本技术涉及全景图像处理，具体涉及基于智慧机房的全景图像处理方法、系统及图像处理装置。
背景技术：
1、近年来，全景相机在机器人、视觉监控以及商业领域得到了广泛的应用和关注，折反射全景成像系统将反射镜与传统相机相结合扩大了相机的视野，使水平方向的视场角为360°。
2、然而，折反射全景成像系统获取的圆环状全景图像容易存在变形，不适合人眼直接观察，因此需要把折反射原始全景图像变换为符合人眼视觉习惯的圆柱面投影图像，然而在球面全景图像拉伸至柱面全景图像过程中，柱面全景图像仍然存在畸变现象，极大的影响干扰了全景图像的应用。因此对于获取到的柱面全景图形需要进行畸变修正，提高图像质量。
技术实现思路
1、为了解决上述技术问题，本技术的目的在于提供基于智慧机房的全景图像处理方法、系统及图像处理装置，所采用的技术方案具体如下：
2、第一方面，本技术实施例提供了基于智慧机房的全景图像处理方法，该方法包括以下步骤：
3、采集智慧机房的全景图像，将标准的所述全景图像作为参考图像；
4、分别对全景图像和参考图像均分为各子图像，选取子图像中的参考点，将子图像均分为各矩形区域，基于各矩形区域的顶点与对应所述参考点之间的距离关系，确定全景图像的各子图像中的畸变区域；
5、基于所述畸变区域以及其在参考图像中对应矩形区域中的特征点；分析所述特征点与其邻近点的位置分布关系、角度分布关系，确定特征点与其邻近点的位置度量因子、角度度量因子；将所述畸变区域中的任一特征点与所述对应矩形区域中的任一特征点组成特征点对，分析特征点对之间所述位置度量因子的差异、角度度量因子的差异，确定特征点对之间的局部位置差别程度；
6、分析特征点对之间邻域内边缘像素点对应坐标的变化趋势的差异，确定特征点对之间的局部变化差别程度；结合所述局部位置差别程度与所述局部变化差别程度，以及柔性模版匹配算法，获取所述畸变区域与其在参考图像中对应矩形区域中的各配准特征点对；基于配准特征点对之间的映射关系，确定畸变区域的畸变矫正函数，对畸变区域的各像素点进行校正。
7、在其中一种实施例中，所述参考点的确定包括：
8、对全景图像的子图像进行直线检测，将在不同直线上出现频次最多的像素点作为参考点，若所述出现频次最多的像素点存在多个，则任选其中一个作为参考点。
9、在其中一种实施例中，所述畸变区域的确定包括：
10、计算全景图像的任一子图像中的任一矩形区域的各顶点与所述任一子图像的参考点的度量距离，记为第一距离，将所述任一子图像在参考图像中对应的子图像记为参考子图像，将所述任一子图像的参考点在所述参考子图像中相同位置的像素点作为对应参考点，计算所述任一矩形区域在所述参考子图像中相同位置的矩形区域的各顶点与所述对应参考点的度量距离，记为第二距离；
11、计算所述第一距离与所述第二距离的差异，将所述差异与所述第二距离的比值，作为所述任一矩形区域的各顶点的局部畸变值，若所述任一矩形区域的所有顶点的局部畸变值的最小值大于等于预设阈值，则判定所述任一矩形区域为畸变区域。
12、在其中一种实施例中，所述位置度量因子、角度度量因子的确定为：
13、采用特征点提取算法分别对畸变区域及其在参考图像的子图像中的对应矩形区域提取各特征点，根据各特征点与邻近点的度量距离，确定各特征点与其邻近点的位置度量因子；
14、所述角度度量因子为各特征点与邻近点的斜率夹角。
15、在其中一种实施例中，所述局部位置差别程度的计算方式为：；表示特征点对(，)之间的局部位置差别程度，表示特征点的邻近点的个数，表示畸变区域的特征点与其第m个邻近点的位置度量因子，为特征点与其第m个邻近点的位置度量因子，为畸变区域的特征点与其第m个邻近点的角度度量因子的弧度制结果，为特征点与其第m个邻近点的角度度量因子的弧度制结果。
16、在其中一种实施例中，所述局部变化差别程度的确定包括：
17、获取畸变区域及其在参考图像的子图像中的对应矩形区域内各特征点的预设邻域范围内的各边缘像素点，将各特征点的所有所述边缘像素点进行曲线拟合后，计算各边缘像素点的曲率，计算各特征点的所有所述曲率的极差值及离散程度，将畸变区域的各特征点与所述对应矩形区域的各特征点的所述极差值的差异、所述离散程度的差异的融合结果，作为所述局部变化差别程度。
18、在其中一种实施例中，所述各配准特征点对的确定包含：
19、将特征点对的局部位置差别程度与局部变化差别程度的乘积作为bbs柔性匹配算法中决策函数的权重，采用bbs柔性匹配算法获取所述各配准特征点对。
20、在其中一种实施例中，所述确定畸变区域的畸变矫正函数，对畸变区域的各像素点进行校正，包括：
21、将各配准特征点对之间的两个x坐标作为一个坐标点，对所有配准特征点对的所述坐标点进行曲线拟合，将得到的拟合函数作为x坐标的畸变矫正函数，采用与x坐标的畸变矫正函数相同的计算方法获取y坐标的畸变矫正函数；
22、将畸变区域各像素点的x坐标作为所述x坐标的畸变矫正函数的自变量，得到畸变区域各像素点校正后的x坐标，采用与所述校正后的x坐标相同的计算方法获取畸变区域各像素点校正后的y坐标。
23、第二方面，本技术实施例提供了基于智慧机房的全景图像处理系统，包括：
24、图像采集模块：用于采集智慧机房的全景图像，将标准的所述全景图像作为参考图像；
25、畸变区域确定模块：用于分别对全景图像和参考图像均分为各子图像，选取子图像中的参考点，将子图像均分为各矩形区域，基于各矩形区域的顶点与对应所述参考点之间的距离关系，确定全景图像的各子图像中的畸变区域；
26、畸变特征分析模块：基于所述畸变区域以及其在参考图像中对应矩形区域中的特征点；分析所述特征点与其邻近点的位置分布关系、角度分布关系，确定特征点与其邻近点的位置度量因子、角度度量因子；将所述畸变区域中的任一特征点与所述对应矩形区域中的任一特征点组成特征点对，分析特征点对之间所述位置度量因子的差异、角度度量因子的差异，确定特征点对之间的局部位置差别程度；
27、畸变区域校正模块：用于分析特征点对之间邻域内边缘像素点对应坐标的变化趋势的差异，确定特征点对之间的局部变化差别程度；结合所述局部位置差别程度与所述局部变化差别程度，以及柔性模版匹配算法，获取所述畸变区域与其在参考图像中对应矩形区域中的各配准特征点对；基于配准特征点对之间的映射关系，确定畸变区域的畸变矫正函数，对畸变区域的各像素点进行校正。
28、第三方面，本技术实施例还提供了基于智慧机房的全景图像处理装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
29、本技术至少具有如下有益效果：
30、本技术通过采集智慧机房的全景图像，将标准的所述全景图像作为参考图像，分别对全景图像和参考图像均分为各子图像，选取子图像中的参考点，将子图像均分为各矩形区域，基于各矩形区域的顶点与对应所述参考点之间的距离关系，确定全景图像的各子图像中的畸变区域；有益效果在于根据全景图像的畸变位置有针对性的对畸变图像进行校正，降低了图像处理的复杂度，提高了图像处理的效率；进一步，基于所述畸变区域以及其在参考图像中对应矩形区域中的特征点；分析所述特征点与其邻近点的位置分布关系、角度分布关系，确定特征点的位置度量因子、角度度量因子；将所述畸变区域中的任一特征点与所述对应矩形区域中的任一特征点组成特征点对，分析特征点对之间所述位置度量因子的差异、角度度量因子的差异，确定特征点对之间的局部位置差别程度；反映了畸变区域与参考图像之间的位置差别程度及角度差别程度，体现了畸变区域的畸变程度；分析特征点对之间邻域内边缘像素点对应坐标的变化趋势的差异，确定特征点对之间的局部变化差别程度；结合所述局部位置差别程度与所述局部变化差别程度，以及柔性模版匹配算法，获取所述畸变区域与其在参考图像中对应矩形区域中的各配准特征点对；基于配准特征点对之间的映射关系，确定畸变区域的畸变矫正函数，对畸变区域的各像素点进行校正；有益效果在于避免了图像匹配过程中由于特征点匹配不准确，造成图像匹配误差较大，畸变区域校正精度低的问题，通过分析畸变区域与参考图像的对应关系，提高了特征点匹配的准确度，进而提高了畸变区域校正的精度，提高了全景图像的质量。
1.基于智慧机房的全景图像处理方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于智慧机房的全景图像处理方法，其特征在于，所述参考点的确定包括：
3.如权利要求1所述的基于智慧机房的全景图像处理方法，其特征在于，所述畸变区域的确定包括：
4.如权利要求1所述的基于智慧机房的全景图像处理方法，其特征在于，所述位置度量因子、角度度量因子的确定为：
5.如权利要求1所述的基于智慧机房的全景图像处理方法，其特征在于，所述局部位置差别程度的计算方式为：；表示特征点对(，)之间的局部位置差别程度，表示特征点的邻近点的个数，表示畸变区域的特征点与其第m个邻近点的位置度量因子，为特征点与其第m个邻近点的位置度量因子，为畸变区域的特征点与其第m个邻近点的角度度量因子的弧度制结果，为特征点与其第m个邻近点的角度度量因子的弧度制结果。
6.如权利要求1所述的基于智慧机房的全景图像处理方法，其特征在于，所述局部变化差别程度的确定包括：
7.如权利要求1所述的基于智慧机房的全景图像处理方法，其特征在于，所述各配准特征点对的确定包含：
8.如权利要求1所述的基于智慧机房的全景图像处理方法，其特征在于，所述确定畸变区域的畸变矫正函数，对畸变区域的各像素点进行校正，包括：
9.基于智慧机房的全景图像处理系统，包括：
10.基于智慧机房的全景图像处理装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述方法的步骤。
