System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种轻量化线特征单应性矩阵估计方法,属于图像处理。
技术介绍
1、图像拼接是计算机视觉中的一项经典且关键的技术,其目的是生成具有宽视野的图像。传统方法严重依赖特征检测,要求场景特征在图像中密集且分布均匀,导致重影效果参差不齐,鲁棒性较差。学习方法通常受到固定视图和输入大小的限制,缺乏对其他真实数据集的泛化能力。
2、传统方法使用基于手工设计的特征提取器,如sift(尺度不变特征变换)和surf(加速鲁棒特征)等,来寻找图像中的关键点和描述符。这些特征提取器通常依赖于启发式规则和手动调整的参数,使得其在复杂场景中的性能有限。此外,由于这些特征提取器仅关注局部特征,对于整体图像变换的鲁棒性相对较弱。相较之下,深度学习方式通过卷积神经网络(cnn)等深度结构,能够端到端地学习图像特征,消除了对手动设计特征的需求。深度学习模型可以通过大规模数据的学习,自动学习图像中的抽象表示,从而更好地适应不同场景和图像变换。在单应性矩阵估计算法的发展过程中,homographynet是一个vgg风格的深度卷积神经网络,图像以端到端的方式进行训练。但是,homographynet对大量真实数据的需求限制了其在实际应用中的可行性。尽管作者通过合成数据来扩充训练集,但合成数据与真实场景之间仍存在一定的差距。udis-net采用了一种创新的无监督训练方式,通过从未标记的图像数据中学习单应性变换。能够更充分地利用大规模未标记数据,从而在缺乏标注数据的情况下仍然能够进行有效训练。但是由于无监督学习方法通常需要更多的计算资源来训练深度神经
3、针对以上几种现有的图像单应性估计算法的不足,本专利技术提出了一种轻量化线特征单应性矩阵估计方法。
技术实现思路
1、本部分的目的在于提出一种轻量化线特征单应性矩阵估计方法,以解决现有技术中对大规模真实数据的依赖以及在无监督学习中对计算资源的高要求的问题。
2、一种轻量化线特征单应性矩阵估计方法,所述轻量化线特征单应性矩阵估计方法包括以下步骤:
3、s1、将原始图片进行预处理,以使得预处理后的图片数据尺寸一致且维度降低;
4、s2、将预处理后的图片数据输入特征提取网络l-squeezenet中进行特征提取,输出结果
5、s3、使用所述估计图像变换单应性矩阵,生成翘曲后的图像并计算损失函数用于模型训练。
6、进一步的,在s1中,包括以下步骤:
7、s101、将图片都处理到128×128像素大小;
8、s102、将平均三个像素通道合并成一个像素通道,从而降低维度,得到预处理后的图像。
9、进一步的,在s2中,包括以下步骤:
10、s201、将所述预处理后的图像输入到卷积层conv1,输出特征图大小不变,记为f1;
11、s202、特征图f1输入多尺度卷积层layer1,输出特征图大小不变,记为f2;
12、s203、特征图f2输入池化层,输出特征图缩小为f2的一半,记为f3;
13、s204、特征图f3输入多尺度卷积层layer2,输出特征图大小不变,记为f4;
14、s205、特征图f4输入池化层,输出特征图缩小为f4的一半,记为f5;
15、s206、特征图f5输入多尺度卷积层layer3,输出特征图大小不变,记为f6;
16、s207、特征图f6输入多尺度卷积层layer4,输出特征图大小不变,记为f7;
17、s208、特征图f7输入池化层,输出特征图缩小为f7的一半,记为f8;
18、s209、特征图f8输入多尺度卷积层layer5,输出特征图大小不变,记为f9;
19、s210、特征图f9输入注意力模块ecablock,输出特征图大小不变,记为f10;
20、s211、特征图f10输入2d卷积层,输出特征图大小不变,记为f11;
21、s212、特征图f11输入平均池化层,输出特征图大小减小为1×1,记为f12;
22、s213、特征图f12输入密集连接层,进行特征组合与分类,由二维特征图转化为一维向量,输出结果
23、进一步的,在s2中,l-squeezenet为在squeezenet的基础上引入通道注意力模块,并在fire module中加入了多尺度卷积分支改进而成。
24、进一步的,在s3中,包括以下步骤:
25、s301、基于所述参数化单应性矩阵并生成翘曲后的图像;
26、s302、使用deeplsd算法提取原始图片中的线特征;
27、s303、为deeplsd算法提取的线特征生成特征描述符;
28、s304、将平均l1像素级光度损失和线性结构损失结合来监督训练阶段,通过所述翘曲后的图像和特征描述符计算总损失函数,总损失函数的计算式如下:
29、lw=λ1lpw+λ2llw (1)
30、其中lpw为平均l1像素级光度损失,llw为线特征损失,λ1、λ2分别是调整平均l1像素级光度损失和线特征损失的权重的参数。
31、进一步的,在s301中,包括以下步骤:
32、s3011、特征提取网络l-squeezenet中的形变模块通过dlt算法计算从4点参数化到的可微映射,其中,是3×3的参数化单应性估计矩阵;
33、s3012、将输出的单应性估计矩阵应用于原始输入的参考图像ia的像素坐标,以获取扭曲后的坐标;
34、s3013、基于扭曲后的坐标,通过双线性插值算法生成扭曲图像。
35、进一步的,在s303中,包括以下步骤:
36、s3031、对于图像ia和原始输入的目标图像ib,分别使用线支持区域算法对每个线特征定义一个线支持区域和一个线支持区域ωb,线支持区域可以更全面地描述线特征周围的局部结构。这对于处理噪声、变形或其他干扰以及提高线特征的稳健性都是有益的。在和ωb中,每个元素对应一个线特征和其线支持区域;
37、s3032、对于线支持区域ωb中的每个线特征,使用将所述每个线特征映射到图像ia中,得到相应的特征区域ω′b,特征区域ω′b中的每个元素对应一个线特征在图像ia中的特征区域。
38、进一步的,在s304中,平均l1像素级光度损失是用于测量两幅图像之间的差异的损失函数,所述损失函数的定义如下:
39、
40、其中,xi是像素位置的坐标,i本文档来自技高网...
【技术保护点】
1.一种轻量化线特征单应性矩阵估计方法,其特征在于,所述轻量化线特征单应性矩阵估计方法包括以下步骤:
2.根据权利要求1所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S1中,包括以下步骤:
3.根据权利要求2所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S2中,包括以下步骤:
4.根据权利要求3所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S2中,L-SqueezeNet为在SqueezeNet的基础上引入通道注意力模块,并在Fire Module中加入了多尺度卷积分支改进而成。
5.根据权利要求1所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S3中,包括以下步骤:
6.根据权利要求5所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S301中,包括以下步骤:
7.根据权利要求6所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S303中,包括以下步骤:
8.根据权利要求7所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S304中,平均L
9.根据权利要求8所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S303中,提取出的线特征以参数化的形式存在,由提取出的线特征的两个端点p0和p1表示线段l,假设线段l经过模型M的变换,变换后的线段为其端点变为和其中,
10.根据权利要求9所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在S304中,所述步骤304中,几何上有意义的距离被定义为线特征到线特征的距离,也就是,从两个变换后的端点和到目标线段l′的垂直偏移的平方和的平方根距离,即,
...【技术特征摘要】
1.一种轻量化线特征单应性矩阵估计方法,其特征在于,所述轻量化线特征单应性矩阵估计方法包括以下步骤:
2.根据权利要求1所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在s1中,包括以下步骤:
3.根据权利要求2所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在s2中,包括以下步骤:
4.根据权利要求3所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在s2中,l-squeezenet为在squeezenet的基础上引入通道注意力模块,并在fire module中加入了多尺度卷积分支改进而成。
5.根据权利要求1所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在s3中,包括以下步骤:
6.根据权利要求5所述的一种轻量化线特征单应性矩阵估计方法,其特征在于,在s301中,包括以下步骤:
...
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。