【图像提取】鱼眼图像有效区域提取【含Matlab源码 2186期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、鱼眼图像

1 鱼眼图像研究
随着信号处理和图像处理技术的发展,基于鱼眼全景监控摄像头的视觉处理技术得到快速发展,中国已于2013年底发射“嫦娥三号”,搭载的“玉兔号”月球车所配备的就是全景摄像头,拍摄的全景图和展开图如图1所示。另外,鱼眼镜头还广泛应用于全景安全监控、地铁走廊监控等长距离和大场地空间,相较一般的摄像头,其视场角接近于180°甚至超过180°,所以相比普通镜头,鱼眼镜头能够拍摄到更大场景画面,获取到更多的空间信息。为了捕获更多的信息,目前高清鱼眼镜头也得到了广泛应用,它所获得的图像对校正有着更高的要求,图2是1 080p高清鱼眼镜头所拍摄的鱼眼图像, 分辨率达到1 920×1 280,单帧图像像素点数目高达250万。 当镜头的视场角由几十度提高到180°时,图像将产生严重畸变[,所以对校正的时间复杂度和计算量有很大的挑战。

针对鱼眼大广角畸变图像的校正研究,目前也已经相当成熟,鱼眼图像校正的关键在于准确提取出鱼眼图像的有效区域, 同时确定出有效区域的中心和半径。本文主要研究针对高清鱼眼镜头的实时视频监控,提出的算法可以在不降低提取精度的图1玉兔号拍摄的全景图及校正图同时,显著降低鱼眼图像有效区域提取的时间复杂度和计算量, 将以往算法[2,3,4,5,6]的200万计算量降低到万量级以下。

2 鱼眼图像校正原理
针对鱼眼图像校正模型的研究,主要有基于经度坐标的校正模型、等距投影校正模型、球面透视投影模型和基于内容的校正模型,但是对于超过180°的超大广角鱼眼镜头,一般目前应用最多的是球面透视投影模型,文献[2]提出一种透视投影模型,空间点到鱼眼图像点的坐标变换不是简单的线性转换,且给出如下流程[2]:第一步,建立空间点P与球面中心圆点的关系,即向量OP;第二步,通过向量OP得到空间点P与球面模型映射点的关系;第三步,通过模型计算得到球面点与投影点的关系。

如图3所示,球面上的点与投影点保持一一映射的关系, 这种投影关系可以由m=D§来表示;反之,为了逆向得到校正输出点,通过p=D-1(m)即可得到,通过这种映射关系,就可以实现对畸变图像的校正。

图3 鱼眼校正模型

3 鱼眼图像的有效区域提取
3.1 算法原理
根据鱼眼图像的特征,相比较黑色像素部分,有效区域基本占据了整幅鱼眼图像的大部分区域,目前对于鱼眼畸变图像的有效提取主要有4种算法:最小二乘拟合算法[3]、面积统计算法[4]、区域生长算法[5]和逐行逐列扫描线[6]算法。其中最小二乘拟合算法和面积统计算法由于是对整幅鱼眼畸变图像的所有像素点进行扫描判断,因此其时间复杂度和空间复杂度都要比逐行逐列扫描线算法要高,故在实际应用中, 应用最广的也是算法最成熟的是逐行逐列扫描线算法。当对高清图像进行处理时,单帧像素点数目高达250万,即使是应用最多的逐行逐列扫描线算法,有效计算量一般也在百万次以上,计算量相当大。为了减少计算量和复杂度,本文提出的算法思路是首先划定一特定水平分割线,由此寻找最接近边界线的范围区域,减少不必要像素点的检测,然后再在此区域内精确寻找有效区域边界线。

3.2 算法具体实现过程
鱼眼图像有效区域的左右边界线的确定流程如图4所示。

图4 有效区域左右边界线提取流程

步骤1:首先在鱼眼图像的水平中间线上进行边界点的扫描,如图5所示。P1P2所在直线为水平分割线,其位置是鱼眼图像高度的1/2,先如向右箭头方向扫描。

图5 分割线扫描算法
步骤2:由式(1)计算出当前点的像素亮度值
I=0.59R+0.11G+0.3B(1)
将该点像素亮度值I与下一点的像素亮度值Incxt进行比较,由式(2)判断其差值是否满足条件

式中:T为预设阈值,如果当前点满足上述条件,则将该点设为临时边界点,在图5中标为P1点;如果不满足上述条件,则继续下一点的比较。同理,如向左箭头方向扫描,计算该点像素亮度值是否满足式(2),如果满足条件,则将该点设为临时右边界点,图中标为P2点;如果不满足上述条件,则继续下一点的比较。其中P1和P2点并不一定恰好是鱼眼图像有效区域的边缘,这是由于鱼眼图像中可能存在的黑色像素导致的,如果鱼眼图像中边缘有黑色物体,单纯地由水平分割线上的点的关系无法实现准确的有效区域边缘识别,所以进行如下计算。

步骤3:以P1点为起点,作P1P2线的垂线段,此垂线段的高度为鱼眼图像高度的1/2,如图2所示的鱼眼图像,鱼眼图像的有效区域基本位于整幅鱼眼图像的中间位置,因此为减少不必要的计算量,垂线段的高度为鱼眼图像的1/2即可达到提取目标,这也通过实验证实了其可行性,然后向鱼眼图像边缘方向移动,由式(1)计算此垂线段上的每个点的像素亮度值,并由式(3)求得最大亮度值与最小亮度值之差,即极限亮度值之差

式中:Δ 为极限亮度值之差。再由式(4)判断极限亮度值之差是否满足条件

式中:Δnext为下一个扫描线段的极限亮度值之差。

如果满足上述条件,则将下一点所在的纵向直线设为鱼眼图像有效区域的左边界线;如果不满足上述条件,则继续下一点所在垂线上的极限亮度值之差的比较。

步骤4:与步骤3原理相同,以P2点为起点,作P1P2线的垂线段,此垂线段的高度为鱼眼图像高度的1/2,并向鱼眼图像边缘方向移动,计算此垂线上所有点的极限亮度值之差是否满足式(4),如果满足此条件,则将下一点所在的纵向直线设为鱼眼图像有效区域的右边界线;如果不满足,则继续下一点所在垂线上的极限亮度值之差的比较。

鱼眼图像有效区域的上下边界线的提取流程如图6所示。

步骤5:确定出鱼眼图像有效区域的左右边界线之后,以P1P2的中点作P1P2的垂线Q1Q2,从此垂线交于鱼眼图像的上边缘点开始向内移动,如图5所示,由式(1)计算当前点的像素亮度值,并判断是否与下一点的亮度值之差满足式(2),如果满足此条件,则将下一点设为临时上边界点,在图中标为Q1点;如果不满足上述条件,则继续下一点像素亮度值的比较。同理,从此垂线交于鱼眼图像的下边缘点开始向内移动,由式(1)计算当前点的像素亮度值与前一点的亮度值之差是否满足式(2),如果满足此条件,则将下一点设为临时下边界点,在图中标为Q2点;如果不满足上述条件,则继续下一点像素亮度值的比较。其中Q1和Q2点并不一定恰好是鱼眼图像有效区域的边缘,这与P1和P2点也不恰好是边缘点的原因一样,这都是由鱼眼图像中可能存在的黑色像素导致的。

图6 有效区域上下边界线提取过程

步骤6:同样为了减小鱼眼图像有效区域中的黑色像素带来的检测误差,对上下边界线的确定进行如下处理,以临时上边界点Q1为起点,作Q1Q2的垂线段,此垂线段的长度为鱼眼图像宽度的1/2,并向鱼眼图像的边缘移动,由式(3)求得此垂线段上的最大亮度值与最小亮度值之差,即极限亮度值之差,然后判断极限亮度值之差是否满足式(4),如果满足此条件,则将下一点所在的水平直线设为鱼眼图像有效区域的上边界线;如果不满足此条件,则继续下一点所在垂线上的极限亮度值之差的比较。

步骤7:同步骤6原理相同,以临时下边界点Q2为起点, 作Q1Q2的垂线段,此垂线段的长度为鱼眼图像宽度的1/2,并向鱼眼图像的边缘移动,判断极限亮度值之差是否满足式(4),如果满足此条件,则将下一点所在的水平直线设为鱼眼图像有效区域的下边界线;如果不满足上述条件,则继续下一点所在垂线上的极限亮度值之差的比较。

3.3 有效区域中心与半径的确定
如果鱼眼图像有效区域为标准圆形,其圆心坐标和半径即可简单表示为

式中:xL,xR,yT和yB分别为有效区域左分界线横坐标、右边界线横坐标、上分界线纵坐标和下分界线纵坐标;x ,y和R分别为所求鱼眼图像的中心坐标和半径;Rm为有效区域水平半径;Rn为有效区域竖直半径。如果Rm= Rn,则有效区域为非标准圆形,则必有Rm≠Rn,由于本算法是基于水平分割线和竖直分割线进行的边界确定,因此为了能够更加准确地获取到鱼眼图像有效区域的中心和半径。本文将对原鱼眼图像进行一特定θ角度的旋转[7],基于不同的水平分割线和竖直分割线进行中心点坐标和半径大小的提取,然后将每次得到的一组半径Ri和中心坐标 (xi,yi)求取算术平均值

⛄二、部分源代码

clear all;
clc;
global threshold;
threshold=30;
m=imread(‘fisheye.jpg’);
%figure(‘king’);
figure(‘NumberTitle’, ‘off’, ‘Name’, ‘原始图片’);
imshow(m);
r=m(:,:,1);
g=m(:,:,2);
b=m(:,:,3);
r1=r;
g1=g;
b1=b;
[x,y,z]=size(m);
flag=0;
l(8)=[0];
%上边界___________________
for i=1:x
for j=1:y
if flag==0
t1=0.59r(i,j)+0.11g(i,j)+0.3b(i,j);
if t1>threshold
t2=0.59r(i+1,j)+0.11g(i+1,j)+0.3b(i+1,j);
if t2>threshold
disp(‘hello world!:上边界’);
l(1)=i;
l(2)=j;
r(i,:) = 255;
g(i,:) = 0;
b(i,:) = 0;
flag=1;
end
end
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 程德强,刘洋,柳雪,赵国,张佳琳.分割线扫描鱼眼图像有效区域提取算法[J].电视技术. 2015,39(06)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置