基于神经元网络用于平面图像测量的数字相机校正方法

摘要

本发明公开了一种基于神经元网络用于平面图像测量的数字相机校正方法，属于图像测量技术领域。首先制作适合于测量平面区域大小的校正板，校正板上有黑白相间的方格组成，方格距离提前设定，并在校正平面上设定一个二维坐标系统，然后将校正板放置于要测量的平面上，调整数码相机的位置，开始拍照。然后利用Harris角点提取方法获得图像的方格角点的像素坐标，利用所提取角点的像素坐标和已知角点的二维平面坐标训练神经元网络，训练好的神经元网络就可以用来实现图像上每一点的像素坐标和空间坐标的转换，从而实现测量真实距离的目的。

主权项

一种基于神经元网络用于平面图像测量的数字相机校正方法，其特征在于如下步骤：步骤1：制作适合于测量平面区域大小的校正板，校正板上均匀分布着黑白相间的方格，方格距离提前设定，并在校正板上设定一个二维坐标系统；方格的大小参照所要求的测量精度设定，测量精度与方格大小成反比；步骤2：然后将校正板放置于要测量的平面上，调整数码相机的位置，调整焦距和光圈的大小，调整好测量区域的亮度，相机能够拍摄整个的测量平面，开始拍摄；然后利用Harris角点提取方法获得图像的方格角点的像素坐标；Harris角点提取的方法按照角点周围的灰度变化来确定角点的精确位置；所有的提取出来的角点的像素坐标p(u，v)和实际的平面坐标P(x，y)组成了两个集合；步骤3：训练和检验神经元网络，神经元网络的训练标准以达到要求的归一化方差要求为准；利用所得到的大部分角点的像素坐标和角点的实际平面坐标训练神经元网络的权系数，得到含有所需角点实际平面坐标的神经元网络的权系数；剩余的一部分角点的像素坐标对训练好的神经元网络进行检验，来验证所训练的神经元网络的预测精度；所述的神经元网络的结构可以采用多层前反馈、多层后反馈等多种结构形式；神经元网络结构的输入层包含两个节点，这两个节点就是提取角点的像素坐标p(u，v)；神经元网络结构的输出层也包含两个节点，这两个节点就是训练后的目标数据，即每个角点在实际平面中的坐标P(x，y)。