本发明涉及倾斜图像矫正,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。
背景技术:
1、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
1、有鉴于此,本发明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。
2、本发明的技术方案是这样实现的:
3、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:
4、获取倾斜图像;
5、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;
6、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;
7、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。
8、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:
9、对矫正后的倾斜图像进行排版。
10、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:
11、对倾斜图像进行预处理,得到预处理后的倾斜图像;
12、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;
13、将倾斜图像的特征图进行转换,得到倾斜图像的矩阵;
14、将倾斜图像的矩阵进行规范化,得到倾斜图像的特征向量。
15、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。
16、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:
17、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;
18、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;
19、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。
20、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。
21、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:
22、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;
23、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;
24、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。
25、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:
26、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;
27、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;
28、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。
29、一种基于深度学习和多视几何的倾斜图像矫正系统,包括:
30、获取模块,用于获取倾斜图像;
31、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;
32、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;
33、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。
34、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。
35、本发明的有益效果是: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。
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:
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:
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:
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:
6.根据权利要求5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。
7.根据权利要求6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,所述依据所述倾斜图像的姿态信息进行几何矫正,具体包括:
8.根据权利要求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,所述对矫正后的倾斜图像进行排版,具体包括:
9.一种基于深度学习和多视几何的倾斜图像矫正系统,其特征在于,包括:
10.一种计算设备,其特征在于,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权利要求1-8中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。