[发明专利]畸变校正方法和装置、计算机可读的存储介质及电子装置

说明书

本发明公开了一种畸变校正方法和装置、计算机可读的存储介质及电子装置。其中，该方法包括：获取通过待校正的目标摄像头采集到的目标图像。将目标图像输入与目标摄像头相匹配的畸变校正模型，其中，畸变校正模型为利用多个样本图像进行机器学习后，得到的用于对畸变图像进行校正的神经网络模型。获取畸变校正模型输出的对目标图像进行校正后的校正图像。本发明解决了由于校正的操作较复杂导致校正的效率较低的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种畸变校正方法和装置、计算机可读的存储介质及电子装置。

背景技术

摄像头成像产生的畸变包括径向畸变和切向畸变，其中径向畸变是沿着透镜半径方向分布的畸变，产生原因是光线在原理透镜中心的地方比靠近中心的地方更加弯曲；切向畸变是由于透镜本身与相机传感器平面(成像平面)或图像平面不平行而产生的。

有时同一厂家生产的同一批摄像头产生的畸变也会略有差异，当有大量的摄像头需要校正时，这将会增加校正的工作量，由于校正的操作较复杂导致校正的效率较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种畸变校正方法和装置、计算机可读的存储介质及电子装置，以至少解决由于校正的操作较复杂导致校正的效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种畸变校正方法，包括：获取通过待校正的目标摄像头采集到的目标图像；将上述目标图像输入与上述目标摄像头相匹配的畸变校正模型，其中，上述畸变校正模型为利用多个样本图像进行机器学习后，得到的用于对畸变图像进行校正的神经网络模型；获取上述畸变校正模型输出的对上述目标图像进行校正后的校正图像。

作为一种可选的实施方式，在获取通过待校正的目标摄像头采集到的目标图像之前，包括：确定上述目标摄像头所属的目标类型；随机获取属于上述目标类型的多个摄像头采集到的多个第一图像；对上述多个第一图像分别进行校正，得到多个第二图像；对上述多个第一图像和上述多个第二图像进行预处理，以构建多个图像对；将上述多个图像对作为上述多个样本图像，输入初始畸变校正模型进行机器学习，以得到上述畸变校正模型。

作为一种可选的实施方式，上述将上述多个图像对作为上述多个样本图像，输入初始畸变校正模型进行机器学习，以得到上述畸变校正模型包括：重复执行以下步骤，直至得到上述畸变校正模型：从上述多个样本图像中确定出当前待处理的图像对，并确定当前畸变校正模型，其中，上述当前待处理的图像对中包括：当前待处理的第一图像及当前待处理的第二图像；通过上述当前畸变校正模型，对上述当前待处理的第一图像进行编码和解码处理，以得到参考图像；计算上述参考图像与上述第二图像的网络损失；获取上述多个样本图像输出的网络损失；使用上述网络损失计算网络梯度，以更新上述当前畸变校正模型中的参数；在上述网络损失未收敛的情况下，确定未达到校正条件，则获取下一批次的多个样本图像；在上述网络损失收敛的情况下，确定已达到上述校正条件，则将上述当前畸变校正模型作为上述畸变校正模型。

作为一种可选的实施方式，上述对上述多个第一图像分别进行校正，得到多个第二图像包括：获取上述多个摄像头的内参和畸变系数；利用上述内参和畸变系数对上述多个第一图像分别进行校正，以得到上述多个第二图像。

作为一种可选的实施方式，上述对上述多个第一图像和上述多个第二图像进行预处理，以构建多个图像对包括：比对上述多个第一图像和上述多个第二图像；根据比对的结果确定上述第一图像和上述第二图像之间的映射关系；将具有上述映射关系的上述第一图像与上述第二图像构建为一个图像对，以得到上述多个图像对。获取上述目标摄像头采集到的第一目标图像，矫正第一目标图像，获取第二目标图像；根据上述第一目标图像和上述第二目标图像获取畸变矫正训练模型。