[發明專利]一種全景圖像配準效果的檢測方法

有效

• 申請號: 201710128212.1
• 申請日: 2017-03-06
• 公開（公告）號: CN106920215B
• 公開（公告）日: 2020-03-27
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 長沙全度影像科技有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T7/00;G06T7/38;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種全景圖像配準效果檢測方法，其特征在于，包括以下步驟：

S1：生成訓練數據集和測試數據集；S2：生成卷積神經網絡模型；S3：基于訓練的卷積神經網絡測試測試數據集；

所述S1包括S101、S102、S103、S104；

S101:獲取拼接合成圖像；

S102：計算拼接合成圖像的客觀評價參數；選取了配準誤差作為客觀評價參數；該評價參數用于體現圖像拼接算法的配準性能，本發明中采用特征位置平均誤差來反映配準誤差，可由下式計算：

其中

其中，Q是評價的拼接序列圖像數量，K是每相鄰圖像間的特征匹配對數，H是它們與參考平面I_R之間的變換矩陣，x_jk，x_ik表示圖像的第k個特征對，這里的特征是區域特征、或線特征或點特征，對待特征匹配對(x_i，x_j)中的x_i而言，投影到參考平面再投影到其相鄰圖像后變成坐標x′_i，x_j與x′_i之間的幾何距離誤差可以體現配準的準確性；特征位置平均誤差ε_n是指每幅圖像I_i和其相鄰圖像I_j上的特征匹配對經過參考平面I_R變換后的幾何距離誤差值的平均值，CL是拼接序列圖像的匹配誤差；

選取了信息熵作為客觀評價參數；信息熵是反映圖像信息量的一個重要指標，通過下式計算拼接合成圖像I的信息熵：

其中，CG表示拼接合成圖像的信息熵，p_i為灰度值i的像素與圖像總像素數之比，L是灰度級別；

S103：生成訓練數據集；

根據S101步得到的拼接合成圖像以及S102步設置的客觀評價參數，計算卷積神經網絡的訓練數據集；對訓練樣本集中所有的拼接合成圖像以及相對應的原始圖像序列，使用圖像配準技術，將拼接合成圖像與原始圖像序列進行配準，得到二者的重合區域，將重合區域按行均勻分割成M塊，對每一塊進行處理，依據上述兩種評價參數的計算方法，對每個塊計算它們的客觀評價參數，作為卷積神經網絡的訓練數據集X＝{CG¹，CL¹，CG²，CL²，...，CG^M，CL^M}；基于每個塊都會得到一個配準誤差，設置一個閾值τ，將每個塊的配準誤差與τ進行比較，得到對應于每個塊的理想輸出yⁱ，計算公式如下：

將所有塊的理想輸出組合成訓練數據集Y＝{y¹，y²，...，y^M}，{X，Y}一起構成了卷積神經網絡的訓練數據集合；

S104：獲取測試數據集；

所述S2步驟包括S201、S202、S203；

S201：構建卷積神經網絡模型；S202：設置輸入層與卷積采樣層參數；S203：利用訓練數據集訓練卷積神經網絡。

2.根據權利要求1所述的全景圖像配準效果檢測方法，其特征在于，所述步驟S2中采用非全連接的深層神經網絡模型，且同一層中某些神經元之間的連接權重是共享的。

3.根據權利要求1所述的全景圖像配準效果檢測方法，其特征在于，所述S201具體為：以步驟S1生成的訓練數據集中的客觀評價參數X為輸入，構建一個卷積神經網絡模型，該卷積神經網絡采用5層的神經網絡，分別是輸入層，第一卷積采樣層，第二卷積采樣層，全鏈接層，輸出層，其中，在第一卷積采樣層首先將輸入與該層設定的不同卷積核和可加偏置進行卷積，卷積后產生若干個特征，然后對特征按照設定的池化尺度大小進行特征值求和，加權值，加偏置，最后通過一個Sigmoid函數得到該層的輸出，第二卷積采樣層進行與第一卷積采樣層相同的操作，區別在于兩層所使用到的卷積核、池化尺度大小以及偏置不同，兩次卷積采樣層的輸出是特征映射圖，全鏈接層將第二卷積采樣層的特征正向傳播輸出特征向量，同時也可以進行反向傳播操作，在輸出層中將輸入的特征向量按輸出標簽的大小指定輸出。