[发明专利]一种基于卷积神经网络的图像融合效果评估方法

说明书

本发明公开了一种基于卷积神经网络的图像融合效果评估方法，属于图像拼接和图像质量评价技术领域，涉及计算机视觉领域，包括以下步骤：S1：生成训练数据集和测试数据集。S2：生成卷积神经网络模型。S3：基于训练的卷积神经网络测试测试数据集。本发明利用卷积神经网络，可以代替繁琐的，大量的人为统计评分，并且可以准确地判断图像拼接中融合效果的好坏，克服单因素评价指标所带来的局限性，有利于全自动自适应图像拼接系统的实现，具有非常重要的应用价值。

技术领域

本发明属于图像拼接和图像质量评价技术领域，涉及计算机视觉领域，尤其涉及一种基于卷积神经网络的图像融合效果评估方法。

背景技术

随着电子信息产业的发展和技术进步，能够获取、记录视频信息的设备日益普及，但与人眼的视场范围相比，普通摄像机的视场要小得多，如何有效的利用计算机技术扩大摄像机拍摄图像和视频的视场范围，引起了研究者的广泛注意。图像拼接技术可以解决由于摄像机等成像仪器的视角和大小的限制，不能生成宽视场图片的问题，现有的图像拼接技术主要有两种方案：

第一种方案是用一个常规镜头的投影变换和多项式畸变校正技术用校正模板图像对镜头畸变参数进行畸变校正，生成一组中间校正后的2D图像，然后采用2D图像配准技术对校正后的图像元进行2D配准，最后对配准的两幅图像进行融合。

第二种方案是把图像的径向畸变校正参数和图像元的位姿参数作为一体，整体用最优化技术进行参数估计，生成一个参数映射表，然后利用参数映射表将原始图片逐张映射到全景图像中，处理完所有的图像后，将两两相邻的处理之后的图像在重叠区域做一次融合过渡。

从上述过程可以看出，图像拼接算法性能的好坏受图像配准和图像融合两大步骤的共同影响。针对拼接合成图像进行算法评价是不可或缺的，但对于图像拼接算法的定量评价分析，目前尚无统一的标准。已有的评价方法都是通过人眼观测拼接缝的方法来评估拼接质量的好坏，而人眼观测的方法误差较大，无法准确评估图像拼接算法的拼接质量。

发明内容

本发明为克服上述情况不足，旨在提供一种可以准确判断图像拼接中融合效果的方法。一种基于卷积神经网络的图像融合效果评估方法，包括以下步骤：

S1：生成训练数据集和测试数据集；S2：生成卷积神经网络模型；S3：基于训练的卷积神经网络测试测试数据集；

所述S1包括S101、S102、S103、S104；

S101:获取拼接合成图像；

S102：计算拼接合成图像的客观评价参数；选取了偏差指数作为客观评价参数；所述偏差指数计算公式如下：

其中，D表示偏差指数，F(i,j)表示拼接合成图像中像素灰度值，A(i,j)表示拼接合成图像中像素灰度值与原始图像序列相对应像素灰度值，M，N分别表示拼接合成图像的宽度和高度；

S103：生成训练数据集；

根据S101步得到的拼接合成图像以及S102步设置的客观评价参数，计算卷积神经网络的训练数据集；对训练样本集中所有的拼接合成图像以及相对应的原始图像序列，使用图像配准技术，将拼接合成图像与原始图像序列进行配准，得到二者的重合区域，将重合区域按行均匀分割成a块，对每一块进行处理，依据偏差指数、标准差两种评价参数的计算方法，对每个块计算它们的客观评价参数，作为卷积神经网络的训练数据集X＝{D¹,SD¹,D²,SD²,…,D^a,SD^a}；