基于机器学习的畸变图像非对称式几何校正方法

摘要

针对实际图像畸变通常不均匀分布、呈现非对称特征的问题,为提高图像质量,使其更接近真实情况,精细调整图像中不同区域、不同方向的畸变,从而恢复图像的原始形态,提出一种基于机器学习的畸变图像非对称式几何校正方法.首先,通过直方图均衡化进行亮度补偿,提升图像的视觉效果并丰富细节;其次,在预处理后的畸变图像中选取一些关键点或特征点,采用归一化积相关算法利用这些点的位置关系定位校正所需的所有畸变控制点;最后,使用机器学习中的BP神经网络学习并拟合原始图像和畸变图像之间复杂的非线性关系,通过训练使BP神经网络能更准确地描述图像的畸变特性网络输出接近控制点的坐标,从而实现畸变图像非对称式几何校正.实验结果表明,该方法具有良好的泛化能力和处理复杂非对称畸变的能力,能有效提高图像的畸变校正精度,将每张图片的平均分辨率提高465.3 PPI.

关键词

直方图均衡 / 归一化积相关算法 / 畸变控制点 / BP神经网络 / 非对称式几何校正