图像旋转处理方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，特别是涉及一种图像旋转处理方法。
【背景技术】
[0002] 拍照时拍摄者手持照相机，常常会使照相机处于倾斜状态，使得所拍摄的照片与 水平线之间有夹角，产生一定的倾斜。
[0003] 照片自动校正技术是指在给定的一张具有一定倾斜程度的照片，自动根据照片内 容将其旋转到正常角度（水平）的技术。传统技术大多需要依赖拍摄装置，以及读取每张 照片的拍摄参数，处理速度较慢。
【发明内容】
[0004] 基于此，本发明提供一种图像旋转处理方法，对图像的旋转处理速度较快。
[0005] -种图像旋转处理方法，包括如下步骤：
[0006] 通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回 归模型；
[0007] 对输入的图像通过所述分类模型进行校正；
[0008] 检测所述图像中包含的线段，判断所述图像包含的线段的数量是否大于预设阈 值；
[0009] 若是，则通过统计图像中包含的线段的倾斜角度，确定图像的旋转角度；
[0010] 若否，则根据分类模型和所述回归模型，将所述图像采用基于编码学习的方法确 定所述图像的旋转角度。
[0011] 上述图像旋转处理方法，检测出待旋转图像是否具有明显的短直线特征，若有，则 通过图像上具有的线段的倾斜角度确定图像的旋转角度；若图像没有明显的短直线特征， 则通过基于编码学习的方法，通过已训练得到的模型，对图像自动检测得到旋转角度；本发 明不依赖与图像的拍摄设备，从照片内容进行自动旋转；也无须检测拍摄参数，不受限于图 像格式与类型，其自动旋转的处理速度非常快。
【附图说明】
[0012] 图1为本发明图像旋转处理方法在一实施例中的流程示意图。
[0013] 图2为城楼图像进行线段检测的示意图。
[0014] 图3为Gabor滤波模板示意图。
[0015] 图4为图像块的主方向角度直方图及一张图像包含的多个图像块合并后的主方 向角度直方图示意图。
【具体实施方式】
[0016] 下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方式不限于 此。
[0017] 不管拍摄的室内照片，还是拍摄室外照片，大部分具有直线结构特征（比如室外 的建筑物，室内的家具等），并且这些直线与地面有垂直关系。考虑该类照片具有良好的短 直线结构特征，可以根据这些线特征有效的估计照片的旋转角度，并以此校正照片。然而有 一部分照片并不具有明显的直线结构特征，对于这种情况，采用基于字典学习和编码的方 式估算旋转角度。
[0018] 如图1所示，是本发明一种图像旋转处理方法的流程示意图，包括如下步骤：
[0019] S11、通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合 的回归模型；
[0020] 在一较佳实施例中，该步骤包括：
[0021] 获取输入的多张训练图像作为训练样本；其中，所述训练图像包括水平方向的训 练图像和已知旋转角度的训练图像；
[0022] 对所述训练图像进行关键点检测，获得所述训练图像包含的多个图像块，检测所 述训练图像包含的每个所述图像块的局部SIFT特征，获得所述训练图像中各个图像块的 王方向角度；
[0023] 将所有训练图像包含的每个所述图像块的局部SIFT特征，采用字典学习的方法 获得聚类中心作为视觉单词，生成特征字典；其中，所述视觉单词记录每个图像块及其主方 向角度；
[0024] 通过视觉单词中记录的主方向角度，根据预设的筛选条件删除部分无效视觉单 词；比如，根据每个主方向角度生成直方图，若直方图中存在两个相同的峰值，则该视觉单 词无效，可删除该视觉单词；或者，将直方图按主方向角度值从大到小排序，最大的峰值与 第二峰值的差值小于预设阈值，也可删除该视觉单词；
[0025] 将每张所述训练图像包含的图像块通过所述特征字典采用稀疏矩阵编码的方式 进行编码；将每张训练图像中的多个图像块对应的主方向角度进行合并，得到每张训练图 像合并后的主方向角度直方图；
[0026] 根据所有训练图像合并后的主方向角度直方图生成用于四方向校正的分类模型 和用于角度拟合的回归模型。
[0027] S12、对输入的图像进行校正；
[0028] 首先对输入的图像通过所述分类模型进行四方向的校正，即判定0°、90°、 180°、270°的旋转（比如原始图像需旋转245°，通过分类的方法，将原始图旋转到 245° -180° =65°，之后的65°可采用后续的回归模型拟合得到），其中0°表示不旋转。
[0029] S13、检测所述图像中包含的线段，判断所述图像包含的线段的数量是否大于预设 阈值；
[0030] 从图像内容中检测是否包含有线段，根据预设阈值，多于一定数量可判断该图像 具有明显线段特征。
[0031] 在一较佳实施例中，所述检测所述图像中包含的线段的步骤可包括：
[0032] 将所述图像转换为灰度图像；
[0033] 计算所述灰度图像中每个像素点的梯度值，其中，所述梯度值包括梯度幅值和梯 度角度；
[0034] 按所述灰度图像中所有像素点的梯度幅值大小将所述像素点及其梯度幅值划分 多个维度，生成所述灰度图像的梯度幅值直方图；
[0035] 将每个维度中梯度幅值最大的像素点作为种子添加进备选短线区域，以所述种 子的梯度角度作为备选短线区域的角度初始值，搜索以所述种子为中心的8个邻近像素 点，计算邻近像素点的梯度角度，当满足预设的判定条件时，将邻近像素点添加进所述备选 短线区域中；
[0036] 更新所述备选短线区域及其角度值；
[0037] 当搜索完所有维