[发明专利]基于多图像处理的测量机器人测量优化方法

说明书

本发明涉及计算机视觉技术领域，具体涉及基于多图像处理的测量机器人测量优化方法，包括：获取被测物体图像以及拍摄时的运动方向，获取被测物体图像中的高低频像素点及其占比，并根据整体较低频区域的高低频比例选取高频区域部分像素点，获取高频区域运动模糊像素点，获取被测物体图像中的模糊区域，根据模糊区域中像素点的梯度值得到模糊区域的模糊比例，获取模糊区域的尺寸，根据模糊区域的尺寸得到自适应卷积核的大小，利用卷积核对被测物体图像进行自适应卷积得到去模糊后的图像。本发明在针对获取到的被测物体运动模糊图像特征的基础上，优化去模糊算法，获取清晰被测物体图像，实现测量机器人测量过程中的数据优化。

技术领域

本发明涉及计算机视觉技术领域，具体涉及基于多图像处理的测量机器人测量优化方法。

背景技术

近年来，随着无人机技术的发展升级，在工业领域，测量机器人的应用越来越广泛，例如在基础设施建设中，测量机器人用于测绘、勘察、巡检等环节，提高了工作效率和质量。在农业和林业领域，测量机器人用于监测作物生长、病虫害防治、森林资源调查等方面。此外测量机器人还在环境监测、能源勘探、救援等领域发挥了重要作用。这些机器人可以通过多图像处理技术来提高测量精度和效率。随着人工智能和机器学习技术的发展，测量机器人也可以通过这些技术来实现自主导航、场景感知、路径规划等功能。在未来，随着技术的进一步发展和市场需求的增长，图像测量机器人行业将继续保持快速增长，为各个领域带来更多的价值。

在实际的图像测量还原过程中，通常根据激光雷达传感器的测量结果，结合多帧图像对被测量物体的三维立体模型进行还原。通常为了提升效率，在拍摄多帧图像时，机器人是在移动过程中完成的，因此对于单帧图像来说，不可避免地会出现一定运动模糊情况，对还原被测物体的准确性产生了一定影响。现有的图像运动模糊复原方法包括逆滤波、维纳滤波、Lucy-Richardson算法、图像盲反卷积算法等，这些方法各有优缺点。但是对于模糊核的选取仍存在各自的技术问题，而模糊核往往直接决定了最终处理结果的好坏。

发明内容

本发明提供基于多图像处理的测量机器人测量优化方法，以解决现有的问题。

本发明的基于多图像处理的测量机器人测量优化方法采用如下技术方案：

本发明一个实施例提供了基于多图像处理的测量机器人测量优化方法，该方法包括以下步骤：

获取被测物体图像和拍摄时的运动方向；

获取被测物体图像中像素点的梯度值和梯度序列，根据梯度序列得到被测物体图像中的高低频区域的分隔值A，获取低频梯度序列，根据低频梯度序列得到低频梯度序列的分隔值B，根据高低频区域的分隔值A和低频梯度序列的分隔值B得到模板边缘；根据运动方向对模板边缘进行平移得到平移后的模板边缘，根据平移后的模板边缘和平移前的模板边缘得到差异程度，根据差异程度对平移后的模板边缘再次进行多次平移，得到模糊区域和模糊区域的尺寸；

根据模糊区域中像素点的梯度值得到模糊区域的模糊比例；根据模糊区域的尺寸得到卷积核的大小，根据模糊区域的模糊比例和卷积核的大小确定卷积核中元素值得到模糊区域卷积核；

利用模糊区域卷积核对被测物体图像进行自适应卷积得到去模糊后的图像。

进一步地，所述根据梯度序列得到被测物体图像中的高低频区域的分隔值A，包括的具体步骤如下：

获取梯度序列中相邻梯度值的差值，选取差值最大的两个梯度值，将最大梯度值作为被测物体图像中高低频区域的分隔值A。

进一步地，所述低频梯度序列的具体获取方法如下：

将梯度序列中梯度最小值作为低频梯度序列的最小值，将被测物体图像中高低频区域的分隔值A作为低频梯度序列的最大值，在梯度序列中将低频梯度序列的最小值和低频梯度序列的最大值之间的梯度值构成的序列作为低频梯度序列。

进一步地，所述根据高低频区域的分隔值A和低频梯度序列的分隔值B得到模板边缘，包括的具体步骤如下：