申请/专利权人：北京航空航天大学

申请日：2019-05-16

公开（公告）日：2021-01-19

公开（公告）号：CN110189247B

主分类号：G06T3/00(20060101)

分类号：G06T3/00(20060101);G06T3/40(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.01.19#授权;2019.09.24#实质审查的生效;2019.08.30#公开

摘要：本发明提供一种图像生成的方法、装置及系统，该方法，包括：获取第一双鱼眼图像对应的初始全景图像；从所述初始全景图像中提取出第一特征图像；从第二双鱼图像中提取视觉特征信息；其中，所述第二双鱼图像的分辨率高于所述第一双鱼图像的分辨率；将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。可以实现无需高要求的硬件设备、无需进行初始化等繁琐操作，获得较高精准度的高分辨率融合全景图像，还可以提高获得高分辨率融合全景图像的速度。

主权项：1.一种图像生成的方法，其特征在于，包括：获取第一双鱼眼图像对应的初始全景图像；从所述初始全景图像中提取出第一特征图像；从第二双鱼图像中提取视觉特征信息；其中，所述第二双鱼图像的分辨率高于所述第一双鱼图像的分辨率；将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像；其中，获取第一双鱼眼图像对应的初始全景图像，包括：将所述第一双鱼眼图像作为目标网络模型的输入，由所述目标网络模型输出所述第一双鱼眼图像对应的初始全景图像；其中，所述目标网络模型用于根据所述第一双鱼眼图像中提取的图像特征，预测所述第一双鱼眼图像对应的初始全景图像。

全文数据：图像生成的方法、装置及系统技术领域本发明涉及计算机图像处理技术领域，尤其涉及一种图像生成的方法、装置及系统。背景技术随着全方位相机的发展，360度全景图像近年来备受关注，且360度全景图像生成技术广泛应用于生物、医学、建模及虚拟现实等领域。360度全景图像也称为三维全景图像或者全景环视图像。360度全景图像生成技术是一种运用数码相机对现有场景进行多角度环视拍摄之后，再利用计算机进行后期缝合，并通过加载播放程序来完成的一种三维虚拟展示技术。现有技术中360度全景图像的生成方法主要分为两种，直接拼接方法和基于特征的方法。直接拼接方法的优点在于能够使用所有可用的图像数据，可以提供非常准确的点与点对应关系。例如一种基于全局相似度约束的线导局部整经方法，利用线特征对图像进行精准拼接。另一种基于特征的方法通常从图像中检测出不变性特征，然后进行图像匹配，找出对应的特征。例如，先将鱼眼图像通过等矩形变换展开后在利用特征点进行拼接，或者通过光补偿、等矩形变换、图像对齐和图像融合将双鱼眼图像拼接成360度全景图像。然而，直接拼接的方法需要进行复杂的初始化操作，例如相机标定。基于特征的方法虽然不需要进行初始化操作，但造成处理双鱼眼图像时缺乏不变性等问题。发明内容本发明提供一种图像生成的方法、装置及系统，以提高获取高分辨率融合全景图像的精准度，无需高要求的硬件设备及进行初始化等繁琐操作，还可以提高获得高分辨率融合全景图像的速度。第一方面，本发明实施例提供的一种图像生成的方法，包括：获取第一双鱼眼图像对应的初始全景图像；从所述初始全景图像中提取出第一特征图像；从第二双鱼眼图像中提取视觉特征信息；其中，所述第二双鱼眼图像的分辨率高于所述第一双鱼眼图像的分辨率；将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。在一种可能的设计中，获取第一双鱼眼图像对应的初始全景图像，包括：将所述第一双鱼眼图像作为目标网络模型的输入，由所述目标网络模型输出所述第一双鱼眼图像对应的初始全景图像；其中，所述目标网络模型用于根据所述第一双鱼眼图像中提取的图像特征，预测所述第一双鱼眼图像对应的初始全景图像。在一种可能的设计中，从所述初始全景图像中提取出第一特征图像，包括：对所述初始全景图像进行至少一次卷积处理，得到所述初始全景图像对应的中间特征图；对所述中间特征图进行反卷积处理，得到与所述第二双鱼图像分辨率相同的第一特征图像。在一种可能的设计中，从第二双鱼图像中提取视觉特征信息，包括：对所述第二双鱼图像进行预设次数的卷积处理，得到所述第二双鱼图像对应的视觉特征信息。在一种可能的设计中，将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像，包括：在所述第一特征图像中增加所述第二双鱼图像对应的视觉特征信息，得到第二特征图像；对所述第二特征图像进行卷积和反卷积处理，获取预设分辨率的融合全景图像。第二方面，本发明实施例提供的一种图像生成的装置，包括：获取模块，用于获取第一双鱼眼图像对应的初始全景图像；提取模块，用于从所述初始全景图像中提取出第一特征图像；特征模块，用于从第二双鱼眼图像中提取视觉特征信息；其中，所述第二双鱼眼图像的分辨率高于所述第一双鱼眼图像的分辨率；融合模块，用于将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。在一种可能的设计中，获取模块，具体用于：将所述第一双鱼眼图像作为目标网络模型的输入，由所述目标网络模型输出所述第一双鱼眼图像对应的初始全景图像；其中，所述目标网络模型用于根据所述第一双鱼眼图像中提取的图像特征，预测所述第一双鱼眼图像对应的初始全景图像。在一种可能的设计中，提取模块，具体用于：对所述初始全景图像进行至少一次卷积处理，得到所述初始全景图像对应的中间特征图；对所述中间特征图进行反卷积处理，得到与所述第二双鱼眼图像分辨率相同的第一特征图像。在一种可能的设计中，特征模块，具体用于：对所述第二双鱼眼图像进行预设次数的卷积处理，得到所述第二双鱼眼图像对应的视觉特征信息。在一种可能的设计中，融合模块，具体用于：在所述第一特征图像中增加所述第二双鱼眼图像对应的视觉特征信息，得到第二特征图像；对所述第二特征图像进行卷积和反卷积处理，获取预设分辨率的融合全景图像。第三方面，本发明实施例提供的一种图像生成的系统，包括存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中所述的图像生成的方法。第四方面，本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中所述的图像生成的方法。本发明提供一种图像生成的方法、装置及系统，该方法，包括：获取第一双鱼眼图像对应的初始全景图像；从所述初始全景图像中提取出第一特征图像；从第二双鱼图像中提取视觉特征信息；其中，所述第二双鱼图像的分辨率高于所述第一双鱼图像的分辨率；将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。可以实现无需高要求的硬件设备、无需进行初始化等繁琐操作，获得较高精准度的高分辨率融合全景图像，还可以提高获得高分辨率融合全景图像的速度。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明一应用场景示意图；图2为本发明实施例一提供的图像生成的方法的流程图；图3为本发明实施例一提供的图像生成的方法的部分效果示意图；图4为本发明实施例二提供的图像生成的装置的结构示意图；图5为本发明实施例三提供的图像生成的系统的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等如果存在是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。近年来，以虚拟现实为代表的技术掀起科技浪潮，引起广泛关注，所谓虚拟现实，即在计算机中创建出一个虚拟的世界供用户感知体验，能够让用户有身临其境之感，并使其不受时空限制畅游三维虚拟世界。作为虚拟现实的重要载体，全景视觉发展迅速，为大众所熟知。全景图像是全景视觉的一种重要表现形式，一般通过在同一视点拍摄的多幅图像拼接而成，最终形成在该视点周围360度的全方位场景。在一种可选的实施例中，鱼眼镜头成像分为两种，圆形鱼眼和全幅鱼眼，前者画面呈圆形，后者画面呈方形。本发明基于圆形鱼眼图像进行全景图像融合。图1为本发明一应用场景示意图，本发明实施例中的方法获取第一双鱼眼图像对应的初始全景图像；从所述初始全景图像中提取出第一特征图像；从第二双鱼眼图像中提取视觉特征信息；其中，所述第二双鱼眼图像的分辨率高于所述第一双鱼眼图像的分辨率；将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像参考图1。应用上述方法可以无需高要求的硬件设备及进行初始化等繁琐操作，获得较高精准度的高分辨率融合全景图像，还可以提高获得高分辨率融合全景图像的速度。图2为本发明实施例一提供的图像生成的方法的流程图，如图2所示，本实施例中的方法可以包括：S201、获取第一双鱼眼图像对应的初始全景图像。具体的，将第一双鱼眼图像作为目标网络模型的输入，由目标网络模型输出第一双鱼眼图像对应的初始全景图像；其中，目标网络模型用于根据第一双鱼眼图像中提取的图像特征，预测第一双鱼眼图像对应的初始全景图像。本实施例中，图像生成系统获取低分辨率的第一双鱼眼图像对应的初始全景图像，可以采用深度卷积网络模型，例如目标网络模型。基于高分辨率双鱼眼图像x与其对应的高分辨率360度全景图像y的如下简化关系：y＝Φx；W，其中，Φ是一种映射关系，W为相应的映射参数。将本实施例中低分辨率版本图像与其对应拼接生成的初始全景图像可以采用以下公式表示：其中为低分辨率双鱼眼版本图像，例如第一双鱼眼图像，为对应拼接生成的初始全景图像，φs是低分辨率版本图像中的拼接映射关系，对应的映射参数为Ws；其中参数Ws可以通过若干个大小不一的矩阵来进行表示和存储，φs可以表示为这些矩阵分别作用的条件和方式。在一种可选的实施例中，在获取第一双鱼眼图像对应的初始全景图像之前，还包括：构建初始网络模型；其中，初始网络模型可以包括多个卷积层、多个池化层及多个反卷积层，卷积层用于提取低分辨率双鱼眼图像的局部特征，池化层用于进行下采样，以得到感受野特征，反卷积层用于将图像的分辨率恢复至池化前的分辨率，以提高图像的分辨率。进而通过训练数据集训练获得目标网络模型。本实施例中，目标网路模型采用多个卷积层、池化层、卷积层及反卷积层等，在目标网络模型收缩路径中采用级联的方式设置有下采样操作，大大增加了高阶特征中每个像素的接受域，每个卷积或者下采样操作都具有固定范围的感受野，本实施例可以在不改变卷积即下采样结构和工作方式的前提下，大大增加感受野。在一种可选的实施例中，参考图3，图3为本发明实施例一提供的图像生成的方法的部分效果示意图，目标网络模型在下采样过程中采用步长为2的最大池化操作，并且在卷积过程中可以消除两鱼眼图像的之间的黑色边界。例如参考下表1，采用步长为2的最大池化操作，2×2的滤波器移动每个步长所产出的最大值如下表2。表1000060005850004040353536403635364200364500380000表2目标网络模型可以基于2015年弗莱堡大学计算机科学系和生物信号研究中心的Ronneberger等人提出的UNet基础模型进行相关训练，本实施例中在目标模型最后采用tanh函数代替sigmoid函数进行激活。其中tanh函数也称为双切正切函数，取值范围为[-1,1]，尤其在特征相差明显时激活效果更佳，在循环过程中会不断扩大特征效果。本实施例的目标网络模型只需要少量的数据，能够实现快速收敛，提高了图像生成的速度。在一种可选的实施例中，图像生成系统可以通过resize函数利用高分辨率双鱼眼图像得到相对低分辨率双鱼眼图像，例如获得第一双鱼眼图像。S202、从初始全景图像中提取出第一特征图像。具体的，对初始全景图像进行至少一次卷积处理，得到初始全景图像对应的中间特征图；对中间特征图进行反卷积处理，得到与第二双鱼眼图像分辨率相同的第一特征图像。本实施例中，对初始全景图像进行多次卷积提取特征，得到初始全景图像对应的中间特征图，其中卷积操作的卷积核大小为3步长为1。本实施例中提炼出初始全景图像中各物体的呈现方式与普通图像及双鱼眼图像不同。进而对获得的中间特征图进行反卷积处理，得到与第二双鱼眼图像分辨率相同的第一特征图像，其中，反卷积操作的卷积核大小1，步长为2，图像生成系统对提炼的中间特征图像进行多次步长为2的反卷积操作，得到与第二双鱼眼图像分辨率相同的第一特征图像。其中，第二双鱼眼图像的分辨率为第一双鱼眼图像分辨率的两倍或者四倍。S203、从第二双鱼眼图像中提取视觉特征信息；其中，第二双鱼眼图像的分辨率高于第一双鱼眼图像的分辨率。本实施例中，相对于低分辨率的第一双鱼眼图像，第二双鱼眼图像为高分辨率双鱼眼图像，第二双鱼眼图像的分辨率为第一双鱼眼图像分辨率的两倍或者四倍。从第二双鱼眼图像中提取视觉特征信息，主要提取图像中的细节信息。在一种可选的实施例中，该第二双鱼眼图像中出现频率高的细节信息，例如特征区域具有不变性、稳定性和独特性的区域，可以包括点例如角点、线段交点、曲线拐点、曲线高曲率点等，封闭区域例如仿射不变特征区域，和线例如图像边缘、直线、轮廓等等。本实施例中不具体限定视觉特征信息提取的方法，本领域技术人员可以根据实际情况进行限定以达到更好的效果。S204、将第一特征图像与视觉特征信息进行融合处理，得到融合全景图像。具体的，在第一特征图像中增加第二双鱼眼图像对应的视觉特征信息，得到第二特征图像；对第二特征图像进行卷积和反卷积处理，获取预设分辨率的融合全景图像。在一种可选的实施例中，将第一特征图像与视觉特征信息进行融合处理，通过深度学习中的concat操作进行通道叠加，即在channel维度上进行叠加，其他维度必须一致，得到融合全景图像。本实施例中，基于高分辨率双鱼眼图像x例如第二双鱼眼图像，低分辨率初始全景图像及高分辨率融合全景图像y之间的关系简化为以下形式：其中φg是高分辨率融合全景图像的生成映射关系，对应的参数为Wg。首先将分辨率相同的第一特征图像和第二双鱼眼图像对应的视觉特征信息合并操作，将两者合成通道数翻倍的等分辨率图像，然后再进行多层卷积得到第二特征图像。其中卷积核的大小为3，步长为1；合并操作即将第一特征图像与视觉特征信息中的内容信息进行分析和选择性提取，找到具有相似内容的区域，即找到图像之间的重叠域，进而进行拼接的操作。进而对第二特征图像进行卷积和反卷积处理，例如进行一系列步长为1的卷积或者反卷积操作，并采用tanh函数进行激活，获得预设分辨率的融合全景图像。本实施例中考虑到全局的最优，因此引入新的偏差函数L,该新的偏差函数L的形式如下：LWs,Wg＝αLsWs+1-αLgWg，其中Ls是低分辨率初始全景图像的偏差，Lg是高分辨率融合全景图像的偏差。Ws和Wg分别是前述步骤中提到的映射关系φs和φg的参数。调优参数α用来平衡两个偏差的影响程度，本实施例中，调优参数设置为0.2。具体的，LsWs的表达式为：其中φs为低分辨率初始全景图像的映射关系，其对应的参数为Ws，是第i张低分辨率双鱼眼图像，例如第i张第一双鱼眼图像，是第i张低分辨率的初始全景图像即第i张360度全景图像的低分辨率版本。将LsWs的表达式代入可以简化为类似地，LgWg的表达式为其中φg为高分辨率融合全景图像生成的映射关系，其对应的参数为Wg，xi是第i张高分辨率双鱼眼图像，例如第i张第二双鱼眼图像，是第i张低分辨率初始全景图像，是第i张真实值的360度全景图像，将LgWg的表达式代入可以化简为本实施例的图像生成方法与传统方法相比，在处理同等数量的相同分辨率双鱼眼图像时，消耗时间只需要将近二十分之一即可获得高精准度的高分辨率融合全景图像，大大提高了图像生成的速度，且通过深度学习中的connat操作将低分辨率的初始全景图像与高分辨率双鱼眼图像中的相关信息例如视觉特征信息结合利用，以获得较高精准度的融合全景图像。其特征区域可以保持不变性。图4为本发明实施例二提供的图像生成的装置的结构示意图，如图4所示，本实施例中图像生成的装置可以包括：获取模块31，用于获取第一双鱼眼图像对应的初始全景图像；提取模块32，用于从所述初始全景图像中提取出第一特征图像；特征模块33，用于从第二双鱼眼图像中提取视觉特征信息；其中，所述第二双鱼眼图像的分辨率高于所述第一双鱼眼图像的分辨率；融合模块34，用于将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。在一种可能的设计中，获取模块31，具体用于：将所述第一双鱼眼图像作为目标网络模型的输入，由所述目标网络模型输出所述第一双鱼眼图像对应的初始全景图像；其中，所述目标网络模型用于根据所述第一双鱼眼图像中提取的图像特征，预测所述第一双鱼眼图像对应的初始全景图像。在一种可能的设计中，提取模块32，具体用于：对所述初始全景图像进行至少一次卷积处理，得到所述初始全景图像对应的中间特征图；对所述中间特征图进行反卷积处理，得到与所述第二双鱼眼图像分辨率相同的第一特征图像。在一种可能的设计中，特征模块33，具体用于：对所述第二双鱼眼图像进行预设次数的卷积处理，得到所述第二双鱼眼图像对应的视觉特征信息。在一种可能的设计中，融合模块34，具体用于：在所述第一特征图像中增加所述第二双鱼眼图像对应的视觉特征信息，得到第二特征图像；对所述第二特征图像进行卷积和反卷积处理，获取预设分辨率的融合全景图像。本实施例的图像生成的装置可以执行图2所示方法中的技术方案，其具体实现过程和技术原理参见图2所示方法中的相关描述，此处不再赘述。图5为本发明实施例三提供的图像生成的系统的结构示意图，如图5所示，本实施例的图像生成的系统40可以包括：处理器41和存储器42。存储器42，用于存储计算机程序如实现上述图像生成的方法的应用程序、功能模块等、计算机指令等；上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。处理器41，用于执行存储器42存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。处理器41和存储器42可以是独立结构，也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时，存储器42、处理器41可以通过总线43耦合连接。本实施例的服务器可以执行图2所示方法中的技术方案，其具体实现过程和技术原理参见图2所示方法中的相关描述，此处不再赘述。此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

权利要求：1.一种图像生成的方法，其特征在于，包括：获取第一双鱼眼图像对应的初始全景图像；从所述初始全景图像中提取出第一特征图像；从第二双鱼图像中提取视觉特征信息；其中，所述第二双鱼图像的分辨率高于所述第一双鱼图像的分辨率；将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。2.根据权利要求1所述的方法，其特征在于，获取第一双鱼眼图像对应的初始全景图像，包括：将所述第一双鱼眼图像作为目标网络模型的输入，由所述目标网络模型输出所述第一双鱼眼图像对应的初始全景图像；其中，所述目标网络模型用于根据所述第一双鱼眼图像中提取的图像特征，预测所述第一双鱼眼图像对应的初始全景图像。3.根据权利要求1所述的方法，其特征在于，从所述初始全景图像中提取出第一特征图像，包括：对所述初始全景图像进行至少一次卷积处理，得到所述初始全景图像对应的中间特征图；对所述中间特征图进行反卷积处理，得到与所述第二双鱼图像分辨率相同的第一特征图像。4.根据权利要求3所述的方法，其特征在于，从第二双鱼图像中提取视觉特征信息，包括：对所述第二双鱼图像进行预设次数的卷积处理，得到所述第二双鱼图像对应的视觉特征信息。5.根据权利要求4所述的方法，其特征在于，将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像，包括：在所述第一特征图像中增加所述第二双鱼图像对应的视觉特征信息，得到第二特征图像；对所述第二特征图像进行卷积和反卷积处理，获取预设分辨率的融合全景图像。6.一种图像生成的装置，其特征在于，包括：获取模块，用于获取第一双鱼眼图像对应的初始全景图像；提取模块，用于从所述初始全景图像中提取出第一特征图像；特征模块，用于从第二双鱼图像中提取视觉特征信息；其中，所述第二双鱼图像的分辨率高于所述第一双鱼图像的分辨率；融合模块，用于将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。7.根据权利要求6所述的装置，其特征在于，获取模块，具体用于：将所述第一双鱼眼图像作为目标网络模型的输入，由所述目标网络模型输出所述第一双鱼眼图像对应的初始全景图像；其中，所述目标网络模型用于根据所述第一双鱼眼图像中提取的图像特征，预测所述第一双鱼眼图像对应的初始全景图像。8.根据权利要求6所述的装置，其特征在于，提取模块，具体用于：对所述初始全景图像进行至少一次卷积处理，得到所述初始全景图像对应的中间特征图；对所述中间特征图进行反卷积处理，得到与所述第二双鱼图像分辨率相同的第一特征图像。9.一种图像生成的系统，其特征在于，包括：存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的图像生成的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述的图像生成的方法。

百度查询： 北京航空航天大学 图像生成的方法、装置及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD