法，...
【专利技术属性】
技术研发人员：杨凤那，洪喜，王楠，
申请(专利权)人：长光辰英杭州科学仪器有限公司，
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。