隨著光學(xué)技術(shù)的進(jìn)步,深度信息采集手段愈發(fā)成熟,在機(jī)器視覺(jué)應(yīng)用中也扮演了越來(lái)越重要的角色,如三維重建、人機(jī)交互、目標(biāo)跟蹤、自由視點(diǎn)視頻渲染和增強(qiáng)現(xiàn)實(shí)等。然而,Kinect等以主動(dòng)傳感技術(shù)來(lái)采集深度信息的可消費(fèi)級(jí)深度相機(jī),其采集的深度圖像均存在大量的噪聲,嚴(yán)重影響實(shí)際應(yīng)用中深度信息的利用。在車(chē)間的智能化發(fā)展中也需要大量運(yùn)用深度信息,如零件尺寸檢測(cè)、機(jī)械臂物體抓取等。因此,如何修復(fù)深度圖像獲得更準(zhǔn)確的深度信息是十分必要的。在本文中,主要從兩個(gè)方向來(lái)改進(jìn)深度圖像的修復(fù)效果:1)圖像修復(fù)次序。圖像的修復(fù)次序一定程度上決定了紋理傳播的結(jié)果,更準(zhǔn)確的修復(fù)次序往往意味著更準(zhǔn)確的修復(fù)結(jié)果。本文從Criminisi算法出發(fā),經(jīng)過(guò)對(duì)迭代過(guò)程中置信項(xiàng)和數(shù)據(jù)項(xiàng)變化趨勢(shì)的分析,利用歐氏距離定義了新的置信項(xiàng)計(jì)算方式,并改進(jìn)優(yōu)先權(quán)為置信項(xiàng)和數(shù)據(jù)項(xiàng)的加權(quán)。將優(yōu)先權(quán)引入鄰域修復(fù)算法中來(lái)進(jìn)行深度圖像修復(fù),發(fā)現(xiàn)以優(yōu)先權(quán)引導(dǎo)的修復(fù)結(jié)果紋理延伸更為合理。2)待修復(fù)點(diǎn)的自適應(yīng)鄰域。傳統(tǒng)鄰域劃分在所取鄰域內(nèi)存在深度信息與待修復(fù)點(diǎn)不匹配的像素點(diǎn),致使該點(diǎn)的像素估計(jì)值不準(zhǔn)確,而待修復(fù)點(diǎn)自適應(yīng)鄰域的提出就是為了找到特征更相似的像素點(diǎn)來(lái)對(duì)待... 

【文章來(lái)源】：成都理工大學(xué)四川省

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題來(lái)源
    1.2 課題研究背景
    1.3 研究現(xiàn)狀
        1.3.1 基于多圖融合的深度圖像修復(fù)
        1.3.2 基于機(jī)器學(xué)習(xí)的深度圖像修復(fù)
        1.3.3 強(qiáng)度圖像引導(dǎo)的深度圖像修復(fù)
    1.4 課題研究意義及內(nèi)容
        1.4.1 研究意義
        1.4.2 研究?jī)?nèi)容
    1.5 本章小結(jié)
第2章 Kinect深度測(cè)量空洞成因及相關(guān)理論
    2.1 Kinect空洞成因分析
        2.1.1 Kinect測(cè)距原理
        2.1.2 Kinect測(cè)量誤差及空洞成因分析
    2.2 常用算法在圖像處理中的應(yīng)用
        2.2.1 線性濾波
        2.2.2 中值濾波
        2.2.3 雙邊濾波
        2.2.4 非局部均值法
        2.2.5 邊緣銳化與梯度求取
    2.3 本章小結(jié)
第3章 歐氏距離決策的改進(jìn)優(yōu)先權(quán)方法
    3.1 Criminisi算法簡(jiǎn)介
    3.2 Criminisi優(yōu)先權(quán)不足分析
    3.3 優(yōu)先權(quán)改進(jìn)策略
    3.4 利用改進(jìn)優(yōu)先權(quán)的深度圖像修復(fù)實(shí)驗(yàn)分析
    3.5 本章小結(jié)
第4章 基于優(yōu)先權(quán)的自適應(yīng)鄰域修復(fù)方法
    4.1 自適應(yīng)鄰域
        4.1.1 像素值差值決定的區(qū)域生長(zhǎng)準(zhǔn)則
        4.1.2 均勻LBP描述子決定的區(qū)域生長(zhǎng)準(zhǔn)則
        4.1.3 基于像素值差值與均勻LBP的復(fù)合區(qū)域生長(zhǎng)準(zhǔn)則
    4.2 基于優(yōu)先權(quán)的自適應(yīng)鄰域修復(fù)算法流程
    4.3 仿真實(shí)驗(yàn)
        4.3.1 不同自適應(yīng)鄰域修復(fù)結(jié)果對(duì)比
        4.3.2 深度圖像自適應(yīng)鄰域修復(fù)算法的對(duì)比
        4.3.3 參數(shù)討論
        4.3.4 修復(fù)時(shí)間對(duì)比
    4.4 本章小結(jié)
第5章 生產(chǎn)車(chē)間場(chǎng)景深度圖像修復(fù)
    5.1 張正友標(biāo)定方法
    5.2 Kinect相機(jī)彩色圖像與深度圖像配準(zhǔn)對(duì)齊
        5.2.1 彩色圖與深度圖像的坐標(biāo)映射
        5.2.2 相機(jī)內(nèi)外參數(shù)獲取
        5.2.3 彩色圖像和深度圖像匹配對(duì)齊結(jié)果
    5.3 生產(chǎn)車(chē)間場(chǎng)景深度圖像修復(fù)
    5.4 本章小結(jié)
結(jié)論
致謝
參考文獻(xiàn)
在讀期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于Matlab的圖像銳化的研究[J]. 楊虹,吳萌.  數(shù)字技術(shù)與應(yīng)用. 2014(10)
[2]基于主動(dòng)視覺(jué)攝像機(jī)標(biāo)定方法[J]. 胡占義,吳福朝.  計(jì)算機(jī)學(xué)報(bào). 2002(11)

碩士論文
[1]由單視點(diǎn)連續(xù)生成新視點(diǎn)優(yōu)化算法的研究[D]. 侯昶.電子科技大學(xué) 2017
[2]智能視頻監(jiān)控中人流量問(wèn)題的研究[D]. 王道明.合肥工業(yè)大學(xué) 2015
[3]動(dòng)態(tài)手勢(shì)跟蹤識(shí)別與人機(jī)交互技術(shù)研究[D]. 王亮.西安電子科技大學(xué) 2014
[4]彩色圖像引導(dǎo)的深度圖像增強(qiáng)[D]. 劉俊毅.浙江大學(xué) 2014
[5]圖像去噪的非局部正則化方法研究[D]. 王玲玉.武漢理工大學(xué) 2012
[6]TOF相機(jī)誤差實(shí)驗(yàn)分析以及基于濾波器的隨機(jī)誤差校正[D]. 楊晶晶.合肥工業(yè)大學(xué) 2011



本文編號(hào)：3183325