基于分割的立体匹配法提取光场视差图

为了解决从光场相机采集的图像中提取物体深度信息的问题,提出一种利用Lytro光场相机设备,基于图像分割的立体匹配方法估计光场图像深度。首先对Lytro相机采集的原始灰度图进行解码和颜色校正,提取相应的子光圈图像;在Matlab环境下,结合图像颜色分割、自适应立体匹配对子图像进行处理,通过平面拟合技术和BP优化得到相应的深度估计图。实验结果表明,该方法提取到深度图在视觉精度上有了明显的提高。     

基于深度学习的图像实例分割

提出了一种基于深度学习的精确图像分割方法。在Mask-R-CNN网络基础上给出一种实例分割网络。针对精确边界分割问题,提出通过重新设计掩码分支结构,来改善边界分割精度。在掩码分支上使用了前后层特征融合的方法可以更好的保留边缘信息。进一步通过增大RoIAlign层的分辨率,得到了更加精确的边界信息。在不影响算法精度的前提下采用深度可分离卷积减少了训练参数,提高了分割算法的效率。实验时通过比较mAP(平均准确率)的结果和检测定量图片需要的时间以及消耗的内存表明该算法的精确性和高效性。     

基于非局部稀疏表示的立体图像的超分辨率重建

针对在立体图像的超分辨率重建过程中,需要分别对低分辨率的彩图和同场景的深度图进行超分辨率重建的问题,提出了一种基于联合稀疏表示的立体图像的超分辨率重建方法.该方法在非局部中心稀疏表示重建方法的基础上,利用彩色图像与同场景深度图像的耦合相关性,通过构造联合特征图像块来学习彩色和深度图像的联合字典;然后构造彩色和深度图像块的联合编码增量作为正则项,利用迭代优化算法求解模型,进而同时重建高分辨率的彩色和深度图像.为验证算法的有效性,在Middlebury数据集上对重建结果进行了主、客观评估,并与不同算法进行了比较.实验结果表明,在客观指标和主观视觉效果上,本文提出的算法可以同时获得令人满意的彩图和高质量的深度图.     

基于频率域的显著性区域提取方法

一般的视觉显著性区域提取方法都不能一致地突出显著性区域和给出显著目标定义明确的边界,因此提出一种基于频率域的显著性区域提取方法．该方法使用高斯差分滤波器的组合来保持原图像更多的频率信息,在频率域里利用颜色和亮度信息来预测中间一周围对比度．该方法不仅能输出完整分辨率的显著图,而且解决了上述两个问题．对真实数据试验结果表明...     

基于RGB-D图像的具有滤波处理和位姿优化的同时定位与建图

RGB-D相机能够同时获得彩色图像和深度图像,广泛用于同时定位与建图(SLAM)的研究.本研究针对RGB-D SLAM方法进行了两方面的改进:一方面,改进点云滤波方法,从而更有效地去除RGB-D相机数据中的噪声和冗余;另一方面,采用ICP算法提高相机位姿估计的精度,从而提高估计的相机运动轨迹的精度.在公开的数据集上对提出的RGB-D SLAM方法进行实验验证,结果表明,该方法能够有效提高移动机器人自主定位与建图的精度.     

一种快速保边的图像对象分割方法

提出一种快速保边的交互式图像对象分割方法.该方法基于图割优化,建立了从整体分割到局部细化的两步骤优化过程.整体分割采用超像素代替像素表示图像,在保留了绝大部分图像边界特征的同时降低了优化计算的复杂度,且通过结合交互中包含的对象形状、外观和图像梯度信息,保证了分割结果区域和边界的完整性.局部细化针对某段边界局部范围内的像素,通过局部采样更新外观模型来改善分割结果的边界质量.实验结果验证了方法的正确性和有效性.     

基于五株排列理论的TDICCD亚像元技术的研究

亚像元成像技术是目前实现相机小型化及提高相机空间分辨率的一种有效方法。将亚像元成像技术引入高速TDI CCD相机中,使相机在不影响扫描速度及不改变TDICCD器件尺寸和相机焦距的情况下,大大提高空间分辨率。通过分析五株排列的抽取和插值理论,设计了亚像元插值算法,由相机输出的两幅原始图像经过计算得到比原图像分辨率高的图像,仿真结果表明,运用亚像元成像技术可以使TDICCD相机的分辨率提高到1．4倍以上。     

融合全局和局部特征的光场图像空间超分辨率算法

光场相机传感器有限的空间分辨率阻碍了光场图像处理相关研究的进展.提出一种融合全局和局部特征的光场图像空间超分辨率算法,提高了对光场子视点全局关系建模的能力.由于光场相机捕捉的图像亮度较低,严重影响了超分辨率图像的质量,提出一个改进的4D零参考深度曲线估计网络（4D Zero-DCE-Net）,充分利用光场全部子视点信息来提高光场图像的亮度.为了解决光场图像空间分辨率低的问题,提出一个基于生成对抗网络的光场图像空间超分辨率网络模型.生成器包含三个部分：第一部分是Transformer和4D卷积以并行方式结合的网络结构,能以较浅的网络层捕捉图像的全局和局部细节信息;第二部分是一个交互融合注意力模块IFAM(Interactive Fusion Attention Module),能有效地融合上述两个分支得到的全局自注意力和局部细节信息;第三部分是一个重建模块PS-PA(Pixel Shuffle-Pixel Attention),能提高整个光场的空间分辨率.最后,利用相对判别器来指导生成器的训练.实验结果表明,提出的算法和其他算法相比,峰值信号比（PSNR）至少提升了1 dB.     

基于频率域的显著性区域提取方法

一般的视觉显著性区域提取方法都不能一致地突出显著性区域和给出显著目标定义明确的边界.因此提出一种基于频率域的显著性区域提取方法.该方法使用高斯差分滤波器的组合来保持原图像更多的频率信息,在频率域里利用颜色和亮度信息来预测中间-周围对比度.该方法不仅输出完整分辨率的显著图,而且解决了上述两个问题.对真实数据实验结果表明,该方法分割的查准率和查全率都好于多尺度分析方法和Itti方法.     

超分辨率对抗网络的电路板瑕疵检测

电路板瑕疵检测是图像检测领域一个具有挑战性的问题.针对电路板瑕疵只占整个图像区域的很小比例而导致难以检测的问题,提出超分辨率生成式对抗网络的电路板瑕疵小目标检测方法,电路板图像通过对抗网络提高分辨率后用深层网络的多尺度进行目标检测.首先,将电路板数据集图片通过超分辨率生成式对抗网络提高分辨率,放大至4倍尺寸;在Darknet-53网络中通过卷积、采样和融合提取不同尺度的特征图;使用先验框对特征图进行多尺度预测,输出瑕疵的边界框和分类.实验表明,超分辨率生成式对抗网络电路板瑕疵小目标检测方法的平均精确率可提高至99.38％.     

一种基于Kinect相机的室内AGV障碍物检测方法

针对在室内工作的自动引导运输车(automated guided vehicle,简称AGV)面临的障碍物实时检测问题,提出一种基于Kinect相机的检测方法.在深度相机标定的基础上,将相机获得的深度图像准确地变换成相机坐标系内的点云数据,利用点云数据,通过制定障碍物检测规则,实现AGV小车行驶过程中障碍物的快速实时检测,实试验证了该方法的准确性.     

基于动态规划的实时立体匹配算法

立体匹配通过计算和标识匹配图像的视差图来获得图像的深度信息,一般计算量大,无法满足实时性要求。本文聚焦立体匹配的匹配代价聚集和视差计算环节,在动态规划方法的基础上,提出了一种实时的立体匹配算法。根据连续性约束,提出了基于自适应形状窗口的快速匹配代价聚集算法,加速了臂长和匹配代价聚集的计算效率;利用边缘检测技术获得图像边界信息,修改动态规划的转移方程,使得边界像素可以在整个视差空间中选择视差值,降低边界处匹配视差的误匹配率。实验结果表明:通过结合上述两个步骤的改进算法,可以获得满足实时性要求、高质量的匹配视差图,整体的匹配准确率较高。     

基于特征补偿的深度神经网络重建超分辨率图像

为有效恢复图像的高频信息,本文提出一种基于特征补偿的深度神经网络重建超分辨率图像方法.该方法结合密集型深度卷积神经网络和残差网络,并将原图像的高频信息单独提取上采样后与重建后的超分辨率图像融合形成高频特征补偿,使得图像质量提升.通过实验对比,本文算法相比于SRCNN算法重建出的超分辨率图像效果提升约1 db.     

一种基于微透镜阵列的图像全聚焦方法

光场相机捕获了光线的位置信息和方向信息;但牺牲了一定的方向分辨率,降低了图像的清晰度。目前,一款消费级光场相机Lytro虽小巧便携,拍摄方便,但其提取的图像分辨率很低。针对这一问题,提出了一种基于微透镜阵列的图像序列全聚焦方法。首先对采集到的原始光场图像进行编码、标定及颜色校正等处理,再构造子图像序列模型,从处理后的图像信息中提取出不同的图像序列,在空间域积分重聚焦的原理上,用清晰度评价算子确定子图像的最佳聚焦点,再经过图像融合完成图像的全聚焦。实验结果表明,使用该方法提高了图像的空间分辨率,得到更加清晰的全聚焦图像。     

融合光度和深度的视觉里程计改进算法

针对视觉里程计中对纹理较少的环境难以获得高精度相机位姿的问题,提出一种融合光度和深度的视觉同步定位与绘图(SLAM)方法.首先构造基于光度和深度的相机位姿优化函数,通过t分布模型计算每个像素点的光度和深度误差权重,对每一帧图像引入帧权重系数λ来平衡光度和深度,并采用中值法求解帧权重λ,求得相机位姿.然后对10个国际标准数据集进行仿真实验,结果表明,对纹理丰富的环境,本方法能够保持DVO SLAM算法的建图精度;对纹理较少的环境,本方法的建图精度要高于DVO SLAM算法,绝对路径误差降低31.6%,相对位姿误差降低19.4%.     

基于改进SRResNet深度学习网络的低照度图像超分辨率重建方法

为解决低照度条件下低分辨率图像的超分辨率重建问题,提出一种基于改进SRResNet（super-resolution residual networks,超分辨率残差网络）深度学习网络的低照度图像超分辨率重建方法。通过将读取的图像下采样、亮度降低等处理生成低照度低分辨率图像,并将该图像与高分辨率图像作为数据对输入学习模型,以便改进SRResNet的训练数据对的生成方式,优化训练过程,从而构建面向单帧低照度彩色图像的基于改进SRResNet训练的超分辨率重建方法。实验结果表明：与现有流行的图像超分辨率重建方法相比,该方法的峰值信噪比（peak signal to noise ratio,PSNR)、结构相似性（structural similarity,SSIM）指标整体为最优,低照度环境下的超分辨率重建图像更为清晰明亮、细节更丰富,该方法训练出的深度学习网络的重建效果更好。     

一种改进的面向SLAM系统的相机位姿估计方法

相机位姿估计是SLAM系统的关键环节,影响着整个SLAM系统的精度和效率.针对SLAM中相机位姿估计存在的问题,提出了一种改进的相机位姿估计方法.该方法的主要思路是将特征点法和直接法结合起来,以此来提升特征点数量不足时相机位姿估计的精度和鲁棒性.首先,提出了一个将相机运动模型和图像划分相结合的特征匹配算法,该算法在保证匹配速度的同时,提高了特征匹配的精度与数量.其次,在特征点的基础上,通过引入光度信息,提出了表观形状加权融合的相机位姿估计方法,该方法在缺乏特征点时依然可以稳定工作.最后,基于优选的关键帧,实现了局部与全局融合的相机位姿优化,其中局部优化通过构建局部关键帧共视关系实现;全局优化通过基于闭环检测构建的位姿图来实现.为验证上述位姿优化方法的性能,构建了基于该方法的SLAM系统,并在当前流行的场景图像数据集上进行了重建实验,重建结果验证了本文方法的有效性.     

简易偏振成像系统及应用

由偏振图像获取的偏振信息可用于图像增强与场景检测,近年来受到科研界与工业界的广泛关注.传统的偏振图像捕捉方法主要是通过旋转彩色相机前摆放的偏振片来采集多个偏振角度的图像或者使用偏振相机捕捉图像.前者只适合采集静态场景且手动换偏振片时容易造成相机镜头的抖动而无法对齐各个偏振角的图像,后者,即特制的偏振相机,由于制作工艺复杂,因此价格高昂.偏振图像采集设备制约了该领域的研究与发展.基于上述原因,搭建了由4个普通彩色相机组成的廉价偏振相机系统,该系统在4个相机前分别前置4个偏振角度的偏振片,即0°、45°、90°、135°,并固定在特制的相机架上,用以保证系统中相机之间的相对位置不变.四相机组成同步电路连接到电脑,利用软件控制同步采集场景偏振图像,减少人工触碰相机引起的误差.为了对齐不同偏振角度的图像获取场景偏振信息,采用多分辨率变分光流方法,利用梯度恒常模型对光照不敏感的特性,计算视图间的密集流场,利用斯托克斯矢量求解场景图像的偏振信息,最后,为了测量提出系统的性能,给出了该偏振系统的一种应用——低曝光图像增强,与传统彩色图像增强相比,在场景极暗处,偏振图像可以区分物体与背景,恢复图像细节,取得了更好的恢复效果.     

上采样深度图像与RGB图像的融合

针对Kinect捕捉的深度图像存在分辨率低的问题,提出了一种新的上采样方法以增强深度图像的分辨率,并描述了基于最优化框架的产生高质量上采样图像的方法。首先,用双三次插值算法上采样一幅低分辨率深度图像,得到高分辨率深度图像。提出一种新的加权机制,使深度图像与高分辨率RGB图像结合以产生更清晰的细节和平滑的边缘。该算法应用到对实际图像的上采样中,并与现有的上采样算法比较。实验结果表明,该算法能够更好地保留边缘,具有最低的均方根误差。     

高温物体成像时彩色CCD相机的自动调光方法

针对温度变化大的高温物体在CCD相机上成像时图像会发白或发黑,导致图像中物体特征被弱化这一问题,提出一种基于灰度均值的彩色CCD相机自动调光方法.文中首先阐述了CCD相机成像时物体热辐射对图像灰度的影响;然后分析了彩色CCD相机采集的850～1200℃高温物体图像的特点,建立了RGB基色图像灰度均值与积分时间的关系;最后提出一种自动调光方法,该方法通过采集一帧预测图像来计算物体所在的温度区间和最佳积分时间,根据最佳积分时间采集彩色图像,按照温度区间提取彩色图像对应的基色灰度图,并将其作为后续处理图像.实验结果表明,该调光方法对温度变化具有很好的鲁棒性,基于此方法的彩色CCD相机能采集到具有稳定灰度值的高温物体图像,有利于高温物体的几何测量和表面缺陷检测.