[go: up one dir, main page]

CN113538252B - 图像矫正方法以及装置 - Google Patents

图像矫正方法以及装置 Download PDF

Info

Publication number
CN113538252B
CN113538252B CN202010307251.XA CN202010307251A CN113538252B CN 113538252 B CN113538252 B CN 113538252B CN 202010307251 A CN202010307251 A CN 202010307251A CN 113538252 B CN113538252 B CN 113538252B
Authority
CN
China
Prior art keywords
corrected
feature point
feature points
coordinate values
coordinate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010307251.XA
Other languages
English (en)
Other versions
CN113538252A (zh
Inventor
蒲朝飞
张楠赓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canaan Bright Sight Co Ltd
Original Assignee
Canaan Bright Sight Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canaan Bright Sight Co Ltd filed Critical Canaan Bright Sight Co Ltd
Priority to CN202010307251.XA priority Critical patent/CN113538252B/zh
Priority to PCT/CN2020/118676 priority patent/WO2021208369A1/zh
Publication of CN113538252A publication Critical patent/CN113538252A/zh
Application granted granted Critical
Publication of CN113538252B publication Critical patent/CN113538252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像矫正方法以及装置。具体实现方案为：获取矫正前图像中待矫正区域的配置信息，配置信息包括初始特征点的坐标值以及偏移量；根据初始特征点的坐标值和偏移量，得到预测特征点的坐标值，将预测特征点的坐标值作为初始特征点的坐标值，返回执行上述预测步骤；根据预测特征点的坐标值计算矫正后特征点的坐标值；在达到停止预测的条件下，根据计算得到的全部矫正后特征点的坐标值生成矫正后图像。图像矫正方法避免了将矫正前图像中的全部特征点的坐标值进行运算，减少了计算量，降低了硬件的功耗，提高了图像矫正的效率以及准确率，保证矫正后图像更接近真实的正面图像。

Description

图像矫正方法以及装置
技术领域
本申请涉及图像处理领域，尤其涉及图像矫正领域。
背景技术
在计算机视觉领域中，检测物体并识别物体被广泛应用，被检测物体或被识别物体可能存在角度上的扭曲，导致检测和识别的准确率较差。为了提高检测和识别的准确率，需要将扭曲的物体恢复成正面透视的画面。目前，常用的方法是将扭曲角度和姿态参数等数据转换成变换矩阵，例如旋转角度矩阵、平移矩阵和缩放矩阵等，将图像中发生扭曲的区域的坐标乘以变换矩阵得到矫正后的图像。然而，现有图像矫正方法计算量大、效率低、硬件功耗较大。
发明内容
本申请实施例提供一种图像矫正方法以及装置，以解决相关技术存在的问题，技术方案如下：
第一方面，本申请实施例提供了一种图像矫正方法，包括：
获取矫正前图像中待矫正区域的配置信息，配置信息包括初始特征点的坐标值以及偏移量；
根据初始特征点的坐标值和偏移量，得到预测特征点的坐标值，将预测特征点的坐标值作为初始特征点的坐标值，返回执行上述预测步骤；
根据预测特征点的坐标值计算矫正后特征点的坐标值；
在达到停止预测的条件下，根据计算得到的全部矫正后特征点的坐标值生成矫正后图像。
在一种实施方式中，根据预测特征点的坐标值计算矫正后特征点的坐标值，包括：
在预测特征点的坐标值为整数的情况下，将预测特征点的坐标值作为矫正后特征点的坐标值。
在一种实施方式中，根据预测特征点的坐标值计算矫正后特征点的坐标值，包括：
在预测特征点的坐标值不完全是整数的情况下，根据预测特征点的坐标值选取围绕预测特征点四周的多个相邻特征点的坐标值，相邻特征点的坐标值为整数；
根据各相邻特征点与预测特征点之间的距离，确定权重比；
根据各相邻特征点的坐标值获取对应的像素值，并根据各相邻特征点的像素值和权重比，计算矫正后特征点的像素值；
将矫正后特征点的像素值转换为矫正后特征点的坐标值。
在一种实施方式中，还包括：
利用神经网络模型检测待矫正区域中的多个特征点；
根据多个特征点的坐标值计算扭曲角度和姿态参数；
根据扭曲角度和姿态参数得到偏移量。
在一种实施方式中，配置信息还包括矫正后图像的预设尺寸参数，停止预测的条件是根据矫正后图像的预设尺寸参数生成的。
第二方面，本申请实施方式提供了一种图像矫正装置，包括：
配置信息获取模块，用于获取矫正前图像中待矫正区域的配置信息，配置信息包括初始特征点的坐标值以及偏移量；
预测特征点的坐标值计算模块，用于根据初始特征点的坐标值和偏移量，得到预测特征点的坐标值；
计算触发模块，用于将预测特征点的坐标值作为初始特征点的坐标值，指示预测特征点的坐标值计算模块执行上述预测步骤；
矫正后特征点的坐标值计算模块，用于根据预测特征点的坐标值计算矫正后特征点的坐标值；
矫正后图像生成模块，用于在达到停止预测的条件下，根据计算得到的全部矫正后特征点的坐标值生成矫正后图像。
在一种实施方式中，矫正后特征点的坐标值计算模块，包括：
第一计算子模块，用于在预测特征点的坐标值为整数的情况下，将预测特征点的坐标值作为矫正后特征点的坐标值。
在一种实施方式中，矫正后特征点的坐标值计算模块，包括：
相邻特征点选取子模块，用于在预测特征点的坐标值不完全是整数的情况下，根据预测特征点的坐标值选取围绕预测特征点四周的多个相邻特征点的坐标值，相邻特征点的坐标值为整数；
权重比计算子模块，用于根据各相邻特征点与预测特征点之间的距离，确定权重比；
第二计算子模块，用于根据各相邻特征点的坐标值获取对应的像素值，并根据各相邻特征点的像素值和权重比，计算矫正后特征点的像素值；
坐标值转换子模块，用于将矫正后特征点的像素值转换为矫正后特征点的坐标值。
在一种实施方式中，还包括：
特征点检测模块，用于利用神经网络模型检测待矫正区域中的多个特征点；
参数计算模块，用于根据多个特征点的坐标值计算扭曲角度和姿态参数；
偏移量计算模块，用于根据扭曲角度和姿态参数得到偏移量。
在一种实施方式中，配置信息还包括矫正后图像的预设尺寸参数，停止预测的条件是根据矫正后图像的预设尺寸参数生成的。
第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的方法。
第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行上述任一项的方法。
上述申请中的一个实施例具有如下优点或有益效果：利用待矫正区域中的初始特征点的坐标值和偏移量计算预测特征点的坐标值，并基于预测特征点的坐标值计算矫正后特征点的坐标值，继续利用当前的预测特征点的坐标值和偏移量计算下一预测特征点的坐标值，进而得到下一矫正后特征点的坐标值，直至达到停止预测的条件下，根据全部矫正后特征点的坐标值得到矫正后图像。由于采用矫正前图像对应的偏移量等原始数据逐个预测矫正后图像中的特征点的坐标值，避免了将矫正前图像中的全部特征点的坐标值进行运算，解决了计算量大、效率低、硬件功耗较大的技术问题，达到了减少了计算量，降低了硬件的功耗，提高了图像矫正的效率和准确率，保证了矫正后图像更接近真实的正面图像的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请一实施例的一种图像矫正方法的示意图；
图2是根据本申请另一实施例的一种图像矫正方法的示意图；
图3是根据本申请另一实施例的一种实现图像矫正方法的硬件场景图；
图4是根据本申请另一实施例的一种预测特征点的坐标值的计算过程示意图；
图5是根据本申请另一实施例的一种矫正后特征点的像素值计算过程的示意图；
图6是根据本申请一实施例的一种图像矫正装置的示意图；
图7是根据本申请另一实施例的一种图像矫正装置的示意图；
图8是用来实现本申请实施例的一种图像矫正方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本实施方式提供了一种图像矫正方法，包括如下步骤：
S110：获取矫正前图像中待矫正区域的配置信息，配置信息包括初始特征点的坐标值以及偏移量；
S120：根据初始特征点的坐标值和偏移量，得到预测特征点的坐标值，将预测特征点的坐标值作为初始特征点的坐标值，返回执行上述预测步骤；
S130：根据预测特征点的坐标值计算矫正后特征点的坐标值；
S140：在达到停止预测的条件下，根据计算得到的全部矫正后特征点的坐标值生成矫正后图像。
一种示例中，在图像检测和识别的场景中，被检测对象有可能存在角度上的扭曲和姿态的变化等，导致检测和识别对象的准确率较差。为了将扭曲变形的对象矫正，得到正面透视的图像，本实施方式提供了一种图像矫正方法。矫正前图像中可以包括行人、障碍物、各种图标、建筑物以及周围其它环境等。矫正前图像的尺寸可以达到256*256。在矫正前图像中，可以用矩形框将需要矫正的具体对象以及周围近邻的环境标出，作为待矫正区域。例如，第一待矫正区域包括行人的侧脸，对侧脸进行矫正得到正脸，来识别行人的面貌。第二待矫正区域包括“前方施工、禁止通行”的提示牌。此提示牌发生扭曲，导致字体无法准确识别。通过对扭曲的提示牌进行矫正，得到正面显示的提示牌，提高识别率。
获取矫正前图像中待矫正区域的配置信息。配置信息包括初始特征点的坐标值以及偏移量。矫正前图像中的平面坐标系中，可以将待矫正区域的左上角的顶点的坐标值作为初始特征点的坐标值。例如，初始特征点的坐标值可以为(x，y)＝(0，0)。根据待矫正区域的扭曲角度和姿态参数计算偏移量，偏移量可以用向量表示。根据初始特征点的坐标值和偏移量推算出第一个预测特征点的坐标值。为了保证能够获取到坐标值对应的像素值，坐标值应当是整数。由于第一个预测特征点的坐标值可能不是整数，为了取整数的坐标值，获取第一个预测特征点周围对应的一个或多个相邻特征点，每个相邻特征点的坐标值均为整数，获取各个相邻特征点的坐标值对应的像素值。同时，可以根据各个相邻特征点与第一个预测特征点之间的距离确定权重比。然后，根据各个相邻特征点的坐标值对应的像素值与权重比，计算得到最终的像素值作为第一个矫正后特征点的像素值，将第一个矫正后特征点的像素值转换为第一个矫正后特征点的坐标值。
根据第一个预测特征点的坐标值和偏移量，计算第二个预测特征点的坐标值，执行后续的步骤，得到第二个矫正后特征点的坐标值。在达到停止预测的条件下，得到第N(N大于或等于1)个矫正后特征点的坐标值。矫正后特征点的坐标值中纵坐标y的值通常为0，表示可以根据第一个至第N个矫正后特征点的坐标值，将N个矫正后特征点进行排列，得到矫正后图像。
本实施方式中，利用待矫正区域中的初始特征点的坐标值和偏移量计算预测特征点的坐标值，并基于预测特征点的坐标值计算矫正后特征点的坐标值，继续利用当前的预测特征点的坐标值和偏移量计算下一预测特征点的坐标值，进而得到下一矫正后特征点的坐标值，直至达到停止预测的条件下，根据全部矫正后特征点的坐标值得到矫正后图像。由于采用矫正前图像对应的偏移量等原始数据逐个预测矫正后图像中的特征点的坐标值，避免将矫正前图像中的全部特征点的坐标值进行运算，不仅减少了计算量，降低了硬件的功耗，还提高了图像矫正的效率和准确率，保证了矫正后图像更接近真实的正面图像。
在一种实施方式中，如图2所示，S130，包括：
S131：在预测特征点的坐标值为整数的情况下，将预测特征点的坐标值作为矫正后特征点的坐标值。
一种示例中，预测特征点的坐标值为(a，b)，在横坐标值a和纵坐标值b均为整数的情况下，预测特征点的坐标值就作为矫正后特征点的坐标值。明显减少了计算量，提高了图像矫正的效率，降低了硬件的功耗。
在一种实施方式中，如图2所示，S130：包括：
S132：在预测特征点的坐标值不完全是整数的情况下，根据预测特征点的坐标值选取围绕预测特征点四周的多个相邻特征点的坐标值，相邻特征点的坐标值为整数；
S133：根据各相邻特征点与预测特征点之间的距离，确定权重比；
S134：根据各相邻特征点的坐标值获取对应的像素值，并根据各相邻特征点的像素值和权重比，计算矫正后特征点的像素值；
S135：将矫正后特征点的像素值转换为矫正后特征点的坐标值。
一种示例中，预测特征点的坐标值不一定是整数，需要选取周围坐标值是整数的相邻特征点。例如，预测特征点的坐标值为(a，b)，根据预测特征点的坐标值(a，b)获取位于左上、右上、左下和右下的相邻特征点，四个相邻特征点的坐标值分别为第一坐标值(a1，b1)、第二坐标值(a2，b2)、第三坐标值(a3，b3)和第四坐标值(a4，b4)，且四个相邻特征点的坐标值中的横纵坐标均为整数。在预测特征点的横坐标值a是整数且纵坐标值b不是整数的情况下，或者横坐标值a不是整数且纵坐标值b是整数的情况下，可以选择任意两个相邻特征点的坐标值。例如，可以选择第一坐标值(a1，b1)和第二坐标值(a2，b2)的组合，获取的像素值为X1和X2。或者可以选择第二坐标值(a2，b2)和第三坐标值(a3，b3)的组合，获取的像素值为X2和X3。在预测特征点的横坐标值a不是整数且纵坐标值b不是整数的情况下，选择第一坐标值(a1，b1)、第二坐标值(a2，b2)、第三坐标值(a3，b3)和第四坐标值(a4，b4)的组合，获取的像素值为X1、X2、X3、X4。
根据各个相邻特征点和预测特征点之间的距离，确定选择的相邻特征点之间的权重比。例如，第一坐标值(a1，b1)和第二坐标值(a2，b2)的权重比为w1：w2＝2:3，或者第二坐标值(a2，b2)和第三坐标值(a3，b3)的权重比为w2：w3＝4:5，或者第一坐标值(a1，b1)、第二坐标值(a2，b2)、第三坐标值(a3，b3)和第四坐标值(a4，b4)的权重比w1：w2：w3：w4＝1:5:2:3。根据各相邻特征点的像素值和权重比，得到矫正后特征点的像素值。最后，将矫正后特征点的像素值转换为矫正后特征点的坐标值。
本实施方式中，每次计算得到一个预测特征点的坐标值，由于预测特征点的坐标值可能不是整数，无法直接获取对应的像素值，所以选取围绕预测特征点四周且坐标值为整数的相邻特征点，以便于获取相邻特征点的像素值，针对各相邻特征点的像素值进行计算，得到矫正后特征点的像素值，进而得到矫正后特征点的坐标值。提高了矫正后特征点的坐标值的准确性，进而使得矫正后特征点的坐标值排列而成的矫正后图像更接近真实的正面图像。
在一种实施方式中，如图2所示，还包括：
S101：利用神经网络模型检测待矫正区域中的多个特征点；
S102：根据多个特征点的坐标值计算扭曲角度和姿态参数；
S103：根据扭曲角度和姿态参数得到偏移量。
一种示例中，在人脸关键点检测的场景中，可以利用神经网络模型检测人脸图像中侧脸的多个特征点，待矫正区域包括侧脸。多个特征点可以包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等位置的特征点。神经网络模型可以包括多任务级联卷积神经网络(MTCNN，Multi-task Cascaded Convolutional Networks)等。在平面坐标系中，获取检测得到的多个特征点的坐标值，根据多个特征点的坐标值计算扭曲角度和姿态参数。例如，通过仿射变化公式推导出扭曲角度和姿态参数。
在一种实施方式中，配置信息还包括矫正后区域的预设尺寸参数，停止预测的条件是根据矫正后区域的预设尺寸参数生成的。
一种示例中，当第N个矫正后特征点的坐标值与预设尺寸参数相同时，达到停止预测的条件。假设矫正后的图像的预设尺寸参数包括宽度为100像素点、高度为50像素点，那么水平方向上每行有100个预测特征点，共有50行。
在一种具体实施方式中，提供在硬件层面实现图像矫正方法的过程。图3示出一种具体实施方式提供的实现图像矫正方法的硬件场景图。
将配置信息发送至预测计算模块(coordinate_alu)，预测计算模块(coordinate_alu)根据配置信息中的初始特征点的坐标值和偏移量，计算预测特征点的坐标值。
一方面，预测计算模块(coordinate_alu)将预测特征点的坐标值发送至地址获取模块(fetch)。地址获取模块(fetch)用于根据预测特征点的坐标值从存储器中读取多个相邻特征点的坐标值，获取对应的寄存器地址(mem)。寄存器地址是物理内存的全映像，可以用来访问物理内存。地址获取模块(fetch)将多个寄存器地址(mem)发送给数据获取模块(biu in)。数据获取模块(biu in)根据各个寄存器地址(mem)从存储器里查询预测特征点的坐标值或各个相邻特征点的坐标值对应的像素值，并利用AXI(Advancede XtensibleInterface，总线协议)将查询到的多个像素值传输回数据获取模块(biu in)中。其中，AXI是一种面向高性能、高带宽、低延迟的片内总线。存储器包括但不限于DDR(Double DataRate，双倍速率同步动态随机存储器)等。数据获取模块(biu in)将多个像素值发送至第一缓冲存储模块(alu_buf)。另一方面，预测计算模块(coordinate_alu)将预测特征点的坐标值或多个相邻特征点的坐标值发送至权重计算模块(cmd_fifo，command，命令提示符，first input first output，先进先出存储器)。权重计算模块(cmd_fifo)用于根据各个相邻特征点与预测特征点之间的距离，确定出权重比。例如，w0：w1：w2：w3，并将权重比发送至第一缓冲存储模块(alu_buf)。
第一缓冲存储模块(alu_buf)存储有多个相邻特征点的像素值和权重比。第一缓冲存储模块(alu_buf)将多个相邻特征点的像素值和权重比发送至矫正计算模块(alu)。矫正计算模块(alu)用于根据各相邻特征点的像素值和权重比，得到矫正后特征点的像素值。图4示出了根据四个相邻特征点的有效像素值P0、P1、P2、P3以及对应的权重比w0：w1：w2：w3，计算矫正后特征点的像素值的过程。P0*w0＝P0_w，P1*w1＝P1_w，w2*[(P0_w+P1_w)/1000000]＝P0_1_w；P2*w0＝P2_w，P3*w1＝P3_w，w3*[(P2_w+P3_w)/1000000]＝P2_3_w；(P0_1_w+P2_3_w)/1000000就是矫正后特征点的像素值。矫正计算模块(alu)将计算得到的矫正后特征点的像素值发送至第二缓冲存储模块(wb_buf)，临时存储。第二缓冲存储模块(wb_buf)将矫正后特征点的像素值转换成矫正后特征点的坐标值发送至数据输出模块(biu out)。数据输出模块(biu out)将矫正后特征点的坐标值通过总线AXI输入存储器中。
图5示出预测计算模块(coordinate_alu)根据初始特征点的坐标值(x，y)和偏移量，得到预测特征点的坐标值的计算过程。
首先，可以将偏移量分解在水平方向和垂直方向上，分别得到第一偏移量h_delta和第二偏移量v_delta。h_delta包含横坐标轴h_delta_x和纵坐标轴h_delta_y两个分量，v_delta包含横坐标轴v_delta_x和纵坐标轴v_delta_y两个分量。
水平方向上，第一行中初始特征点的横坐标值x累加h_delta_x得到第一个预测特征点的横坐标值。例如，如果初始特征点的横坐标值x＝0时，第一个预测特征点的横坐标值为h_delta_x。在计算第二个预测特征点的横坐标值之前需要修正h_delta_x，修正方式为h_delta_x累加h_delta_acc_x得到修正后的h_delta_x。其中，h_delta_acc_x是水平方向上偏移量的修正值，功能是可以让非线性的值h_delta_x存在一定的变化。以此类推，第一个预测特征点的横坐标值累加h_delta_x得到第二个预测特征点的横坐标值，并且每计算一个预测特征点的横坐标值都要重新修正一次，如此重复直到第一行结束。如果初始特征点的纵坐标值y＝0时，第一个预测特征点的纵坐标值为h_delta_y。h_delta_y的修正与上述的修正方式一致。
垂直方向上，第一行的初始特征点的横坐标值x累加v_delta_x作为第二行的初始特征点的横坐标值。例如，如果第一行的初始特征点的横坐标值x＝0时，第二行的初始特征点的横坐标值为v_delta_x。第一行中第一个预测特征点的横坐标值累加v_change_delta，得到第二行中第一个预测特征点的横坐标值。v_change_delta是垂直方向偏移量的第一次修正。第一行中第一个预测特征点的横坐标值累加v_change_delta之后，继续进行修正，即再累加水平方向上偏移量的二次修正值v_change_acc，得到第二行中第一个预测特征点的修正坐标值。第二行按照和第一行相同的规律推算得到多个预测特征点的坐标值，如此重复直到第二行结束。以此类推，直至第N行结束(N大于或等于1)。
计算模块(coordinate_alu)还针对每个预测特征点的坐标值选取周围的多个相邻特征点，例如，通常取四个相邻特征点，分别位于预测特征点的左上方、右上方、左下方和右下方。获取四个相邻特征点的坐标值，且四个相邻特征点的坐标值均为整数，因为只有整数才有对应的像素值。
一种示例中，硬件设备中的图像矫正装置接收配置信息，配置信息中包含的参数如表1所示。
配置信息 配置内容 描述
dst_width 5 矫正后的图像的预设尺寸参数宽度
dst_height 8 矫正后的图像的预设尺寸参数高度
start_x 3 初始特征点的坐标值
start_y 2 初始特征点的坐标值
init_h_delta_x 1.1 初始的水平方向x偏移量
init_h_delta_y 0.2 初始的水平方向y偏移量
h_delta_acc_x 0.001 水平方向x偏移量的修正
h_delta_acc_y 0.002 水平方向y偏移量的修正
v_change_delta_x 0.01 行发生变化时水平方向x偏移量的修正
v_change_delta_y 0.03 行发生变化时水平方向y偏移量的修正
v_change_acc_x 0.0001 行发生变化时水平方向x偏移量的二次修正
v_change_acc_y 0.0003 行发生变化时水平方向y偏移量的二次修正
v_delta_x 0.3 垂直方向x偏移量
v_delta_y 1.3 垂直方向y偏移量
v_delta_acc_x 0.0002 垂直方向x偏移量的修正
v_delta_acc_y 0.0004 垂直方向x偏移量的修正
表1
(1)计算矫正后特征点的坐标(x，y)＝(0，0)对应的像素值，具体过程包括：
1.1预测计算模块(coordinate_alu)从配置信息中提取待矫正区域的初始特征点的坐标值(3，2)，将待矫正区域的初始特征点的坐标值(3，2)发送至地址获取模块(fetch)和权重计算模块(cmd_fifo)。
1.2地址获取模块(fetch)接收到初始特征点的坐标值(3，2)后，会从存储器中读取多个相邻特征点坐标值，包括第一坐标值(a1，b1)＝(3，2)、第二坐标值(a2，b2)＝(4，2)、第三坐标值(a3，b3)＝(3，3)和第四坐标值(a4，b4)＝(4，3)，并根据寄存器地址从存储器中查询这四个相邻特征点的像素值。
1.3权重计算模块(cmd_fifo)接收到初始特征点的坐标值(3，2)后，计算出四个权重w0＝1，w1＝0，w2＝1，w3＝0。
1.4矫正计算模块(alu)根据四个相邻特征点的像素值和四个权重w0＝1，w1＝0，w2＝1，w3＝0，计算矫正后特征点的像素值，并将矫正后特征点的像素值写入第二缓冲存储模块(wb_buf)中。w1和w3都等于0，实际等效为直接选取初始特征点的坐标值(3，2)对应的像素值作为矫正后特征点的像素值。
1.5将第二缓冲存储模块(wb_buf)中的矫正后特征点的像素值写入矫正后图像中矫正后特征点的坐标(x，y)＝(0，0)点对应的位置。
(2)计算矫正后特征点的坐标(x，y)＝(1，0)对应的像素值，具体过程包括：
2.1预测计算模块(coordinate_alu)根据待矫正区域的初始特征点的坐标值(3，2)和偏移量计算得到第一个预测特征点的坐标值(3+init_h_delta_x，2+init_h_delta_y)，其中init_h_delta_x＝1.1，init_h_delta_y＝0.2，即得到第一个预测特征点的坐标值为(4.1，2.2)，并把第一个预测特征点的坐标值(4.1，2.2)发送给地址获取模块(fetch)和权重计算模块(cmd_fifo)。
2.2地址获取模块(fetch)接收到第一个预测特征点的坐标值(4.1，2.2)后，会从存储器中读取多个相邻特征点的坐标值，包括第一坐标值(a1，b1)＝(4，2)、第二坐标值(a2，b2)＝(5，2)、第三坐标值(a3，b3)＝(4，3)和第四坐标值(a4，b4)＝(5，3)，并根据寄存器地址从存储器中查询这四个相邻特征点的像素值。
2.3权重计算模块(cmd_fifo)接收到第一个预测特征点的坐标值(4.1，2.2)后，计算出四个权重w0＝0.9，w1＝0.1，w2＝0.8，w3＝0.2。
2.4矫正计算模块(alu)根据四个相邻特征点的像素值和四个权重w0＝0.9，w1＝0.1，w2＝0.8，w3＝0.2，计算矫正后特征点的像素值，并将矫正后特征点的像素值写入第二缓冲存储模块(wb_buf)中。
2.5把第二缓冲存储模块(wb_buf)中的矫正后特征点的像素值写入矫正后图像中矫正后特征点的坐标(x，y)＝(1，0)点对应的位置。
2.6更新init_h_delta_x，init_h_delta_y。更新后得到h_delta_x＝init_h_delta_x+h_delta_acc_x＝1.1+0.001＝1.101，h_delta_y＝init_h_delta_y+h_delta_acc_y＝0.2+0.002＝0.202作为第一次更新的偏移量。
(3)计算矫正后特征点的坐标(x，y)＝(2，0)对应的像素值，具体过程包括：
3.1预测计算模块(coordinate_alu)根据第一个预测特征点的坐标值(4.1，2.2)和第一次更新的偏移量计算得到第二个预测特征点的坐标值(4.1+h_delta_x，2.2+h_delta_y)，其中，h_delta_x＝1.101，h_delta_y＝0.202，即得到第二个预测特征点的坐标值为(5.201，2.402)，并把第二个预测特征点的坐标值(5.201，2.402)发送给址获取模块(fetch)和权重计算模块(cmd_fifo)。
3.2地址获取模块(fetch)接收到第二个预测特征点的坐标值(5.201，2.402)后，会从存储器中读取多个相邻特征点的坐标值，包括第一坐标值(a1，b1)＝(5，2)、第二坐标值(a2，b2)＝(6，2)、第三坐标值(a3，b3)＝(5，3)和第四坐标值(a4，b4)＝(6，3)，根据寄存器地址从存储器中查询这四个相邻特征点的像素值。
3.3权重计算模块(cmd_fifo)接收到第二个预测特征点的坐标值(5.201，2.402)后，计算出四个权重w0＝0.799，w1＝0.201，w2＝0.598，w3＝0.402。
3.4矫正计算模块(alu)根据四个相邻特征点的像素值和四个权重w0＝0.799，w1＝0.201，w2＝0.598，w3＝0.402，计算矫正后特征点的像素值，并将矫正后特征点的像素值写入第二缓冲存储模块(wb_buf)中。
3.5把第二缓冲存储模块(wb_buf)中的矫正后特征点的像素值写入矫正后图像中矫正后特征点的坐标(x，y)＝(2，0)点对应的位置。
3.6更新h_delta_x，h_delta_y。将h_delta_x+h_delta_acc_x＝1.101+0.001＝1.102作为新的h_delta_x，将h_delta_y+h_delta_acc_y＝0.202+0.002＝0.204作为新的h_delta_y，新的h_delta_x和新的h_delta_y作为第二次更新的偏移量。
4)计算矫正后的图像的坐标(x，y)＝(3，0)对应的像素值，具体过程包括：
4.1预测计算模块(coordinate_alu)根据第二个预测特征点的坐标值(5.201，2.402)和第二次更新的偏移量计算得到第三个预测特征点的坐标值(5.201+h_delta_x，2.402+h_delta_y)，其中h_delta_x＝1.102，h_delta_y＝0.204，即得到第三个预测特征点的坐标值为(6.303，2.606)，并把第三个预测特征点的坐标值(6.303，2.606)发送给地址获取模块(fetch)和权重计算模块(cmd_fifo)。
4.2地址获取模块(fetch)接收到第三个预测特征点的坐标值(6.303，2.606)后，会从存储器中读取多个相邻特征点的坐标值，包括第一坐标值(a1，b1)＝(6，2)、第二坐标值(a2，b2)＝(7，2)、第三坐标值(a3，b3)＝(6，3)和第四坐标值(a4，b4)＝(7，3)，根据寄存器地址从存储器中查询这四个相邻特征点的像素值。
4.3权重计算模块(cmd_fifo)接收到第三个预测特征点的坐标(6.303，2.606)后，计算出四个权重w0＝0.697，w1＝0.303，w2＝0.394，w3＝0.606。
4.4矫正计算模块(alu)根据四个相邻特征点的像素值和四个权重w0＝0.697，w1＝0.303，w2＝0.394，w3＝0.606，计算矫正后特征点的像素值，并将矫正后特征点的像素值写入第二缓冲存储模块(wb_buf)中。
4.5把第二缓冲存储模块(wb_buf)中的矫正后特征点的像素值写入矫正后图像中矫正后特征点的坐标(x，y)＝(3，0)点对应的位置。
4.6更新h_delta_x，h_delta_y。将h_delta_x+h_delta_acc_x＝1.102+0.001＝1.103作为新的h_delta_x，将h_delta_y+h_delta_acc_y＝0.204+0.002＝0.206作为新的h_delta_y，新的h_delta_x和新的h_delta_y作为第二次更新的偏移量。
5)计算矫正后的图像的坐标(x，y)＝(4，0)对应的像素值，该点是矫正后图像第0行的最后一个点，具体过程包括：
5.1预测计算模块(coordinate_alu)根据第三个预测特征点的坐标值(6.303，2.606)和第二次更新的偏移量计算得到第四个预测特征点的坐标值(6.303+h_delta_x，2.606+h_delta_y)，其中，h_delta_x＝1.103，h_delta_y＝0.206，即得到第四个预测特征点的坐标值为(7.406，2.812)，并把第四个预测特征点的坐标值(7.406，2.812)发送给地址获取模块(fetch)和权重计算模块(cmd_fifo)。
5.2地址获取模块(fetch)接收到第四个预测特征点的坐标值(7.406，2.812)后，会从存储器中读取多个相邻特征点的坐标值，包括第一坐标值(a1，b1)＝(7，2)、第二坐标值(a2，b2)＝(8，2)、第三坐标值(a3，b3)＝(7，3)和第四坐标值(a4，b4)＝(8，3)，根据寄存器地址从存储器中查询这四个相邻特征点的像素值。
5.3权重计算模块(cmd_fifo)接收第四个预测特征点的坐标值(7.406，2.812)后，计算出四个权重w0＝0.594，w1＝0.406，w2＝0.188，w3＝0.812。
5.4矫正计算模块(alu)根据四个相邻特征点的像素值和四个权重w0＝0.594，w1＝0.406，w2＝0.188，w3＝0.812，计算矫正后特征点的像素值，并将矫正后特征点的像素值写入第二缓冲存储模块(wb_buf)中。
5.5将第二缓冲存储模块(wb_buf)中的矫正后特征点的像素值写入矫正后图像中矫正后特征点的坐标(x，y)＝(4，0)点对应的位置。
5.6由于此时要换行，所以偏移量的更新与前述的更新不同。更新init_h_delta_x，init_h_delta_y。更新后得到h_delta_x＝init_h_delta_x+v_change_delta_x＝1.1+0.01＝1.11h_delta_y＝init_h_delta_y+v_change_delta_y＝0.2+0.03＝0.23。更新h_delta_acc_x，h_delta_acc_y。将h_delta_acc_x+v_change_acc_x＝0.001+0.0001＝0.0011作为新的h_delta_acc_x，将h_delta_acc_y+v_change_acc_y＝0.002+0.0003＝0.0023作为新的h_delta_acc_y。
(6)计算矫正后的图像的坐标(x，y)＝(0，1)对应的像素值，该点为第1行的第一个点，具体过程包括：
6.1预测计算模块(coordinate_alu)根据待矫正区域的初始特征点的坐标值(3，2)和偏移量计算得到第二行的第一个预测特征点(第五个预测特征点)的坐标值为(3+v_delta_x，2+v_delta_y)，其中v_delta_x＝0.3，v_delta_y＝1.3(参见表1)，即得到第五个预测特征点的坐标值为(3.3，3.3)，并将第五个预测特征点的坐标值(3.3，3.3)送给地址获取模块(fetch)和权重计算模块(cmd_fifo)。
6.2地址获取模块(fetch)接收到第五个预测特征点的坐标值(3.3，3.3)后，会从存储器中读取多个相邻特征点坐标值，包括第一坐标值(a1，b1)＝(3，3)、第二坐标值(a2，b2)＝(4，3)、第三坐标值(a3，b3)＝(3，4)和第四坐标值(a4，b4)＝(4，4)，并根据寄存器地址从存储器中查询这四个相邻特征点的像素值。
6.3权重计算模块(cmd_fifo)接收到第五个预测特征点的坐标值(3.3，3.3)后，计算出四个权重w0＝0.7，w1＝0.3，w2＝0.7，w3＝0.3。
6.4矫正计算模块(alu)根据四个相邻特征点的像素值和四个权重w0＝0.7，w1＝0.3，w2＝0.7，w3＝0.3，计算矫正后特征点的像素值，并将矫正后特征点的像素值写入第二缓冲存储模块(wb_buf)中。
6.5将第二缓冲存储模块(wb_buf)中的矫正后特征点的像素值写入矫正后图像中矫正后特征点的坐标(x，y)＝(0，1)点对应的位置。
6.6更新v_delta_x，v_delta_y。将v_delta_x+v_delta_acc_x＝0.3+0.0002＝0.3002作为新的v_delta_x，将v_delta_y+v_delta_acc_y＝1.3+0.0004＝1.3004作为新的v_delta_y。
(7)计算矫正后的图像的坐标(x，y)＝(1，1)对应的像素值。此过程同(2)。
(8)计算矫正后的图像的坐标(x，y)＝(2，1)对应的像素值。此过程同(3)。
(9)计算矫正后的图像的坐标(x，y)＝(3，1)对应的像素值。此过程同(4)。
(10)计算矫正后的图像的坐标(x，y)＝(4，1)对应的像素值，此过程同(5)。
(11)计算矫正后的图像的坐标(x，y)＝(0，2)对应的像素值，此过程同(6)。
如图6所示，具体实施方式提供了一种图像矫正装置，包括：
配置信息获取模块110，用于获取矫正前图像中待矫正区域的配置信息，配置信息包括初始特征点的坐标值以及偏移量；
预测特征点的坐标值计算模块120，用于根据初始特征点的坐标值和偏移量，得到预测特征点的坐标值；
计算触发模块130，用于将预测特征点的坐标值作为初始特征点的坐标值，指示预测特征点的坐标值计算模块120执行上述预测步骤；
矫正后特征点的坐标值计算模块140，用于根据预测特征点的坐标值计算矫正后特征点的坐标值；
矫正后图像生成模块150，用于在达到停止预测的条件下，根据计算得到的全部矫正后特征点的坐标值生成矫正后图像。
在一种实施方式中，如图7所示，矫正后特征点的坐标值计算模块140，包括：
第一计算子模块141，用于选取围绕预测特征点四周的至少一个相邻特征点的坐标值，相邻特征点的坐标值为整数；
在一种实施方式中，如图7所示，矫正后特征点的坐标值计算模块140，包括：
相邻特征点选取子模块142，用于在预测特征点的坐标值不完全是整数的情况下，根据预测特征点的坐标值选取围绕预测特征点四周的多个相邻特征点的坐标值，相邻特征点的坐标值为整数；
权重比计算子模块143，用于根据各相邻特征点与预测特征点之间的距离，确定权重比；
第二计算子模块144，用于根据各相邻特征点的坐标值获取对应的像素值，并根据各相邻特征点的像素值和权重比，计算矫正后特征点的像素值；
坐标值转换子模块145，用于将矫正后特征点的像素值转换为矫正后特征点的坐标值。
在一种实施方式中，如图7所示，还包括：
特征点检测模块100，用于利用神经网络模型检测待矫正区域中的多个特征点；
参数计算模块101，用于根据多个特征点的坐标值计算扭曲角度和姿态参数；
偏移量计算模块102，用于根据扭曲角度和姿态参数得到偏移量。
在一种实施方式中，配置信息还包括矫正后图像的预设尺寸参数，停止预测的条件是根据矫正后图像的预设尺寸参数生成的。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的一种图像矫正方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的一种图像矫正方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的一种图像矫正方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的一种图像矫正方法对应的程序指令/模块(例如，附图6所示的配置信息获取模块110、第一计算模块120、计算触发模块130、第二计算模块140和矫正后图像生成模块150)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的一种图像矫正方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种图像矫正方法的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(Liquid Cr8stal Displa8，LCD)、发光二极管(Light Emitting Diode，LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种图像矫正方法，其特征在于，包括：
获取矫正前图像中待矫正区域的配置信息，所述配置信息包括初始特征点的坐标值以及偏移量；
根据所述初始特征点的坐标值和所述偏移量，得到预测特征点的坐标值，将所述预测特征点的坐标值作为所述初始特征点的坐标值，返回执行上述预测步骤；
根据所述预测特征点的坐标值计算矫正后特征点的坐标值；
在达到停止预测的条件下，根据计算得到的全部矫正后特征点的坐标值生成矫正后图像。
2.根据权利要求1所述的方法，其特征在于，根据所述预测特征点的坐标值计算矫正后特征点的坐标值，包括：
在所述预测特征点的坐标值为整数的情况下，将所述预测特征点的坐标值作为所述矫正后特征点的坐标值。
3.根据权利要求1所述的方法，其特征在于，根据所述预测特征点的坐标值计算矫正后特征点的坐标值，包括：
在所述预测特征点的坐标值不完全是整数的情况下，根据所述预测特征点的坐标值选取围绕所述预测特征点四周的多个相邻特征点的坐标值，所述相邻特征点的坐标值为整数；
根据各所述相邻特征点与所述预测特征点之间的距离，确定权重比；
根据各所述相邻特征点的坐标值获取对应的像素值，并根据各所述相邻特征点的像素值和所述权重比，计算所述矫正后特征点的像素值；
将所述矫正后特征点的像素值转换为所述矫正后特征点的坐标值。
4.根据权利要求1所述的方法，其特征在于，还包括：
利用神经网络模型检测所述待矫正区域中的多个特征点；
根据所述多个特征点的坐标值计算扭曲角度和姿态参数；
根据所述扭曲角度和所述姿态参数得到所述偏移量。
5.根据权利要求1所述的方法，其特征在于，所述配置信息还包括矫正后图像的预设尺寸参数，所述停止预测的条件是根据所述矫正后图像的预设尺寸参数生成的。
6.一种图像矫正装置，其特征在于，包括：
配置信息获取模块，用于获取矫正前图像中待矫正区域的配置信息，所述配置信息包括初始特征点的坐标值以及偏移量；
预测特征点的坐标值计算模块，用于根据所述初始特征点的坐标值和所述偏移量，得到预测特征点的坐标值；
计算触发模块，用于将所述预测特征点的坐标值作为所述初始特征点的坐标值，指示所述预测特征点的坐标值计算模块执行上述预测步骤；
矫正后特征点的坐标值计算模块，用于根据所述预测特征点的坐标值计算矫正后特征点的坐标值；
矫正后图像生成模块，用于在达到停止预测的条件下，根据计算得到的全部矫正后特征点的坐标值生成矫正后图像。
7.根据权利要求6所述的装置，其特征在于，所述矫正后特征点的坐标值计算模块，包括：
第一计算子模块，用于在所述预测特征点的坐标值为整数的情况下，将所述预测特征点的坐标值作为所述矫正后特征点的坐标值。
8.根据权利要求6所述的装置，其特征在于，所述矫正后特征点的坐标值计算模块，包括：
相邻特征点选取子模块，用于在所述预测特征点的坐标值不完全是整数的情况下，根据所述预测特征点的坐标值选取围绕所述预测特征点四周的多个相邻特征点的坐标值，所述相邻特征点的坐标值为整数；
权重比计算子模块，用于根据各所述相邻特征点与所述预测特征点之间的距离，确定权重比；
第二计算子模块，用于根据各所述相邻特征点的坐标值获取对应的像素值，并根据各所述相邻特征点的像素值和所述权重比，计算所述矫正后特征点的像素值；
坐标值转换子模块，用于将所述矫正后特征点的像素值转换为所述矫正后特征点的坐标值。
9.根据权利要求6所述的装置，其特征在于，还包括：
特征点检测模块，用于利用神经网络模型检测所述待矫正区域中的多个特征点；
参数计算模块，用于根据所述多个特征点的坐标值计算扭曲角度和姿态参数；
偏移量计算模块，用于根据所述扭曲角度和所述姿态参数得到所述偏移量。
10.根据权利要求6所述的装置，其特征在于，所述配置信息还包括矫正后图像的预设尺寸参数，所述停止预测的条件是根据所述矫正后图像的预设尺寸参数生成的。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN202010307251.XA 2020-04-17 2020-04-17 图像矫正方法以及装置 Active CN113538252B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010307251.XA CN113538252B (zh) 2020-04-17 2020-04-17 图像矫正方法以及装置
PCT/CN2020/118676 WO2021208369A1 (zh) 2020-04-17 2020-09-29 图像矫正方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010307251.XA CN113538252B (zh) 2020-04-17 2020-04-17 图像矫正方法以及装置

Publications (2)

Publication Number Publication Date
CN113538252A CN113538252A (zh) 2021-10-22
CN113538252B true CN113538252B (zh) 2024-03-26

Family

ID=78084730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010307251.XA Active CN113538252B (zh) 2020-04-17 2020-04-17 图像矫正方法以及装置

Country Status (2)

Country Link
CN (1) CN113538252B (zh)
WO (1) WO2021208369A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494686A (zh) * 2022-01-28 2022-05-13 北京百度网讯科技有限公司 文本图像矫正方法、装置、电子设备以及存储介质
CN115797198B (zh) * 2022-10-24 2023-05-23 北京华益精点生物技术有限公司 图像标记矫正方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945113A (zh) * 2017-11-17 2018-04-20 北京天睿空间科技股份有限公司 局部图像拼接错位的矫正方法
CN108198219A (zh) * 2017-11-21 2018-06-22 合肥工业大学 用于摄影测量的相机标定参数的误差补偿方法
CN108391050A (zh) * 2018-02-12 2018-08-10 维沃移动通信有限公司 一种图像处理方法及移动终端
CN110400266A (zh) * 2019-06-13 2019-11-01 北京小米移动软件有限公司 一种图像矫正的方法及装置、存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663413B (zh) * 2012-03-09 2013-11-27 中盾信安科技(江苏)有限公司 一种面向多姿态和跨年龄的人脸图像认证方法
GB2543893A (en) * 2015-08-14 2017-05-03 Metail Ltd Methods of generating personalized 3D head models or 3D body models
CN106600640B (zh) * 2016-12-12 2020-03-20 杭州视氪科技有限公司 一种基于rgb-d相机的人脸识别辅助眼镜
US10373291B1 (en) * 2018-01-31 2019-08-06 Google Llc Image transformation for machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945113A (zh) * 2017-11-17 2018-04-20 北京天睿空间科技股份有限公司 局部图像拼接错位的矫正方法
CN108198219A (zh) * 2017-11-21 2018-06-22 合肥工业大学 用于摄影测量的相机标定参数的误差补偿方法
CN108391050A (zh) * 2018-02-12 2018-08-10 维沃移动通信有限公司 一种图像处理方法及移动终端
CN110400266A (zh) * 2019-06-13 2019-11-01 北京小米移动软件有限公司 一种图像矫正的方法及装置、存储介质

Also Published As

Publication number Publication date
WO2021208369A1 (zh) 2021-10-21
CN113538252A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN111523468B (zh) 人体关键点识别方法和装置
US20210209774A1 (en) Image adjustment method and apparatus, electronic device and storage medium
CN111738072A (zh) 目标检测模型的训练方法、装置及电子设备
CN111524166B (zh) 视频帧的处理方法和装置
CN112785674A (zh) 纹理贴图的生成方法、渲染方法、装置、设备及存储介质
CN112150551A (zh) 物体位姿的获取方法、装置和电子设备
CN110443230A (zh) 人脸融合方法、装置以及电子设备
CN110929639A (zh) 用于确定图像中障碍物位置的方法、装置、设备和介质
CN112381183B (zh) 目标检测方法、装置、电子设备及存储介质
CN110675635B (zh) 相机外参的获取方法、装置、电子设备及存储介质
CN111275827B (zh) 基于边缘的增强现实三维跟踪注册方法、装置和电子设备
CN113538252B (zh) 图像矫正方法以及装置
CN111967297A (zh) 图像的语义分割方法、装置、电子设备及介质
CN112509058B (zh) 外参的计算方法、装置、电子设备和存储介质
CN112907496A (zh) 一种图像融合方法以及装置
CN112085814A (zh) 电子地图显示方法、装置、设备及可读存储介质
CN113628239A (zh) 显示优化方法、相关装置及计算机程序产品
CN111191619B (zh) 车道线虚线段的检测方法、装置、设备和可读存储介质
CN112083846A (zh) 地图显示标记点击区域的检测方法、装置以及电子设备
CN111833391A (zh) 图像深度信息的估计方法及装置
CN113205090B (zh) 图片矫正方法、装置、电子设备及计算机可读存储介质
CN112150380B (zh) 校正图像的方法、装置、电子设备和可读存储介质
CN113780045B (zh) 用于训练距离预测模型的方法和装置
CN114119990A (zh) 用于图像特征点匹配的方法、装置及计算机程序产品
CN111696134A (zh) 一种目标检测方法、装置以及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant