CN117611461A - 一种机器人视觉的多帧运动图像融合方法及系统 - Google Patents
一种机器人视觉的多帧运动图像融合方法及系统 Download PDFInfo
- Publication number
- CN117611461A CN117611461A CN202311509103.6A CN202311509103A CN117611461A CN 117611461 A CN117611461 A CN 117611461A CN 202311509103 A CN202311509103 A CN 202311509103A CN 117611461 A CN117611461 A CN 117611461A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- long exposure
- robot
- exposure image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000003702 image correction Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10144—Varying exposure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，提供一种机器人视觉的多帧运动图像融合方法，连通过连续拍摄机器人在同一场景内运动，获取多张连续拍摄图像；且多张拍摄图像为根据机器人的运动位姿，取得的长曝光图像和短曝光图像；基于图像背光亮度获取长曝光图像的权重系数；基于主成分分析法修正长曝光图像；根据权重系数、修正后的长曝光图像和短曝光图像进行图像融合，得到融合图像，针对长曝光图像整体上比短曝光图像噪声低、信噪比高的特点，采用主成分分析法提取长曝光图像曝光良好区域的图像，给予其更大的融合权重，增大其对图像融合的结果影响，减小短曝光图像对图像融合的结果影响，保证融合后图像的平滑过渡。
Description
技术领域
本申请发明涉及图像处理技术领域，特别是涉及一种机器人视觉的多帧运动图像融合方法及系统。
背景技术
多帧图像融合算法由于其去噪效果相对单帧更佳，细节纹理保持更好等原因，目前已在业内广泛使用。基于内存和算法运行时间的考虑，目前常用的方案是：摄像头连续拍摄5-10张图像，选择其中一张作为参考帧，其他图像进行图像配准，对配准后图像进行多帧图像融合，进而得到去噪图像。
对于实际场景来说，动态范围是指场景中最亮处和最暗处亮度的比值，通过对低动态范围图像进行处理，使图像的动态范围得到扩展，即通过调节图像的过曝光和欠曝光部分，增强其中的细节表现，使其更加贴近人眼捕获的图像，在图像采集和显示的过程中，由于相机中CCD/CMOS图像传感器和普通显示器的限制，生成的图像在过亮区域或过暗区域细节表现很差，因此图像的亮度动态范围很低，因此，需要亟需一种准确的多帧运动图像融合的方法，强化图像的清晰度。
发明内容
为了解决现有技术中存在的上述问题，本发明提供一种多帧图像融合方法，其中，包括：通过连续拍摄机器人在同一场景内运动，获取多张连续拍摄图像；且多张拍摄图像为根据机器人的运动位姿，取得的长曝光图像和短曝光图像；基于图像背光亮度获取长曝光图像的权重系数；
基于主成分分析法修正长曝光图像；
根据权重系数、修正后的长曝光图像和短曝光图像进行图像融合，得到融合图像。
所述权重系数包括：将长曝光图像转化成RGB格式图像，针对图像像素(i,j)的亮度值求取R，G，B分量的平均值Aij和最大值Mij，并计算两者之间的差值dij；
dij＝Mij-Aij
dij表示当前像素在平均值基础上可以提高的亮度范围,并计算背光亮度；
Bij＝Aij+K*dij
其中，k表示背光亮度增加系数，并根据计算得到的背光亮度，计算权重系数
其中Ymin和Ymax分别为长曝光图像中亮度的最小阈值和最大阈值。
其中基于主成分分析法修正长曝光图像包括：对长曝光图像进行分块，将分块后的图像进行降低噪声和高斯滤波处理，将每块图像矩阵变为一个N2×1的列向量gi，并组成一个集合{g1,g2…gn}，其中n为分块的数量，并计算图像的平均值，再将各列向量g1减去a，得到去均值化向量xi，i＝1,2,…,n并将所有向量组成一个矩阵X＝[x1,x2…xn],其中X为N2×n大小的矩阵，并计算长曝光图像的协方差矩阵C,/>对协方差矩阵C进行特征分解，得到特征值λi，i＝1,2,…,n，及特征向量μi，i＝1,2,…,n，选取最大特征值λ对应的第一主成分Xμmax作为图像高频分量，均值向量a作为图像的低频分量，将而二者相加得到向量F,
F＝Xμmax+a
最后将向量F转换为N*N大小的矩阵即为修正后的长曝光图像Pi,j,L。
所述图像融合包括：
Hij＝ZijPi,j,L+Pi,j,S(256-Zij)
其中Pi,j,S为短曝光图像。
本申请的有益效果在于，针对长曝光图像整体上比短曝光图像噪声低、信噪比高的特点，采用主成分分析法提取长曝光图像曝光良好区域的图像，给予其更大的融合权重，增大其对图像融合的结果影响，减小短曝光图像对图像融合的结果影响，保证融合后图像的平滑过渡。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。
需要注意，虽然本文中使用“第一”、“第二”等表述来描述本发明的实施方式的不同模块、步骤和数据等，但是“第一”、“第二”等表述仅是为了在不同的模块、步骤和数据等之间进行区分，而并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。
本申请实施例涉及一种机器人视觉的多帧运动图像融合方法及系统，包括：通过连续拍摄机器人在同一场景内运动，获取多张连续拍摄图像；且多张拍摄图像为根据机器人的运动位姿，取得的长曝光图像和短曝光图像；
基于图像背光亮度获取长曝光图像的权重系数；
基于主成分分析法修正长曝光图像；
根据权重系数、修正后的长曝光图像和短曝光图像进行图像融合，得到融合图像。
所述权重系数包括：将长曝光图像转化成RGB格式图像，针对图像像素(i,j)的亮度值求取R，G，B分量的平均值Aij和最大值Mij，并计算两者之间的差值dij；
dij＝Mij-Aij
dij表示当前像素在平均值基础上可以提高的亮度范围,并计算背光亮度；
Bij＝Aij+K*dij
其中，k表示背光亮度增加系数，并根据计算得到的背光亮度，计算权重系数
其中Ymin和Ymax分别为长曝光图像中亮度的最小阈值和最大阈值。
其中基于主成分分析法修正长曝光图像包括：对长曝光图像进行分块，将分块后的图像进行降低噪声和高斯滤波处理，将每块图像矩阵变为一个N2×1的列向量gi，并组成一个集合{g1,g2…gn}，其中n为分块的数量，并计算图像的平均值，再将各列向量g1减去a，得到去均值化向量xi，i＝1,2,…,n并将所有向量组成一个矩阵X＝[x1,x2…xn],其中X为N2×n大小的矩阵，并计算长曝光图像的协方差矩阵C,/>对协方差矩阵C进行特征分解，得到特征值λi，i＝1,2,…,n，及特征向量μi，i＝1,2,…,n，选取最大特征值λ对应的第一主成分Xμmax作为图像高频分量，均值向量a作为图像的低频分量，将而二者相加得到向量F,
F＝Xμmax+a
最后将向量F转换为N*N大小的矩阵即为修正后的长曝光图像Pi,j,L。
所述图像融合包括：
Hij＝ZijPi,j,L+Pi,j,S(256-Zij)
其中Pi,j,S为短曝光图像。
其中，根据机器人的实际工作任务需要设定预定的运动轨迹或运动路径，在机器人运动过程中采集机器人的参数信息，进而确定机器人在运动过程中的位姿参数信息，所述的参数信息是根据惯性传感器或角度传感器采集机器人位移变化或角度变化，并根据位姿变化的特征，进一步限度相机曝光的时间，针对角度位移变化较大，或连贯性动作采用长曝光图像，以保证采集图像对运动信息的完整性收集，同时，长曝光图像与所述短曝光图像分别通过不同摄像头针对同一景象进行同时拍摄，本申请的配套硬件设施包括存储器、控制器、相机及处理器，其中，处理器包括图像获取模块，获取长曝光图像和短曝光图像；长曝光图像修正模块，采用主成分分析法提取长曝光图像曝光良好区域的图像，长曝光图像的权重的分析模块，根据提取的长曝光图像修正区域，给予其更大的融合权重，增大其对图像融合的结果影响；所述图像融合模块根据权重系数、修正后的长曝光图像和短曝光图像进行图像融合，得到融合图像。
装置中的各个模块所实现的功能与上文描述的方法中的步骤相对应，其具体实现个技术效果请参见上文对于方法步骤的描述，在此不再赘述。
本发明实施例中处理器可以采用数字信号处理器(Digital SignalProcessing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现，所述处理器可以是中央处理单元(Central Processing Unit，CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元中的一种或几种的组合。
本发明实施例中的存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(Random Access Memory，RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(Read-OnlyMemory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-StateDrive，SSD)等。
在一些实施方式中，本发明提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在由处理器执行时，执行上文所述的任何方法。
本申请针对长曝光图像整体上比短曝光图像噪声低、信噪比高的特点，采用主成分分析法提取长曝光图像曝光良好区域的图像，给予其更大的融合权重，增大其对图像融合的结果影响，减小短曝光图像对图像融合的结果影响，保证融合后图像的平滑过渡。
尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本发明的方法和装置能够利用标准编程技术来完成，利用基于规则的逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是，此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。
此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中，软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现，其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。
Claims (9)
1.一种机器人视觉的多帧运动图像融合方法,其特征在于，包括：
通过连续拍摄机器人在同一场景内运动，获取多张连续拍摄图像；且多张拍摄图像为根据机器人的运动位姿，取得的长曝光图像和短曝光图像；
基于图像背光亮度获取长曝光图像的权重系数；
基于主成分分析法修正长曝光图像；
根据权重系数、修正后的长曝光图像和短曝光图像进行图像融合，得到融合图像。
2.根据权利要求1所述的机器人视觉的多帧运动图像融合方法，其特征在于，所述权重系数包括：将长曝光图像转化成RGB格式图像，针对图像像素(i,j)的亮度值求取R，G，B分量的平均值Aij和最大值Mij，并计算两者之间的差值dij；
dij＝Mij-Aij
dij表示当前像素在平均值基础上可以提高的亮度范围,并计算背光亮度；
Bij＝Aij+K*dij
其中，k表示背光亮度增加系数，并根据计算得到的背光亮度，计算权重系数
其中Ymin和Ymax分别为长曝光图像中亮度的最小阈值和最大阈值。
3.根据权利要求2所述的机器人视觉的多帧运动图像融合方法，其特征在于，基于主成分分析法修正长曝光图像包括：对长曝光图像进行分块，将分块后的图像进行降低噪声和高斯滤波处理，将每块图像矩阵变为一个N2×1的列向量gi，并组成一个集合{g1,g2…gn}，其中n为分块的数量，并计算图像的平均值，再将各列向量g1减去a，得到去均值化向量xi，i＝1,2,…,n并将所有向量组成一个矩阵X＝[x1,x2…xn],其中X为N2×n大小的矩阵，并计算长曝光图像的协方差矩阵C,/>对协方差矩阵C进行特征分解，得到特征值λi，i＝1,2,…,n，及特征向量μi，i＝1,2,…,n，选取最大特征值λ对应的第一主成分Xμmax作为图像高频分量，均值向量a作为图像的低频分量，将而二者相加得到向量F,
F＝Xμmax+a
最后将向量F转换为N*N大小的矩阵即为修正后的长曝光图像Pi,j,L。
4.根据权利要求3所述的机器人视觉的多帧运动图像融合方法，其特征在于，所述图像融合包括：
Hij＝ZijPi,j,L+Pi,j,S(256-Zij)
其中Pi,j,S为短曝光图像。
5.根据权利要求1所述的机器人视觉的多帧运动图像融合方法，其特征在于，设定机器人运动路径，在机器人运动过程中采集机器人运动位姿信息，并根据位姿信息确定采集图像曝光的时间长度。
6.根据权利要求,5所述的机器人视觉的多帧运动图像融合方法，其特征在于，通过惯性传感器采集机器人位姿信息。
7.根据权利要求1所述的机器人视觉的多帧运动图像融合方法，其中，所述长曝光图像与所述短曝光图像分别通过不同摄像头针对同一景象进行同时拍摄。
8.一种多帧图像融合系统，其中，包括：
图像获取模块，获取长曝光图像和短曝光图像；
长曝光图像的权重的分析模块，长曝光图像修正模块及图像融合模块；所述图像融合模块根据权重系数、修正后的长曝光图像和短曝光图像进行图像融合，得到融合图像。
9.一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在由处理器执行时，执行权利要求1-8中任一项所述的机器人视觉的多帧运动图像融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509103.6A CN117611461B (zh) | 2023-11-14 | 2023-11-14 | 一种机器人视觉的多帧运动图像融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509103.6A CN117611461B (zh) | 2023-11-14 | 2023-11-14 | 一种机器人视觉的多帧运动图像融合方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117611461A true CN117611461A (zh) | 2024-02-27 |
| CN117611461B CN117611461B (zh) | 2025-02-14 |
Family
ID=89952561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311509103.6A Active CN117611461B (zh) | 2023-11-14 | 2023-11-14 | 一种机器人视觉的多帧运动图像融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117611461B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118941452A (zh) * | 2024-10-15 | 2024-11-12 | 南昌工程学院 | 基于多曝光融合的低光照图像细节增强方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867727A (zh) * | 2009-04-16 | 2010-10-20 | 华为技术有限公司 | 一种视频处理方法及装置 |
| CN106412448A (zh) * | 2016-02-03 | 2017-02-15 | 周彩章 | 一种基于单帧图像的宽动态范围处理方法与系统 |
| CN108492245A (zh) * | 2018-02-06 | 2018-09-04 | 浙江大学 | 基于小波分解和双边滤波的低光度图像对融合方法 |
| CN110189285A (zh) * | 2019-05-28 | 2019-08-30 | 北京迈格威科技有限公司 | 一种多帧图像融合方法及装置 |
| CN111418201A (zh) * | 2018-03-27 | 2020-07-14 | 华为技术有限公司 | 一种拍摄方法及设备 |
| CN115578286A (zh) * | 2022-10-28 | 2023-01-06 | 辉羲智能科技(上海)有限公司 | 高动态范围的混合曝光成像方法和装置 |
-
2023
- 2023-11-14 CN CN202311509103.6A patent/CN117611461B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867727A (zh) * | 2009-04-16 | 2010-10-20 | 华为技术有限公司 | 一种视频处理方法及装置 |
| US20120033131A1 (en) * | 2009-04-16 | 2012-02-09 | Hai Chen | Method and device for video processing |
| CN106412448A (zh) * | 2016-02-03 | 2017-02-15 | 周彩章 | 一种基于单帧图像的宽动态范围处理方法与系统 |
| CN108492245A (zh) * | 2018-02-06 | 2018-09-04 | 浙江大学 | 基于小波分解和双边滤波的低光度图像对融合方法 |
| CN111418201A (zh) * | 2018-03-27 | 2020-07-14 | 华为技术有限公司 | 一种拍摄方法及设备 |
| CN110189285A (zh) * | 2019-05-28 | 2019-08-30 | 北京迈格威科技有限公司 | 一种多帧图像融合方法及装置 |
| CN115578286A (zh) * | 2022-10-28 | 2023-01-06 | 辉羲智能科技(上海)有限公司 | 高动态范围的混合曝光成像方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王光霞;冯华君;徐之海;李奇;陈跃庭;: "基于块匹配的低光度图像对融合方法", 光子学报, no. 04, 2 February 2019 (2019-02-02) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118941452A (zh) * | 2024-10-15 | 2024-11-12 | 南昌工程学院 | 基于多曝光融合的低光照图像细节增强方法 |
| CN118941452B (zh) * | 2024-10-15 | 2025-02-07 | 南昌工程学院 | 基于多曝光融合的低光照图像细节增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117611461B (zh) | 2025-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220014684A1 (en) | Image display method and device | |
| KR101699919B1 (ko) | 다중 노출 퓨전 기반에서 고스트 흐림을 제거한 ｈｄｒ 영상 생성 장치 및 방법 | |
| US9330446B2 (en) | Method and apparatus for processing image | |
| CN102959586B (zh) | 深度推测装置以及深度推测方法 | |
| CN110660090B (zh) | 主体检测方法和装置、电子设备、计算机可读存储介质 | |
| US8508605B2 (en) | Method and apparatus for image stabilization | |
| US9615039B2 (en) | Systems and methods for reducing noise in video streams | |
| JP6577703B2 (ja) | 画像処理装置及び画像処理方法、プログラム、記憶媒体 | |
| JP6087671B2 (ja) | 撮像装置およびその制御方法 | |
| CN111028189A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| WO2020199831A1 (zh) | 图像处理模型的训练方法、图像处理方法、网络设备及存储介质 | |
| Sun et al. | HDR image construction from multi-exposed stereo LDR images | |
| CN110796041A (zh) | 主体识别方法和装置、电子设备、计算机可读存储介质 | |
| JP4210954B2 (ja) | 画像処理方法、画像処理方法のプログラム、画像処理方法のプログラムを記録した記録媒体及び画像処理装置 | |
| CN110717871A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN117611461A (zh) | 一种机器人视觉的多帧运动图像融合方法及系统 | |
| JP6178646B2 (ja) | 撮像装置及び像振れ補正処理方法 | |
| CN117979171B (zh) | 带电作业用机器人的图像获取方法及系统 | |
| JP6739955B2 (ja) | 画像処理装置、画像処理方法、画像処理プログラム、および記録媒体 | |
| JP2009088884A (ja) | 撮像データにおける動きベクトル検出方法と装置 | |
| JP6378496B2 (ja) | 画像処理装置、制御方法及び記録媒体 | |
| JP2021013056A (ja) | 画像処理装置、撮像装置、画像処理方法およびプログラム | |
| JP6454112B2 (ja) | ぶれ補正装置、ぶれ補正方法及びプログラム、並びに撮像装置 | |
| JP2010021897A (ja) | 撮像装置 | |
| CN117395513A (zh) | 一种基于非同源双目相机的自动曝光方法、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |