【技术实现步骤摘要】
本专利技术属于图像畸变矫正增强，具体是指基于深度学习的图像畸变矫正增强方法。
技术介绍
1、传统图像畸变矫正方法通常依赖于相机标定参数，如畸变系数等，这种方法在已知设备和固定场景下表现出良好的性能，但在面对未知设备或动态变化的畸变场景时，其适应性和灵活性明显不足；
2、但现有图像畸变矫正还存在一定的缺陷，现有的图像畸变矫正依赖于传统的误差度量方式，这种方式无法全面捕捉不同尺度下的预测误差，尤其对于畸变程度差异较大的图像，单一的误差度量方式可能导致模型训练不足或过拟合，对整个图像采用统一的处理策略，未能有效区分并强调图像中对畸变矫正至关重要的关键区域，在构建畸变矫正变换矩阵时，未能充分利用预测出的畸变参数，或者使用了过于简化的数学模型，导致矫正后的图像仍残留一定畸变，影响了最终的图像质量，在进行畸变矫正的过程中，现有方法有时会忽略对图像细节的保护，导致校正后的图像虽然畸变减少，但清晰度和细节表现力下降，缺乏系统的后处理步骤，未能有效地消除处理过程中产生的伪影或失真，影响了最终输出图像的质量，为此，提出基于深度学习的图像畸变矫正
<本文档来自技高网...【技术保护点】
1.基于深度学习的图像畸变矫正增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的图像畸变矫正增强方法，其特征在于：所述S1，获取不同类型的图像畸变数据构建图像数据集，对图像数据集进行比标注；从公开数据集、网络资源和拍摄图片收集包含多种畸变类型的图像；将获取的图像组织成一个结构化的数据集为图像数据集，对构建的图像数据集进行畸变类型标注和畸变参数标注，畸变类型标注根据图像的畸变特征，逐一判断每张图像的畸变类型，对明显属于某一类型畸变的图像，直接标记相应的畸变类型；畸变参数标注对模拟畸变的图像，直接记录模拟时使用的畸变参数，对真实畸变图...
【技术特征摘要】
1.基于深度学习的图像畸变矫正增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的图像畸变矫正增强方法，其特征在于：所述s1，获取不同类型的图像畸变数据构建图像数据集，对图像数据集进行比标注；从公开数据集、网络资源和拍摄图片收集包含多种畸变类型的图像；将获取的图像组织成一个结构化的数据集为图像数据集，对构建的图像数据集进行畸变类型标注和畸变参数标注，畸变类型标注根据图像的畸变特征，逐一判断每张图像的畸变类型，对明显属于某一类型畸变的图像，直接标记相应的畸变类型；畸变参数标注对模拟畸变的图像，直接记录模拟时使用的畸变参数，对真实畸变图像，通过畸变测量工具得到畸变参数并进行标注，并对每个畸变图像找到其对应的无畸变版本，标识出每一对畸变与无畸变图像之间的对应关系。
3.根据权利要求1所述的基于深度学习的图像畸变矫正增强方法，其特征在于：所述s2，对获取的图像数据集中的图像进行预处理；获取标注后的图像数据集，对标注后的图像数据集进行数据预处理，包括图像格式标准化、归一化、数据增强、去噪、校正倾斜与失真和格式转换，数据增强包括裁剪、翻转、旋转、缩放、平移及颜色抖动，将预处理后的图像数据集进行格式转换。
4.根据权利要求1所述的基于深度学习的图像畸变矫正增强方法，其特征在于：所述s3，通过卷积神经网络构建图像畸变参数预测模型；设一个预测误差度量值评估预测的畸变参数与真实值之间差异，k表示真实畸变系数，表示预测的畸变系数，通过结合绝对值差和相对差的复合度量进行实现，实现公式为：
5.根据权利要求4所述的基于深度学习的图像畸变矫正增强方法，其特征在于：所述s3，根据预测误差度量值和自适应加权后的特征图构建综合损失函数，实现公式为：
6.根据权利要求1所述的基于深度学习的图像畸变矫正增强方法，其特征在于：所述s4，根据...
【专利技术属性】
技术研发人员：刘鸿琮，祁鹏，丁正超，章毅，叶昕，曹均，陈庆，宋国姣，罗克炎，
申请(专利权)人：杭州星望智能科技有限公司，
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。