[发明专利]一种基于深度学习的图片自动调整对齐的方法及装置

说明书

本发明涉及一种基于深度学习的图片自动调整对齐的方法及设备，包括以下步骤：模型的建立包括以下步骤：采用卷积神经网络对图像进行学习，在训练阶段，首先转换现有的所需调整对齐的图片和模板图片成灰度图并标注标签信息，形成的训练数据集中的标签集；然后将训练数据集输入U‑net网络中，采用随机梯度下降法更新网络的参数，迭代多次，得到U‑net网络模型；将变换后的灰度图均输入模型，计算初图片背景S1和模板背景S2的质心点z1和z2；比较质心点z1和z2在图片中的相对位置，得到偏移量，然后根据该偏移量用计算机调整得到自适应调整后的准确图片，通过运用深度学习技术，经过图像训练后能快速、精准地识别图像的背景，所得结果快速、客观、准确、稳定。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于深度学习的图片自动调整对齐的方法及装置。

背景技术

当科考船在外用拍摄仪器获取图片的时候，因为在海上的颠簸会导致图片无规律的偏移，使目标物体一定程度上偏离中心出现在上下左右的位置，而这一偏移可能会导致人们查看图片时的不便性。

而现有已知的方法是一种遍历整个图像像素点然后通过极大值极小值以及图像是否要求倾斜角来找出偏移图像和实际图像的相对位置，而这种方法比较消耗电脑的计算资源，速度比较慢，当图像大小较大或图像数量较多时，这种方法会花更多的时间，而且当计算机的计算条件不足时，则会花费更多的时间。

发明内容

针对现有技术中存在的技术问题，本发明的目的是：提供一种基于深度学习的图片自动调整对齐的方法及装置，其替代传统的调节方法，能够快速、客观、准确、清晰地获得调整后的图像。

为了达到上述目的，本发明采用如下技术方案：

一种基于深度学习的图片自动调整对齐的方法及设备，包括以下步骤：

1)模型的建立包括以下步骤：采用卷积神经网络对图像进行学习，在训练阶段，首先转换现有的所需调整对齐的图片和模板图片为灰度图并标注标签信息，形成的训练数据集中的标签集；然后将训练数据集输入U-net网络中，采用随机梯度下降法更新网络的参数，迭代多次，得到U-net网络模型；

2)对船上拍摄获取的初图片和模板图进行变换，均得到变换后的灰度图；

3)将变换后的灰度图均输入模型，模型将初图片的灰度图输出分割为初图片背景S1和与非背景部分的二值图像，模板图的灰度图输出分割为背景S2和非背景部分的二值图像；

4)计算初图片背景S1和模板背景S2的质心点z1和z2；

5)比较质心点z1和z2在图片中的相对位置，得到偏移量，然后根据该偏移量用计算机调整得到自适应调整后的准确图片。

进一步，步骤4)中，质心以及相对位置，已知初图片背景S1与模板背景S2的面积图，则求质心点是通过使用连通域的方法计算不规则多边形范围矩形bounds的中心点，方法如下：

1)用连通域的方法获取背景分区(如果背景被目标物分开则会有多个背景)，连通域标记会有从1到n个(n≥1)；

2)任意选用一个连通域标记的背景S1’和S2’,分别将S1’,S2’区域内的横坐标与纵坐标求和在求平均，即为区域中心坐标的横坐标x和纵坐标y(如公式1-1和公式1-2所示)；

(k代表着所用连通域标记的目标背景所含的像素点个数)

以不规则多边形范围矩形bounds的中心点作为质心点z1(x1’,y1’)和z2(x2’,y2')，相对位置就比较质心点z1与z2的x，y的差即可得到应该调整的距离x1和y1。