隧道衬砌正射影像生成方法及装置、存储介质、终端

1.本技术涉及图像处理技术领域及隧道检测领域，特别是涉及一种隧道衬砌正射影像生成方法及装置、存储介质、终端。


背景技术：

2.随着经济建设的发展，国家对基础建设的投资不断加大，我国的隧道及地下工程数量也在逐年增加，人们对隧道及地下工程施工过程的病害检测也越来越重视。隧道病害检测的主要目标就是隧道衬砌。隧道衬砌是为了防止围岩变形或坍塌，沿隧道洞身周边用钢筋混凝土等材料修建的永久性支护结构。隧道衬砌二维正射影像作为隧道病害自动化检测非常重要的信息载体，隧道衬砌二维正射影像的精度和准确性直接关系到病害检测的准确性。
3.现有的隧道衬砌二维正射影像的生成方法主要为平面影像拼接方法，即将拍摄得到的平面影像进行拼接以得到隧道全景图，但该方法由于影像之间存在视差，当拍摄相机不同心或拍摄场景不在同一平面上，则不可避免地出现重影和影像变形，且随着隧道长度的增加，误差不断累计，导致隧道全景图发生严重扭曲，得到的隧道正射影像精度较低、全局变形较大。


技术实现要素：

4.有鉴于此，本技术提供一种隧道衬砌正射影像生成方法及装置、存储介质、终端，主要目的在于解决现有隧道衬砌正射影像精确度较低的问题。
5.依据本技术一个方面，提供了一种隧道衬砌正射影像生成方法，包括：获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型；基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图；基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。
6.进一步地，所述目标三维网格模型的曲面类型为非流形曲面，所述基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图包括：根据所述目标三维网格模型的轮廓形状特征，构建所述目标三维网格模型的初始流形曲面网格模型；将所述目标三维网格模型投影至所述初始流形曲面网格模型，得到所述目标三维网格模型的流形曲面网格模型；基于网格参数化算法对所述流形曲面网格模型进行二维展开处理，得到所述目标
隧道衬砌的平面展开图。
7.进一步地，所述网格参数化算法为添加中心线约束的最小二乘共形映射，所述基于网格参数化算法对所述目标三维网格模型的流形曲面网格模型进行二维展开，得到所述目标隧道衬砌的平面展开图包括：针对所述流形曲面网格模型中的每个网格，构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面；将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射，得到所述每个网格的顶点的二维展开平面坐标，并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
8.进一步地，所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网包括：对所述平面展开图进行三角剖分，得到包含多个三角形的三角网，并以所述三角形作为无向图结构的顶点构建无向图结构；基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理，得到所述目标隧道衬砌的正射拼接网。
9.进一步地，所述基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理，得到所述目标隧道衬砌的正射拼接网之前，所述方法还包括：基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取，得到所述原始影像的语义信息。
10.进一步地，所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之前，所述方法还包括：基于全局原始影像的像素值构建全局变换函数，并通过对所述全局变换函数进行二次凸优化处理，确定对应每个所述原始影像的目标变换函数；基于所述目标变换函数对所述原始影像进行色彩校正，得到完成色彩校正后的原始影像。
11.进一步地，所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之后，所述方法还包括：对所述正射拼接网中各个拼接影像之间进行局部色彩调整，得到局部色彩调整后的正射拼接网；所述根据所述正射拼接网生成所述目标隧道衬砌的正射影像包括：根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
12.依据本技术另一个方面，提供了一种隧道衬砌正射影像生成装置，包括：获取模块，用于获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型；处理模块，基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图；生成模块，用于基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述拼接网生成所述目标隧道衬砌的正射影像。
13.进一步地，所述处理模块包括：第一构建单元，用于根据所述目标三维网格模型的轮廓形状特征，构建所述目标三维网格模型的初始流形曲面网格模型；投影单元，用于将所述目标三维网格模型投影至所述初始流形曲面网格模型，得到所述目标三维网格模型的流形曲面网格模型；第一处理单元，用于基于网格参数化算法对所述流形曲面网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图。
14.进一步地，在具体应用场景中，所述第一处理单元具体用于针对所述流形曲面网格模型中的每个网格，构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面；将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射，得到所述每个网格的顶点的二维展开平面坐标，并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
15.进一步地，所述生成模块包括：第二构建单元，用于对所述平面展开图进行三角剖分，得到包含多个三角形的三角网，并以所述三角形作为无向图结构的顶点构建无向图结构；第二处理单元，用于基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理，得到所述目标隧道衬砌的正射拼接网。
16.进一步地，所述装置还包括：提取模块，用于基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取，得到所述原始影像的语义信息。
17.进一步地，所述装置还包括：构建模块，用于基于全局原始影像的像素值构建全局变换函数，并通过对所述全局变换函数进行二次凸优化处理，确定对应每个所述原始影像的目标变换函数；校正模块，用于基于所述目标变换函数对所述原始影像进行色彩校正，得到完成色彩校正后的原始影像。
18.进一步地，所述装置还包括：调整模块，用于对所述正射拼接网中各个拼接影像之间进行局部色彩调整，得到局部色彩调整后的正射拼接网；所述生成模块，还用于根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
19.根据本技术的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述隧道衬砌正射影像生成方法对应的操作。
20.根据本技术的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述隧道衬砌正射影像生成方法对应的操作。
21.借由上述技术方案，本技术实施例提供的技术方案至少具有下列优点：本技术提供了一种隧道衬砌正射影像生成方法及装置、存储介质、终端，本技术实
施例通过获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型；基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图；基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述正射拼接网生成所述目标隧道衬砌的正射影像，大大减少了隧道影像的全局变形，确保了影像拼接的准确性，从而大大提高隧道衬砌正射影像的精确度。
22.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
23.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本技术实施例提供的一种隧道衬砌正射影像生成方法流程图；图2示出了本技术实施例提供的一种基于共形映射方法展开三维网格至二维网格的示意图；图3示出了本技术实施例提供的另一种隧道衬砌正射影像生成方法流程图；图4示出了本技术实施例提供的一种三维模型展开至二维平面图的示意图；图5示出了本技术实施例提供的一种隧道衬砌正射影像生成装置组成框图；图6示出了本技术实施例提供的一种终端的结构示意图。
具体实施方式
24.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
25.针对现有的隧道衬砌二维正射影像的生成方法主要为平面影像拼接方法，即将拍摄得到的平面影像进行拼接以得到隧道全景图，但该方法由于影像之间存在视差，当拍摄相机不同心或拍摄场景不在同一平面上，则不可避免地出现重影和影像变形，且随着隧道长度的增加，误差不断累计，导致隧道全景图发生严重扭曲，得到的隧道正射影像精度较低、全局变形量较大的问题。本技术实施例提供了一种隧道衬砌正射影像生成方法，如图1所示，该方法包括：101、获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型。
26.本技术实施例中，目标隧道衬砌为建设中的或已投入使用的隧道的衬砌。原始影像为目标隧道内壁的多视角影像。其中，该影像可以为基于人工对目标隧道的内壁面进行多角度拍摄的影像，也可以为基于隧道衬砌拍摄装置，如隧道衬砌拍摄车，对目标隧道的内壁面拍摄的影像。由于隧道衬砌为三维实体，为了得到其准确的二维影像，需要首先基于得
到的原始影像进行三维重建，以基于重建后的三维模型进行二维展开得到二维影像。因此，在得到原始影像之后，通过对原始影像进行稀疏重建、稠密重建、表面重建、纹理重建得到目标隧道衬砌的实景三维模型，提取实景三维模型的网格模型并进行模型去噪，得到目标隧道衬砌的目标三维网格模型。
27.需要说明的是，目标三维网格模型的曲面类型为流形曲面、非流形曲面中的一个。即目标三维网格模型可以为一个整体的流形曲面，也可以为由多个流形曲面的几何形状组合而成的非流形曲面。由于隧道的形状复杂多样，不完全是可以近似为圆柱体或扫掠体的形状。本技术实施例不仅可以针对隧道三维模型为流行曲面的隧道进行隧道衬砌正射影像的生成。针对隧道三维模型为非流行曲面的隧道也可以准确的生成隧道衬砌正射影像，从而满足任意形状横断面隧道的投影面展开需求，提高对不同类型隧道的适用性。
28.102、基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图。
29.本技术实施例中，由于在目标三维网格模型的二维展开过程中，容易出现网格全局畸变，导致平面展开图的测量精度较低。为了尽可能减小畸变，基于网格参数化算法对目标三维网格模型进行二维展开。其中，网格参数化算法为共形映射。例如，最小二乘共形映射、基于添加中心线约束的最小二乘共形映射。共形映射为在映射过程中，经过任一点的有向曲线能够在此点保留局部角度和方向的一种映射方式。如图2所示，如果对每个点，将切线向量映射到和，穿过点的曲线是正交的，且具有相同的模，则将点域映射到表面域的函数成为共形映射。可以表示为：（1）。通过对目标三维网格模型中的网格进行共形映射，能够使网格的角度畸变最小化，从而减小二维展开后网格的畸变，使平面展开图更为准确。
30.需要说明的是，共形映射仅能应用于流形曲面的目标三维网格模型。若目标三维网格模型为非流形曲面，则需要先创建一个包含目标三维网格模型形状特征的流形曲面网格模型，再将目标三维网格模型投影到该流形曲面网格模型上，以得到能够进行共形映射的三维模型。
31.103、基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。
32.本技术实施例中，由于目标隧道衬砌的正射影像需要精确的展示衬砌面每个位置的细节影像，而由三维模型中展开到二维的影像由于影像内容的扭曲畸变，无法精确的展示细节影像，因此，在得到平面展开图之后，需要将完成色彩校正的原始影像按照在平面展开图中的对应位置进行拼接，得到目标隧道衬砌面的完整正射影像。例如，基于马尔可夫随机场优化列出能量方程，并基于图割算法求解能量方程，以确定平面展开图中每个位置的最佳原始影像，以及相邻影像之间的最优拼接线位置，从而得到目标隧道衬砌完整的正射拼接网，进而得到能够展示目标隧道衬砌准确细节影像的目标隧道衬砌的正射影像。
33.需要说明的是，用于拼接的影像为完成色彩校正的原始影像。由于隧道内环境阴暗，原始影像的采集很容易受天气状况、拍摄时间、曝光程度、影像采集设备等原因造成影
像色彩不一致。因此，再对原始影像进行拼接之前，利用多视影像色彩一致性校正算法对原始影像进行逐一色彩校正，以消除或减弱影像之间的色差问题，从而在保证正射影像精度的同时，提升影像的呈现质量。
34.在一个本技术实施例中，为了进一步说明及限定，如图3所示，步骤102所述基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图包括：201、根据所述目标三维网格模型的轮廓形状特征，构建所述目标三维网格模型的初始流形曲面网格模型。
35.202、将所述目标三维网格模型投影至所述初始流形曲面网格模型，得到所述目标三维网格模型的流形曲面网格模型。
36.203、基于网格参数化算法对所述流形曲面网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图。
37.本技术实施例中，目标三维网格模型的曲面类型为非流形曲面。在实际应用场景中，隧道的横断面形状比较复杂，不局限于标准的圆柱形状，隧道的三维模型在很多情况下为非流形曲面，很难用一个特定的圆柱或扫掠体描述。然而网格参数化算法仅适用于一个连通子图或流形三角网的网格。因此，需要先将非流形曲面的目标三维网格模型转化为流形曲面的模型，以便于基于共形映射的方法对其进行二维展开。具体地，使用相关单体化软件，基于目标三维网格模型轮廓的几何形状特征，重建一个具有目标三维网格模型流形几何形状的初始流形曲面网格模型。其中，初始流形曲面网格模型具有少量数据和高精度的隧道网格，其形状能够表征目标隧道衬砌的真实形状，不是圆柱体，扫掠体等特定的几何形状。由于该流形曲面网格模型具有少量数据和高精度的隧道网格，能够满足网格参数化算法的适用条件，因此，将目标三维网格模型投影到初始流形曲面网格模型后，可以利用网格参数化算法对流形曲面网格模型进行二维展开，以得到平面展开图。
38.在一个本技术实施例中，为了进一步说明及限定，所述基于网格参数化算法对所述目标三维网格模型的流形曲面网格模型进行二维展开，得到所述目标隧道衬砌的平面展开图包括：针对所述流形曲面网格模型中的每个网格，构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面。
39.将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射，得到所述每个网格的顶点的二维展开平面坐标，并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
40.本技术实施例中，为了避免流形曲面网格模型二维平面展开过程中发生严重的全局或局部的畸变，使流形曲面网格模型中的网格角度畸变最小化，采用添加中心线约束的最小二乘共形映射也称最小二乘保角映射（least squares conformal mapping under centerline constraint，clscm）的网格参数化算法对三维模型进行二维展开。具体地，以流形曲面网格模型中的任一顶点为例，对添加中心线约束的最小二乘共形映射的实现过程加以说明。如图4所示，图中上半部分的图形为目标三维网格模型示意图，图中下半部分的图形为目标三维网格模型的平面展开图的示意图。为了求解目标三维网格模型中任一顶点点在二维平面展开图中的坐标信息，过顶点和垂直于目标三维网格模型的中心线的平
面做一个平平面。与相交于一点。在平面展开图中的对应点为)，的对应点为。是一条垂直于到的线。对于平面展开图中的每个点)满足如下公式：（2）；其中，、、为与)对应的参数。将流形曲面网i格模型的全部顶点表示为：（3）；其中，其中，m为流形曲面网格模型中全部顶点的坐标矩阵，为全部顶点对应系数的矩阵表示。设定平面展开图中全部网格顶点的坐标的矩阵，表示为x。网格能量方程为：（4）；其中，l为拉普拉斯矩阵；为网格的通量。在公式（3）约束下得到：（5）；最小化得到：（6）。对公式（4）~（6）进行拉格朗日构造，得到公式：（7）；其中，为参数。对x和公式（7）进行联合求偏导，得到公式：（8）；利用奇异值分解算法(singular value decomposition,svd)求解稀疏线性方程（8）可以得到x，即得到平面展开图中任一点的坐标，进而得到目标隧道衬砌的平面展开图。
41.需要说明的是，若目标三维网格模型的曲面类型为流形曲面，基于网格参数化算法对所述目标三维网格模型进行二维展开处理的方法与流形曲面网格模型的二维展开实现过程相同，均为基于添加中心线约束的最小二乘共形映射进行网格参数化。通过利用添加中心线约束的最小二乘共形映射将目标三维网格模型展开为平面展开图，构建了目标三维网格模型到二维展开图的严格几何映射关系，减小了平面展开图的全局和局部的畸变，从而有效保障了目标隧道衬砌正射影像的几何精度。
42.在一个本技术实施例中，为了进一步说明及限定，所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述拼接网生成所述目标隧道衬砌的正射影像包括：对所述平面展开图进行三角剖分，得到包含多个三角形的三角网，并以所述三角形作为无向图结构的顶点构建无向图结构。
43.基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理，得到所述目标隧道衬砌的正射拼接网。
44.本技术实施例中，构建拼接网即为平面展开图的任一像素匹配到一张对应的原始影像，并将该原始影像的像素值赋予该像素。其实质是为每个像素点打标签的问题，因此，基于马尔可夫随机场优化的方法构建正射拼接网。即基于无向图构建正射拼接网，并对无向图结构的每个顶点进行马尔可夫随机场优化。由于隧道正射影像的分辨率通常非常高，如果以影像中的每个像素点作为图结构的顶点，则优化效率会比较低，为了提高优化效率，将平面展开图剖分为由多个三角形构成的三角网，并以每个三角形作为无向图结构一个顶点。其中，剖分的工具可以为libigl，三角形剖分的数量可以根据实际应用场景自定义，本技术实施例不对剖分工具及剖分数量做具体限定。构建完无向图结构之后，基于马尔可夫
随机场优化求解拼接网的最优拼接方式，从而得到正射拼接网。
45.具体地，设定无向图结构为，设定三角网中的每个三角形为，两个相邻三角形组成的边为。将所有原始影像赋予一个标签集1，1中的标签数量等于原始影像数量；通过优化为三角形找到匹配的标签集，中的标签数量等于三角网中三角形的数量。得到能量公式：（9）；其中，为三角形i，为三角形j，为原始影像i，为原始影像j；为数据项，用于衡量三角形选择的质量，即对某一三角形，包含该三角形对应区域的图像为高质量图像；为平滑项，衡量拼接线的质量，即拼接线经过强纹理区域为低质量拼接线，经过弱纹理区域为高质量拼接线，为参数。
46.为了提高优化效率，将图像上可见的三角形的数据项配置为零，将不可见的三角形的数据项配置为无穷，得到数据项公式为：（10）。同时，为了消除光照对原始影像中像素值rgb的影像，采用两张原始影像在边上的散度差异值表示边的权重，得到平滑项公式为：（11）；其中，为原始影像i在共同边上的像素信息，为原始影像j在共同边上的像素信息。由于纹理较弱的区域散度值较小，因此，将散度差异值表示边的权重，能够提升拼接线从弱纹理区域（即不包含需要重点关注内容的图像区域）经过的概率。在此基础上，为了进一步保证拼接线从弱纹理区域经过，将原始影像中的前景物体，如电线等物体的语义信息加入到平滑项中，若无向图结构的边被前景物体覆盖，则配置其权重为无穷，即拼接线不能穿过该区域，得到公式：（12）；其中，eage为拼接线，object为前景物体。基于图割算法的过能量函数（alpha-expansion），找到公式（9）的最优解，从而得到构建完成的正射拼接网。
47.需要说明的是，通过将可见三角形区域的图像及不可见三角形区域的图像进行分配配置数据项，能够大大降低优化的难度，提高优化效率。同时，基于语义信息对经过遮盖物的拼接线及未经过遮盖物的拼接线分别配置对应的平滑项，能够使拼接线的位置更加准确的避开有用的遮盖物，从而使拼接网最大程度保留有用信息，提升隧道衬砌正射影像中图像信息的准确性。
48.在一个本技术实施例中，为了进一步说明及限定，所述基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理，得到所述目标隧道衬砌的正射拼接网之前，所述方法还包括：基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取，得到所述原始影像的语义信息。
49.本技术实施例中，深度学习网络模型为基于卷积神经网络模型如，alextnet、resnet（(residual neural network)）等构建的。基于隧道衬砌图像的前景物体标记样本
对深度学习网络模型进行训练，得到已完成训练的深度学习网络模型。其中，前景物体为遮挡隧道衬砌面的物体，如隧道内的电线、换气扇等。通过已完成训练的深度学习网络模型对原始影像进行深度学习，能够得到影像中是否包含前景物体的准确语义信息，以根据语义信息配置能量方程中的平滑项，使相邻影像的拼接线能够最大可能的从弱纹理区域经过，从而提升正射影像的完整度及精确度。
50.在一个本技术实施例中，为了进一步说明及限定，所述基于所述平面展开图、完成色彩校正的所述原始影像构建拼接网图割模型之前，所述方法还包括：基于全局原始影像的像素值构建全局变换函数，并通过对所述全局变换函数进行二次凸优化处理，确定对应每个所述原始影像的目标变换函数；基于所述目标变换函数对所述原始影像进行色彩校正，得到完成色彩校正后的原始影像。
51.本技术实施例中，拼接网是由大量的原始影像拼接而成，而在影像采集过程中很难保证原始影像的色彩一致性，因此，在将原始影像拼接之前对原始影像的色彩一致性进行修正，再基于色彩修正后的原始影像进行图像拼接，从而使正射影像的整体色彩更均匀。具体地，采用二次样条曲线作为全局变换函数，二次样条曲线为分段的抛物线，公式为：（13）；其中，为输入像素值，；本技术中将rgb空间的像素值域[0,255]映射到区间[0,1]，即像素值的取值在[0,1]内，表示第个节点的像素值坐标，、、为待求系数，为节点数，（14）。进而利用二次凸优化方法对全局变换函数进行优化，得到与每张原始影像对应的目标变换函数的系数，即得到目标变换函数。其中，在求解过程中，原始影像的每个色彩通道之间完全独立优化，任一色彩通道的损失函数为：（15）；其中，表示影像间同名信息的差异程度；用于衡量校正后影像相对于原始影像的信息损失程度（越大表示损失越大）；为正则项保证二次样条平滑不会过拟合，以保证算法的鲁棒性；、为参数，（16）；其中，为能量优化强约束，包含梯度约束、二次样条固有约束及参考影像等约束。基于每张原始影像的目标变换函数对原始影像进行色彩修正，完成全局原始影像的色彩一致性校正。通过色彩一致性校正，能够有效提升拼接网中各个原始影像之间的色彩一致性，能够消除图像之间的拼接感，使整张正射影像的颜色更加均匀。
[0052]
在一个本技术实施例中，为了进一步说明及限定，所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之后，所述方法还包括：对所述正射拼接网中各个拼接影像之间进行局部色彩调整，得到局部色彩调整后的正射拼接网；所述根据所述正射拼接网生成所述目标隧道衬砌的正射影像包括：根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
[0053]
本技术实施例中，为了进一步提升正射影像的色彩均匀程度，通过对正射拼接网
中各个影像之间的局部色彩进行泊松融合，以完成影像之间的局部色彩调整，消除影像之间的色差，使整个拼接网更具整体性，从而得到高质量的、精确的目标隧道衬砌正射影像。
[0054]
本技术提供了一种隧道衬砌正射影像生成方法，本技术实施例通过获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型；基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图；基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述正射拼接网生成所述目标隧道衬砌的正射影像，大大减少了隧道影像的畸变，确保了影像拼接的准确性，从而大大提高隧道衬砌正射影像的精确度。
[0055]
进一步的，作为对上述图1所示方法的实现，本技术实施例提供了一种隧道衬砌正射影像生成装置，如图5所示，该装置包括：获取模块31，用于获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型；处理模块32，基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图；生成模块33，用于基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述拼接网生成所述目标隧道衬砌的正射影像。
[0056]
进一步地，所述处理模块32包括：第一构建单元，用于根据所述目标三维网格模型的轮廓形状特征，构建所述目标三维网格模型的初始流形曲面网格模型；投影单元，用于将所述目标三维网格模型投影至所述初始流形曲面网格模型，得到所述目标三维网格模型的流形曲面网格模型；第一处理单元，用于基于网格参数化算法对所述流形曲面网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图。
[0057]
进一步地，在具体应用场景中，所述第一处理单元具体用于针对所述流形曲面网格模型中的每个网格，构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面；将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射，得到所述每个网格的顶点的二维展开平面坐标，并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
[0058]
进一步地，所述生成模块33包括：第二构建单元，用于对所述平面展开图进行三角剖分，得到包含多个三角形的三角网，并以所述三角形作为无向图结构的顶点构建无向图结构；第二处理单元，用于基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理，得到所述目标隧道衬砌的正射拼接网。
[0059]
进一步地，所述装置还包括：提取模块，用于基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取，得到所述原始影像的语义信息。
[0060]
进一步地，所述装置还包括：构建模块，用于基于全局原始影像的像素值构建全局变换函数，并通过对所述全局变换函数进行二次凸优化处理，确定对应每个所述原始影像的目标变换函数；校正模块，用于基于所述目标变换函数对所述原始影像进行色彩校正，得到完成色彩校正后的原始影像。
[0061]
进一步地，所述装置还包括：调整模块，用于对所述正射拼接网中各个拼接影像之间进行局部色彩调整，得到局部色彩调整后的正射拼接网；所述生成模块，还用于根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
[0062]
本技术提供了一种隧道衬砌正射影像生成装置，本技术实施例通过获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型；基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标隧道衬砌的平面展开图；基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述正射拼接网生成所述目标隧道衬砌的正射影像，大大减少了隧道影像的全局变形，确保了影像拼接的准确性，从而大大提高隧道衬砌正射影像的精确度。
[0063]
根据本技术一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的隧道衬砌正射影像生成方法。
[0064]
图6示出了根据本技术一个实施例提供的一种终端的结构示意图，本技术具体实施例并不对终端的具体实现做限定。
[0065]
如图6所示，该终端可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0066]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
[0067]
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
[0068]
处理器402，用于执行程序410，具体可以执行上述隧道衬砌正射影像生成方法实施例中的相关步骤。
[0069]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0070]
处理器402可能是中央处理器cpu，或者是特定集成电路asic（application specific integrated circuit），或者是被配置成实施本技术实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0071]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
[0072]
程序410具体可以用于使得处理器402执行以下操作：获取目标隧道衬砌的原始影像，并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型；基于网格参数化算法对所述目标三维网格模型进行二维展开处理，得到所述目标
隧道衬砌的平面展开图；基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网，并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。
[0073]
显然，本领域的技术人员应该明白，上述的本技术的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
[0074]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。