本公开涉及图像拼接，具体而言，涉及一种结合边缘检测估计单应性的大基线图像拼接方法及装置。
背景技术：
1、随着计算机技术的迅速发展，计算机视觉技术在诸多领域中取得了显著进步，其中图像拼接作为重要应用领域，近年来备受关注。图像拼接技术能够将两幅部分重叠的图像合成为一幅完整的大场景图像，其应用涵盖了地理信息系统、虚拟现实、医学影像处理等多个领域。单应性估计作为图像拼接的核心技术之一，针对图像间的几何关系进行分析和计算，对于确保拼接质量至关重要。
2、由于深度学习的不断发展以及神经网络的优越性，深度学习已经广泛应用到了单应性估计当中，主要包括有监督和无监督两种方式。有监督方法如通用对应网络和基于全卷积网络的特征描述符提取，已经在特征点匹配精度上取得了一定提升；无监督方法如基于感知损失和级联cnn的方法尝试通过数据驱动的方式提高估计的鲁棒性和泛化能力。
3、然而，尽管这些方法在许多场景下表现出色，但在大基线场景下仍然存在挑战。大基线场景中，图像重叠率降低导致了深度学习模型感受野的缩小，从而限制了特征点的提取和匹配精度。此外，大基线情况下的相对运动较大，增加了单应性矩阵估计的复杂度和模型对鲁棒性的要求。现有模型尽管试图通过整合上下文信息和特征金字塔来提高性能，但在应对不同数据集之间的差异性时，仍然存在泛化能力不足的问题，例如，针对ms-coco等开源数据集和真实场景数据的差异，模型在真实应用中可能表现不如预期。
技术实现思路
1、本公开实施例至少提供一种结合边缘检测估计单应性的大基线图像拼接方法及装置，通过利用图像处理模型对图像进行边缘特征提取和金字塔特征提取，能够有效捕获图像中的结构和局部信息，为后续的图像变形和拼接过程提供准确的参考数据，提高了图像拼接中特征点匹配的准确度，从而有效提升了图像拼接的质量和精度。
2、本公开实施例提供了一种结合边缘检测估计单应性的大基线图像拼接方法，包括：
3、获取待拼接图像组，所述待拼接图像组包括目标待拼接图像和参考待拼接图像；并对所述目标待拼接图像和参考待拼接图像进行图像增强处理，得到待拼接增强图像组；所述待拼接增强图像组包括目标待拼接增强图像和参考待拼接增强图像；
4、基于训练好的图像处理模型对所述目标待拼接增强图像分别进行边缘特征提取和金字塔特征提取，得到目标边缘特征和目标金字塔特征集，融合所述目标边缘特征和所述目标金字塔特征集得到目标融合特征；并基于训练好的图像处理模型对所述参考待拼接增强图像分别进行边缘特征提取和金字塔特征提取，得到参考边缘特征和参考金字塔特征集，融合所述参考边缘特征和所述参考金字塔特征集得到参考融合特征；
5、根据所述目标融合特征和所述参考融合特征，计算目标单应性矩阵；
6、根据所述目标单应性矩阵对所述目标待拼接增强图像进行图像变形处理，并将变形后的目标待拼接增强图像与所述参考待拼接增强图像进行图像拼接处理，得到目标拼接图像。
7、本公开实施例提供了一种结合边缘检测估计单应性的大基线图像拼接装置，包括：
8、图像获取模块，用于获取待拼接图像组，所述待拼接图像组包括目标待拼接图像和参考待拼接图像；并对所述目标待拼接图像和参考待拼接图像进行图像增强处理，得到待拼接增强图像组；所述待拼接增强图像组包括目标待拼接增强图像和参考待拼接增强图像；
9、特征处理模块，用于基于训练好的图像处理模型对所述目标待拼接增强图像分别进行边缘特征提取和金字塔特征提取，得到目标边缘特征和目标金字塔特征集，融合所述目标边缘特征和所述目标金字塔特征集得到目标融合特征；并基于训练好的图像处理模型对所述参考待拼接增强图像分别进行边缘特征提取和金字塔特征提取，得到参考边缘特征和参考金字塔特征集，融合所述参考边缘特征和所述参考金字塔特征集得到参考融合特征；
10、矩阵计算模块，用于根据所述目标融合特征和所述参考融合特征，计算目标单应性矩阵；
11、图像拼接模块，用于根据所述目标单应性矩阵对所述目标待拼接增强图像进行图像变形处理，并将变形后的图像与所述参考待拼接增强图像进行图像拼接处理，得到目标拼接图像。
12、本公开实施例提供了一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述任一可能的实施方式中所述的结合边缘检测估计单应性的大基线图像拼接方法。
13、本公开实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时实现如上述任一可能的实施方式中所述的结合边缘检测估计单应性的大基线图像拼接方法。
14、本公开实施例中所提供的结合边缘检测估计单应性的大基线图像拼接方法及装置，包括：首先获取目标待拼接图像和参考待拼接图像并对其进行图像增强处理，生成目标待拼接增强图像和参考待拼接增强图像；其次利用图像处理模型分别提取目标待拼接增强图像的边缘特征和金字塔特征并将提取结果融合得到目标融合特征；同理提取参考待拼接增强图像的边缘特征和金字塔特征，将提取结果融合得到参考融合特征；根据目标融合特征和参考融合特征计算目标单应性矩阵，最后利用目标单应性矩阵对目标待拼接增强图像变形，将变形后的图像与参考待拼接增强图像拼接生成目标拼接图像。本公开实施例通过利用图像处理模型对图像进行边缘特征提取和金字塔特征提取，能够有效捕获图像中的结构和局部信息，为后续的图像变形和拼接过程提供准确的参考数据，提高了图像拼接中特征点匹配的准确度，从而有效提升了图像拼接的质量和精度。
15、为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种结合边缘检测估计单应性的大基线图像拼接方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述图像处理模型包括特征提取模型，所述特征提取模型包括金字塔特征提取模块和边缘特征提取模块；所述基于训练好的图像处理模型对所述目标待拼接增强图像分别进行边缘特征提取和金字塔特征提取，包括：
3.根据权利要求2所述的方法，其特征在于，所述图像处理模型还包括特征融合模型，所述特征融合模型包括自适应特征融合模块；所述融合所述目标边缘特征和所述目标金字塔特征集得到目标融合特征；包括：
4.根据权利要求3所述的方法，其特征在于，所述特征融合模型还包括注意力机制特征融合模块；所述根据所述第一目标图像融合特征和所述第一参考图像融合特征，计算全局单应性矩阵之后；包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标融合特征和所述参考融合特征，计算目标单应性矩阵，包括：
6.根据权利要求1-5任一所述的方法，其特征在于，所述图像处理模型通过以下步骤训练得到：
7.根据权利要求6所述的方法，其特征在于，所述基于所述训练样本集对所述待训练的图像处理模型进行无监督训练，包括：
8.一种结合边缘检测估计单应性的大基线图像拼接装置，其特征在于，包括：
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
10.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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权利要求1至7中任一项所述的方法。
