本發(fā)明涉及圖像處理以及信息恢復(fù)技術(shù)領(lǐng)域，具體涉及一種基于蟻群算法的圖文碎片恢復(fù)方法。

背景技術(shù)：

碎紙片拼接在文物修復(fù)、司法鑒定等領(lǐng)域有普遍的應(yīng)用。傳統(tǒng)上，拼接復(fù)原工作需由人工完成，準確率高，但效率很低。特別是當(dāng)碎片數(shù)量巨大，人工拼接很難在短時間內(nèi)完成任務(wù)。隨著計算機技術(shù)的發(fā)展，人們試圖開發(fā)碎紙片的自動拼接技術(shù)，以提高拼接復(fù)原效率。

目前，碎紙片自動拼接問題主要有兩種解決方案：基于輪廓的拼接和基于內(nèi)容的拼接。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供了一種基于蟻群算法的圖文碎片恢復(fù)方法，具體技術(shù)方案如下：

一種基于蟻群算法的圖文碎片恢復(fù)方法，包括以下步驟：

獲取碎片圖像，對所述碎片圖像進行預(yù)處理；

獲取所述碎片圖像的圖像特征，所述圖像特征為人工生成的數(shù)據(jù)集或從所述碎片圖像中提取的數(shù)據(jù)集；

根據(jù)所述圖像特征對所述碎片圖像進行聚類，生成對應(yīng)的特征集；

利用蟻群算法對所述特征集內(nèi)的所述碎片圖像進行優(yōu)化拼接組合，獲得局部拼合圖像；

利用蟻群算法對所述局部拼合圖像進行優(yōu)化拼接組合，輸出最終拼合圖像。

進一步地，所述獲取碎片圖像，包括：

掃描所述碎片，獲得含背景的所述碎片圖像；

對所述碎片圖像進行膨脹處理或腐蝕處理，獲得不含背景的所述碎片圖像；

對所述碎片圖像進行編號，所述編號用于在輸出局部拼合圖像和整體拼合圖像的同時，獲取所述碎片圖像的排列順序。

進一步地，所述對所述碎片圖像進行預(yù)處理，包括：

對所述碎片圖像進行降噪處理；

讀取所述碎片圖像的像素值，得到所述碎片圖像的像素矩陣；

進一步地，所述對所述碎片圖像進行預(yù)處理，還包括：

從所述碎片圖像中提取所述圖像特征，所述圖像特征包括顏色、紋理和輪廓特征。

進一步地，所述利用蟻群算法對所述特征集內(nèi)的所述碎片圖像進行優(yōu)化拼接組合，包括：

初始化信息素濃度；

將螞蟻隨機分布到不同的出發(fā)點；

建立歐氏距離矩陣，所述歐氏距離矩陣用于存儲螞蟻所在的所述碎片圖像到下一個可選所述碎片圖像之間的歐氏距離，所述歐氏距離為啟發(fā)信息；

基于信息素濃度運用輪盤賭的選擇方法由螞蟻選擇下一個所述碎片圖像；

對信息素進行局部更新，并將所選擇的所述碎片圖像加入禁忌列表；

再次執(zhí)行所述建立歐氏距離矩陣步驟，直至螞蟻遍歷所述特征集內(nèi)的所述碎片圖像；

計算各螞蟻經(jīng)過的路徑長度，記錄當(dāng)前迭代次數(shù)最優(yōu)解，同時對路徑上的信息素濃度進行更新；

判斷是否達到最大迭代次數(shù)，若否，則再次執(zhí)行所述將螞蟻隨機分布到不同的出發(fā)點步驟；若是，則輸出結(jié)果。

進一步地，所述利用蟻群算法對所述特征集內(nèi)的所述碎片圖像進行優(yōu)化拼接組合，還包括：

設(shè)置相關(guān)參數(shù)的參數(shù)值，所述相關(guān)參數(shù)值包括蟻群規(guī)模、信息素因子、啟發(fā)函數(shù)因子、信息素揮發(fā)因子、信息素常數(shù)和最大迭代次數(shù)。

進一步地，所述若是，則輸出結(jié)果，包括：

輸出所述局部拼合圖像和輸出尋優(yōu)過程中的相關(guān)指標，所述相關(guān)指標包括運行時間和收斂迭代次數(shù)。

進一步地，所述利用蟻群算法對所述局部拼合圖像進行優(yōu)化拼接組合，包括：

初始化信息素濃度；

將螞蟻隨機分布到不同的出發(fā)點；

建立歐氏距離矩陣，所述歐氏距離矩陣用于存儲螞蟻所在的所述局部拼合圖像到下一個可選所述局部拼合圖像之間的歐氏距離，所述歐氏距離為啟發(fā)信息；

基于信息素濃度運用輪盤賭的選擇方法由螞蟻選擇下一個所述局部拼合圖像；

對信息素進行局部更新，并將所選擇的所述局部拼合圖像加入禁忌列表；

再次執(zhí)行所述建立歐氏距離矩陣步驟，直至螞蟻遍歷所述局部拼合圖像；

計算各螞蟻經(jīng)過的路徑長度，記錄當(dāng)前迭代次數(shù)最優(yōu)解，同時對路徑上的信息素濃度進行更新；

判斷是否達到最大迭代次數(shù)，若否，則再次執(zhí)行所述將螞蟻隨機分布到不同的出發(fā)點步驟；若是，輸出結(jié)果。

進一步地，所述利用蟻群算法對所述局部拼合圖像進行優(yōu)化拼接組合，還包括：

設(shè)置相關(guān)參數(shù)的參數(shù)值，所述相關(guān)參數(shù)值包括蟻群規(guī)模、信息素因子、啟發(fā)函數(shù)因子、信息素揮發(fā)因子、信息素常數(shù)和最大迭代次數(shù)。

進一步地，所述若是，則輸出結(jié)果，包括輸出所述局部拼合圖像和輸出尋優(yōu)過程中的相關(guān)指標，所述相關(guān)指標包括運行時間和收斂迭代次數(shù)。

實施本發(fā)明具有以下有益效果：

1、本發(fā)明根據(jù)圖像特征對所述碎片圖像進行聚類，生成對應(yīng)的特征集，聚類使得碎片圖像的分組效果更好；

2、本發(fā)明采用蟻群算法分兩步進行碎片圖像拼接，先將特征集內(nèi)的碎片圖像拼接成局部拼合圖像，再對局部拼合圖像進行拼合，從而避免了螞蟻數(shù)量太多帶來的收斂速度慢的問題，適用于碎片圖像較多的情況；

3、本發(fā)明采用輪盤賭的選擇方法確定轉(zhuǎn)移概率，能夠避免陷入局部最優(yōu)，且收斂速度快，拼接準確率更高。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它附圖。

圖1是本發(fā)明實施例提供的一種基于蟻群算法的圖文碎片恢復(fù)方法的計算機終端的硬件結(jié)構(gòu)框圖；

圖2是本發(fā)明實施例1提供的一種基于蟻群算法的圖文碎片恢復(fù)方法的工作流程圖；

圖3是本發(fā)明實施例提供的計算機終端的結(jié)構(gòu)框圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分的實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應(yīng)當(dāng)屬于本發(fā)明保護的范圍。

需要說明的是，本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”等是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的本發(fā)明的實施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤?。此外，術(shù)語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

實施例1

本發(fā)明提供了一種基于蟻群算法的圖文碎片恢復(fù)方法，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計算機可執(zhí)行指令的計算機系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

本申請實施例1所提供的方法實施例可以在移動終端、計算機終端或者類似的運算裝置中執(zhí)行。以運行在計算機終端上為例，圖1是根據(jù)本發(fā)明實施例的基于傾斜視角檢測的視頻播放方法的計算機終端的硬件結(jié)構(gòu)框圖。如圖1所示，計算機終端100可以包括一個或多個(圖中僅示出一個)處理器102(處理器102可以包括但不限于微處理器mcu或可編程邏輯器件fpga等的處理裝置)、用于存儲數(shù)據(jù)的存儲器104、以及用于通信功能的傳輸裝置106。本領(lǐng)域普通技術(shù)人員可以理解，圖1所示的結(jié)構(gòu)僅為示意，其并不對上述電子裝置的結(jié)構(gòu)造成限定。例如，計算機終端100還可包括比圖3中所示更多或者更少的組件，或者具有與圖1所示不同的配置。

存儲器104可用于存儲應(yīng)用軟件的軟件程序以及模塊，如本發(fā)明實施例中的基于傾斜視角檢測的視頻播放方法對應(yīng)的程序指令/模塊，處理器102通過運行存儲在存儲器104內(nèi)的軟件程序以及模塊，從而執(zhí)行各種功能應(yīng)用以及數(shù)據(jù)處理，即實現(xiàn)上述的基于傾斜視角檢測的視頻播放方法。存儲器104可包括高速隨機存儲器，還可包括非易失性存儲器，如一個或者多個磁性存儲裝置、閃存、或者其他非易失性固態(tài)存儲器。在一些實例中，存儲器104可進一步包括相對于處理器102遠程設(shè)置的存儲器，這些遠程存儲器可以通過網(wǎng)絡(luò)連接至計算機終端10。上述網(wǎng)絡(luò)的實例包括但不限于互聯(lián)網(wǎng)、企業(yè)內(nèi)部網(wǎng)、局域網(wǎng)、移動通信網(wǎng)及其組合。

傳輸裝置106用于經(jīng)由一個網(wǎng)絡(luò)接收或者發(fā)送數(shù)據(jù)。上述的網(wǎng)絡(luò)具體實例可包括計算機終端100的通信供應(yīng)商提供的無線網(wǎng)絡(luò)。在一個實例中，傳輸裝置106包括一個網(wǎng)絡(luò)適配器(networkinterfacecontroller，簡稱為nic)，其可通過基站與其他網(wǎng)絡(luò)設(shè)備相連從而可與互聯(lián)網(wǎng)進行通訊。在一個實例中，傳輸裝置106可以為射頻(radiofrequency，簡稱為rf)模塊，其用于通過無線方式與互聯(lián)網(wǎng)進行通訊。

在上述運行環(huán)境下，本申請?zhí)峁┝巳鐖D2所示的基于傾斜視角檢測的視頻播放方法。該方法可以應(yīng)用于計算機終端中，也可以應(yīng)用于智能終端設(shè)備中，由智能終端設(shè)備中的處理器執(zhí)行，智能終端設(shè)備可以是智能手機、平板電腦等。智能終端設(shè)備中安裝有至少一個應(yīng)用程序，本發(fā)明實施例并不限定應(yīng)用程序的種類，可以為系統(tǒng)類應(yīng)用程序，也可以為軟件類應(yīng)用程序。

圖2是根據(jù)本發(fā)明實施例的基于蟻群算法的圖文碎片恢復(fù)方法的流程圖。如圖2所示，一種基于蟻群算法的圖文碎片恢復(fù)方法的一種可選的方案包括如下步驟：

s201：獲取碎片圖像，對所述碎片圖像進行預(yù)處理；

進一步地，所述獲取碎片圖像，包括如下步驟：

掃描所述碎片，獲得含背景的所述碎片圖像；

對所述碎片圖像進行膨脹處理或腐蝕處理，獲得不含背景的所述碎片圖像；

對所述碎片圖像進行編號，所述編號用于在輸出局部拼合圖像和整體拼合圖像的同時，獲取所述碎片圖像的排列順序。

進一步地，所述對所述碎片圖像進行預(yù)處理，包括如下步驟：

對所述碎片圖像進行降噪處理；

讀取所述碎片圖像的像素值，得到所述碎片圖像的像素矩陣；

進一步地，所述對所述碎片圖像進行預(yù)處理，還包括：

從所述碎片圖像中提取所述圖像特征，所述圖像特征包括顏色特征、紋理特征、形狀特征和空間關(guān)系特征。

顏色特征是一種全局特征,描述了圖像或圖像區(qū)域所對應(yīng)的景物的表面性質(zhì)。一般顏色特征是基于像素點的特征，此時所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻。由于顏色對圖像或圖像區(qū)域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對象的局部特征。

另外，僅使用顏色特征查詢時，如果數(shù)據(jù)庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特征的方法，其優(yōu)點是不受圖像旋轉(zhuǎn)和平移變化的影響，進一步借助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

常用的特征提取與匹配方法包括顏色直方圖、顏色集、顏色矩、顏色聚合向量和顏色相關(guān)圖，顏色直方圖法是一種全局顏色特征提取與匹配方法，無法區(qū)分局部顏色信息。

在本發(fā)明的一個實施例中，采用顏色集進行顏色特征的提取。顏色集是對顏色直方圖的一種近似首先將圖像從rgb顏色空間轉(zhuǎn)化成視覺均衡的顏色空間(如hsv空間)，并將顏色空間量化成若干個柄。然后，用色彩自動分割技術(shù)將圖像分為若干區(qū)域，每個區(qū)域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，用于比較不同圖像顏色集之間的距離和色彩區(qū)域的空間關(guān)系。

在本發(fā)明的另一個實施例中，采用顏色聚合向量進行顏色特征的提取。顏色聚合向量提取顏色特征的步驟如下：將屬于直方圖每一個柄的像素分成兩部分，如果該柄內(nèi)的某些像素所占據(jù)的連續(xù)區(qū)域的面積大于給定的閾值，則該區(qū)域內(nèi)的像素作為聚合像素，否則作為非聚合像素。

在本發(fā)明的一個實施例中，采用灰度共生矩陣提取所述碎片圖像的紋理特征；

在本發(fā)明的另一個實施例中，采用小波變換提取所述碎片圖像的紋理特征；

在本發(fā)明的又一個實施例中，采用自回歸紋理模型提取所述碎片圖像的紋理特征。

所述圖像特征還包括形狀特征，通常情況下，形狀特征有兩類表示方法，一類是輪廓特征，另一類是區(qū)域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區(qū)域特征則關(guān)系到整個形狀區(qū)域。

形狀特征描述方法主要有邊界特征法、傅里葉形狀描述符法、幾何參數(shù)法和形狀不變矩法。

在本發(fā)明的一個實施例中，采用邊界特征法構(gòu)造圖像灰度梯度方向矩陣，獲取所述碎片圖像的形狀參數(shù)；

在本發(fā)明的另一個實施例中，采用傅里葉形狀描述符法獲取所述碎片圖像的形狀參數(shù)，其基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區(qū)域邊界的封閉性和周期性，將二維問題轉(zhuǎn)化為一維問題，由邊界點導(dǎo)出三種形狀表達，分別是曲率函數(shù)、質(zhì)心距離、復(fù)坐標函數(shù)。

在本發(fā)明的又一個實施例中，采用幾何參數(shù)法提取所述碎片圖像的形狀特征，所述提取以對所述碎片圖像進行膨脹處理或腐蝕處理為前提。

所述圖像特征還包括空間關(guān)系特征，所謂空間關(guān)系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關(guān)系，這些關(guān)系也可分為連接/鄰接關(guān)系、交疊/重疊關(guān)系和包含/包容關(guān)系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關(guān)系強調(diào)的是目標之間的相對情況，如上下左右關(guān)系等，后一種關(guān)系強調(diào)的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。本發(fā)明中用到的空間位置信息均為相對空間位置信息。

空間關(guān)系特征的使用可加強對圖像內(nèi)容的描述區(qū)分能力，但空間關(guān)系特征常對圖像或目標的旋轉(zhuǎn)、反轉(zhuǎn)、尺度變化等比較敏感。另外，實際應(yīng)用中，僅僅利用空間信息往往是不夠的，不能有效準確地表達場景信息。本發(fā)明中，同時應(yīng)用了顏色特征和空間關(guān)系特征，此外，優(yōu)選地，所述圖像特征還包括紋理特征和/或形狀特征。

s202：獲取所述碎片圖像的圖像特征，所述圖像特征為人工生成的數(shù)據(jù)集或從所述碎片圖像中提取的數(shù)據(jù)集；

特征是描述模式的最佳方式，且我們通常認為特征的各個維度能夠從不同的角度描述模式，在理想情況下，維度之間是互補完備的。

集合是指具有某種特定性質(zhì)的具體的或抽象的對象匯總成的集體，這些對象稱為該集合的元素。

特征提取的主要目的是降維。特征抽取的主要思想是將原始樣本投影到一個低維特征空間，得到最能反應(yīng)樣本本質(zhì)或進行樣本區(qū)分的低維樣本特征。

此外，在特征集的劃分過程中，不可避免會存在一些對集合的隸屬關(guān)系不夠明確、分類界限模的糊碎片圖像，該類情況下，該類碎片圖像參照模糊特征集的情況處理。

s203：根據(jù)所述圖像特征對所述碎片圖像進行聚類，生成對應(yīng)的特征集；

s204：利用蟻群算法對所述特征集內(nèi)的所述碎片圖像進行優(yōu)化拼接組合，獲得局部拼合圖像；

具體步驟如下：

初始化信息素濃度，設(shè)置相關(guān)參數(shù)的參數(shù)值，所述相關(guān)參數(shù)值包括蟻群規(guī)模、信息素因子、啟發(fā)函數(shù)因子、信息素揮發(fā)因子、信息素常數(shù)和最大迭代次數(shù)；

將螞蟻隨機分布到不同的出發(fā)點；螞蟻數(shù)量是各個特征集內(nèi)的碎片圖像數(shù)量的1.3-1.6倍，在本發(fā)明的一個實施例中，螞蟻數(shù)量是各個特征集內(nèi)的碎片圖像數(shù)量的1.5倍；在本發(fā)明的另一個實施例中，螞蟻數(shù)量是各個特征集內(nèi)的碎片圖像數(shù)量的1.3倍；在本發(fā)明的又一個實施例中，螞蟻數(shù)量是各個特征集內(nèi)的碎片圖像數(shù)量的1.6倍；在本發(fā)明的再一個實施例中，螞蟻數(shù)量是各個特征集內(nèi)的碎片圖像數(shù)量的1.45倍；

建立歐氏距離矩陣，所述歐氏距離矩陣用于存儲螞蟻所在的所述碎片圖像到下一個可選所述碎片圖像之間的歐氏距離，所述歐氏距離為啟發(fā)信息；

基于信息素濃度運用輪盤賭的選擇方法由螞蟻選擇下一個所述碎片圖像；

對信息素進行局部更新，并將所選擇的所述碎片圖像加入禁忌列表；

再次執(zhí)行所述建立歐氏距離矩陣步驟，直至螞蟻遍歷所述特征集內(nèi)的所述碎片圖像；

計算各螞蟻經(jīng)過的路徑長度，記錄當(dāng)前迭代次數(shù)最優(yōu)解，同時對路徑上的信息素濃度進行更新；

判斷是否達到最大迭代次數(shù)，若否，則再次執(zhí)行所述將螞蟻隨機分布到不同的出發(fā)點步驟；若是，則輸出所述局部拼合圖像和輸出尋優(yōu)過程中的相關(guān)指標，所述相關(guān)指標包括運行時間和收斂迭代次數(shù)。

s205：利用蟻群算法對所述局部拼合圖像進行優(yōu)化拼接組合，輸出最終拼合圖像。

具體步驟如下：

初始化信息素濃度，設(shè)置相關(guān)參數(shù)的參數(shù)值，所述相關(guān)參數(shù)值包括蟻群規(guī)模、信息素因子、啟發(fā)函數(shù)因子、信息素揮發(fā)因子、信息素常數(shù)和最大迭代次數(shù)；

將螞蟻隨機分布到不同的出發(fā)點；螞蟻數(shù)量是局部拼合圖像數(shù)量的1.3-1.6倍，在本發(fā)明的一個實施例中，螞蟻數(shù)量是局部拼合圖像數(shù)量的1.5倍；在本發(fā)明的另一個實施例中，螞蟻數(shù)量是局部拼合圖像數(shù)量的1.3倍；在本發(fā)明的又一個實施例中，螞蟻數(shù)量是局部拼合圖像數(shù)量的1.6倍；在本發(fā)明的再一個實施例中，螞蟻數(shù)量是局部拼合圖像數(shù)量的1.45倍；

建立歐氏距離矩陣，所述歐氏距離矩陣用于存儲螞蟻所在的所述局部拼合圖像到下一個可選所述局部拼合圖像之間的歐氏距離，所述歐氏距離為啟發(fā)信息；

基于信息素濃度運用輪盤賭的選擇方法由螞蟻選擇下一個所述局部拼合圖像；

對信息素進行局部更新，并將所選擇的所述局部拼合圖像加入禁忌列表；

再次執(zhí)行所述建立歐氏距離矩陣步驟，直至螞蟻遍歷所述局部拼合圖像；

計算各螞蟻經(jīng)過的路徑長度，記錄當(dāng)前迭代次數(shù)最優(yōu)解，同時對路徑上的信息素濃度進行更新；

判斷是否達到最大迭代次數(shù)，若否，則再次執(zhí)行所述將螞蟻隨機分布到不同的出發(fā)點步驟；若是，則輸出所述局部拼合圖像和輸出尋優(yōu)過程中的相關(guān)指標，所述相關(guān)指標包括運行時間和收斂迭代次數(shù)。

實施本實施例具有以下有益效果：

1、本發(fā)明根據(jù)圖像特征對所述碎片圖像進行聚類，生成對應(yīng)的特征集，聚類使得碎片圖像的分組效果更好；

2、本發(fā)明采用蟻群算法分兩步進行碎片圖像拼接，先將特征集內(nèi)的碎片圖像拼接成局部拼合圖像，再對局部拼合圖像進行拼合，從而避免了螞蟻數(shù)量太多帶來的收斂速度慢的問題，適用于碎片圖像較多的情況；

3、本發(fā)明采用輪盤賭的選擇方法確定轉(zhuǎn)移概率，能夠避免陷入局部最優(yōu)，且收斂速度快，拼接準確率更高。

實施例2

本發(fā)明還提供了一種存儲介質(zhì)?？蛇x地，在本實施例中，上述存儲介質(zhì)可以用于保存上述實施例一種基于傾斜視角檢測的視頻播放方法所執(zhí)行的程序代碼。

可選地，在本實施例中，存儲介質(zhì)被設(shè)置為存儲用于執(zhí)行以下步驟的程序代碼：

第一步，獲取碎片圖像，對所述碎片圖像進行預(yù)處理；

第二步，獲取所述碎片圖像的圖像特征，所述圖像特征為人工生成的數(shù)據(jù)集或從所述碎片圖像中提取的數(shù)據(jù)集；

第三步，根據(jù)所述圖像特征對所述碎片圖像進行聚類，生成對應(yīng)的特征集；

第四步，利用蟻群算法對所述特征集內(nèi)的所述碎片圖像進行優(yōu)化拼接組合，獲得局部拼合圖像；

第五步，利用蟻群算法對所述局部拼合圖像進行優(yōu)化拼接組合，輸出最終拼合圖像。

可選地，本實施例中的具體示例可以參考上述實施例1和實施例2中所描述的示例，本實施例在此不再贅述。

可選地，在本實施例中，上述存儲介質(zhì)可以包括但不限于：u盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

實施例3

本發(fā)明的實施例還提供一種計算機終端，該計算機終端可以是計算機終端群中的任意一個計算機終端設(shè)備。

可選地，圖3是根據(jù)本發(fā)明實施例的計算機終端的結(jié)構(gòu)框圖。如圖3所示，該計算機終端a可以包括：一個或多個(圖中僅示出一個)處理器161和存儲器163。

其中，存儲器163可用于存儲軟件程序以及模塊，如本發(fā)明實施例中的基于傾斜視角檢測的視頻播放方法和裝置對應(yīng)的程序指令/模塊，處理器161通過運行存儲在存儲器163內(nèi)的軟件程序以及模塊，從而執(zhí)行各種功能應(yīng)用以及數(shù)據(jù)處理，即實現(xiàn)上述的視頻播放程序。存儲器163可包括高速隨機存儲器，還可以包括非易失性存儲器，如一個或者多個磁性存儲裝置、閃存、或者其他非易失性固態(tài)存儲器。在一些實例中，存儲器163可進一步包括相對于處理器161遠程設(shè)置的存儲器，這些遠程存儲器可以通過網(wǎng)絡(luò)連接至計算機終端a。

其中，具體地，存儲器163用于存儲預(yù)設(shè)動作條件和預(yù)設(shè)權(quán)限用戶的信息、以及應(yīng)用程序。

處理器161可以通過傳輸裝置調(diào)用存儲器163存儲的信息及應(yīng)用程序，以執(zhí)行下述步驟：

可選的，上述處理器161還可以執(zhí)行如下步驟的程序代碼：

第一步，獲取碎片圖像，對所述碎片圖像進行預(yù)處理；

第二步，獲取所述碎片圖像的圖像特征，所述圖像特征為人工生成的數(shù)據(jù)集或從所述碎片圖像中提取的數(shù)據(jù)集；

第三步，根據(jù)所述圖像特征對所述碎片圖像進行聚類，生成對應(yīng)的特征集；

第四步，利用蟻群算法對所述特征集內(nèi)的所述碎片圖像進行優(yōu)化拼接組合，獲得局部拼合圖像；

第五步，利用蟻群算法對所述局部拼合圖像進行優(yōu)化拼接組合，輸出最終拼合圖像。

可選地，本實施例中的具體示例可以參考上述實施例1和實施例2中所描述的示例，本實施例在此不再贅述。

上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。

上述實施例中的集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在上述計算機可讀取的存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在存儲介質(zhì)中，包括若干指令用以使得一臺或多臺計算機設(shè)備(可為個人計算機、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。

在本發(fā)明的上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關(guān)描述。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的客戶端，可通過其它的方式實現(xiàn)。其中，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發(fā)明的保護范圍。