CN104254870B - 用于局部优化纹理综合3‑d图像修复的方法和装置 - Google Patents

用于局部优化纹理综合3‑d图像修复的方法和装置 Download PDF

Info

Publication number
CN104254870B
CN104254870B CN201180076163.2A CN201180076163A CN104254870B CN 104254870 B CN104254870 B CN 104254870B CN 201180076163 A CN201180076163 A CN 201180076163A CN 104254870 B CN104254870 B CN 104254870B
Authority
CN
China
Prior art keywords
ignorance
zone
fragment
classification
described 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.)
Expired - Fee Related
Application number
CN201180076163.2A
Other languages
English (en)
Other versions
CN104254870A (zh
Inventor
K·V·尤尔科夫
A·V·贝尔亚科夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intel Corp
Original Assignee
Intel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Intel Corp filed Critical Intel Corp
Publication of CN104254870A publication Critical patent/CN104254870A/zh
Application granted granted Critical
Publication of CN104254870B publication Critical patent/CN104254870B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • 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
    • G06T2207/10016—Video; Image sequence
    • G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

一种装置、系统、方法和制品用于将边界线从已知背景延伸到图像的未知区；基于经延伸边界来确定用于该图像的未知区的片段；以及基于所确定的片段和经延伸边界将来自该图像的已知区域的像素传播至未知区域。

Description

用于局部优化纹理综合3-D图像修复的方法和装置
背景
丢失图像区域的问题尤其会在进行三维(3D)处理的情况下会发生，在这种情况下，人们尝试从立体视频图像对或者从一幅视图和像素深度信息恢复多张视图。在进行3D和其他多视图图像处理时，从立体图像生成(3D)信息是个重要的任务。在多视图图像中，可能存在未知的或丢失的图像区域或图像区。图像修复技术可提供用于用视觉上看似合理的内容来填充未知图像区域的机制。
附图简述
本文中所公开的各方面通过示例而非限制的方式在附图中示出。为说明的简单和清楚而非限制起见，在附图中示出的各方面不一定按比例绘制。此外，在认为合适的地方，在附图中重复附图标记以指示相应或相似的元件。
图1是根据本文一些实施例的包括未知像素区域的图像的示例描述。
图2是根据一个实施例的过程的流程图。
图3A-3C描绘了根据一个实施例的处于不同修正阶段的图像。
图4解说了根据一实施例的替换图像补丁的描绘。
图5描绘了根据一实施例的本文中用于计算各参数的各方面。
图6解说了图1中的图像在根据本文中的各方法进行了处理后的描绘。
图7示出了根据本文中的一些实施例的可生成视差图的图像处理系统的框图。
具体实施方式
以下描述了可支持用于提高生成视差图的效率和准确性的过程和操作的图像处理器设备或系统。本公开内容提供了与用于实现这些过程和操作的系统有关的多个具体细节。然而，本领域技术人员将领会，没有这些具体细节也可实践本公开内容的诸实施例。因而，在一些实例中，诸如控制机制和全软件指令序列等各方面未被详细示出以便不模糊本公开内容的其他方面。本领域技术人员利用本文所包括的描述将能在无需过度实验的情况下实现适当的功能。
在说明书中对_一个实施例_、_一些实施例_、_一实施例_、_示例实施例_、_一实例_、_一些实例_等的引用表明所描述的实施例可包括特定特征、结构或特性，但不一定每个实施例均包括该特定特征、结构或特性。此外，这些短语不一定指相同的实施例。此外，当结合实施例描述特定特征、结构或特性时，认为在本领域技术人员学识范围内，可以结合其他实施例来影响这样的特征、结构或特性，无论是否对此明确描述。
本文中的一些实施例可以用硬件、固件、软件、或其任意组合来实现。各实施例还可实现为存储在机器可读介质上的可执行指令，这些指令可由一个或多个处理器读取和执行。机器可读存储介质可包括用于以机器(例如，计算设备)可读的形式存储信息的任意有形的非暂时性机构。在一些方面，机器可读存储介质可包括只读存储器(ROM)；随机存取存储器(RAM)；磁盘存储介质；光存储介质；闪存设备；以及电子或光学形式的信号。尽管在本文中将固件、软件、例程、以及指令描述为执行某些动作，但应当明白，这些描述仅仅是出于方便起见且这些动作实际上得自执行该固件、软件、例程以及指令的计算设备、处理器、控制器以及其他设备。
专门为3D多视图问题的情况提供了3D图像修复算法。这意味着存在有关通过分析立体声视频流获得的像素深度的信息。
在本文中的一些实施例中，对于图像的每一丢失区域或丢失区，(1)确定该丢失区域的哪一侧属于该图像的背景及哪一侧属于该图像的对象，并且将边界信息从邻接的背景延伸到丢失区域中；(2)使用经延伸的边界来生成丢失区域中的各片段；以及(3)使用这些片段配置和边界信息来填充丢失区域。在图2的流程图中描绘了这些步骤。
图2解说了过程200，该过程200包括205处的边界延伸操作，210处的优选补丁定义操作，以及215处的通过结构传播操作来进行的局部最优3D图像修复。在本文中，将在以下更详细地讨论这些操作中的每一个操作。
如此本文中所使用地，对于h×w大小的输入图像，即图像I。该图像的每个像素由三个色彩分量(xr，xg，xb)组成，并且在该图像中具有坐标(xh，xw)。每一像素x∈I具有以下特征函数：
在本文中，可假定对于已知像素，存在关于像素片段和像素深度的信息(在本文中分别指的是s(x)和d(x))。在一个实施例中，较大的d(x)值表示该像素与具有较小d(x)值的像素相比与查看者更接近。
不失任何一般性地，在本文中，假定丢失区域Ω＝{x∈I|μ(x)＝0}具有一个连接性分量。Ω的边界被定义为在图1中在110处提供了图像丢失区域的示例。该图像的已知部分被定义为在图1的105处解说了该已知部分的一部分。
在一些实施例中，给定点x∈I的八个最接近点的集合被定义成B(x)。同样，已知像素x∈I\Ω的边界特征函数被定义为：
该函数将属于这些片段的已知区域中的各像素标记为边界。在图3A-3C中解说了典型的边界信息。
参考过程200的边界延伸操作205，该边界延伸技术产生到未知区域内的直接边界线的逼近。
对于每个点x∈Ω，本文中的各实施例定义两个聚合点这些点与x位于同一图像线上，但属于丢失区域的边界，如例如图1中的110处所示。一个延伸的候选是通过选择如由以下表示的具有最小深度的点来选择的：
以上对点z的定义表示对于每个丢失区域，存在有两个毗邻的已知侧。一侧属于该局部区域中与查看者最接近的某个对象。第二侧属于远距对象或背景(例如，图1中的115)。
如果在B(z)中存在该已知边界点，则点z被延伸。如果存在这样的点(诸如v)，则发起将片段s(v)的边界延伸到丢失区域中的过程。
首先，生成继起点集合Θ-(v，v1，vz，…}，s(vt)-s(v)，X(vt)-1，该集合对应于将被延伸的线。本文中，这条线中的点数大于某个阈值T0。
对于集合Θ，通过求解最小化问题来作出关于线性逼近的计算。
解对【(α】+，β+)可通过使用均方差方法来得到。如果值则不继续该弯曲，因为检测出它不是线。
其坐标对应于以下等式的所有点被标记为边界：
yh＝[α+yw+β+]。
其中[·]定义舍入到最接近的整数。
边界延伸规程适用于中的所有点。通过这种方式，可在未知区域上扩展函数X(·)的值范围。
本文中，通过以下来定义周围边界因子：
在图3A-3C中示出了说明性边界延伸操作的示例。图3A示出了305处描绘的要进行图像修复具有丢失区域的图像。图3B解说了已知区域的边界信息，且图3C描绘了延伸到丢失区域中的边界信息。
参考过程200的边界延伸操作210，优选补丁定义操作使用操作205的经延伸的边界信息。根据操作205处确定的经延伸的边界，定义对丢失区域中的给定像素而言优选的片段。
在一些实施例中，丢失区中的每一有界区域Y具有三种可能的替换(参见图4)。这三种替换包括：
所有毗邻区域都被丢失。
存在毗邻Y的已知片段，但这些片段属于该图像的接近对象或近距对象。
存在毗邻Y的已知片段且这些片段属于远距对象或背景对象。
在以上第一种和第二种情况下，要向丢失区复制的优选片段列表为空。在第三种情况下，优选补丁列表包括具有属于毗邻片段的中心的补丁。因此，这些优选补丁将是满足条件(3)的那些补丁。
参考回通过过程200的结构传播215来进行的局部最优3D，注意通过结构传播来进行图像的3D图像修复的一般概念在于引起像素以某次序过量，以及对于这些像素中的每一个像素在已知区域中找到将填充靠近这些未知像素的区域的某个“良好”块(即补丁)。
此处，定义ψ(x)，x∈I，即中点在x处的大小为N×N的二次像素块。如以下等式[1]所示，本文中的这些过程可为所有边界点计算以下置信项和数据项。
在一些实施例中，置信项由以下得出：
其中并且
数据项被计算为：
其中为等照度线矢量(该矢量与点x处的图像梯度正交)，nx为在点x处的轮廓的法向矢量，γ＝255。在图5中图形地解说了所定义的这些关系的说明性描述。
同样，边界像素的深度项被计算为：
此外，该过程将针对来自的各像素的优先级函数计算为：
其中，c1，c2，c3是一些实常数值。现在可计算关于各边界点的次序＜。根据这个次序，
本文中，在3D图像修复算法的每一步骤处，该过程从中选择在所述次序中的第一个点。对于给定点，该过程找到递送以下函数的最小值的补丁ψ(p+)
其中，系数c4和c5按以下方式定义。
对于属于ψ(x)∩Ω的所有点，补丁ψ(p)被复制在ψ(x)中。边界被更新，并且该过程继续直到不为空。
图6是在已根据本文中公开的图像修复过程处理了图像600之后，对图3A-图3C中引入的图像的说明性描述。如所看见的，该图像中的人的手臂和手之间的边界区域被清楚地界定。
在本文中的一些实施例中，关于主要边界结构和深度的信息被用于图像修复过程。使用这样的信息是有益的，并向所公开的处理提供了优势。
例如，等式(1)中关于靠近的各像素的梯度值的信息示出是否某条边界在某点(图5的点515)处触碰了图5还示出了图像I，该图像包括近距对象505、未知区510(Ω)以及与点515有关的边界(520)。但是该信息未在对象的全局结构(在本文中称为边界)和纹理分量之间作出区分。因此，本文中的处理首先扩展全局结构信息。出于这个目的，本文中的过程首先延伸边界以确定丢失区域的最重要部分。
在一些方面，如果在图像修复过程的边界延伸阶段犯错，则可能有机会在丢失区填充阶段纠正该错误。通过这种方式，本公开与其他技术相比可提供优势。
根据丢失区域位置(靠近近距对象)的细节，本文中的这些过程可能需要用背景或远景对象来填充这些区域。为了获得这个效果，本文中的方法可以按像素处理定义的次序来使用已知的深度信息。注意，在该领域中的一些在先工作是通过在各补丁之间的差异计算中使用深度来实现该效果的。相反，本文中的方法是有利的，因为通常无法精确计算出深度。因此，在一方面，可相信一个像素与另一像素相比相对更近的信息，并且另一方面，不可相信该给定像素深度，因为该深度只是一近似值。
图7是根据一些实施例的系统或装置700的框图概览。系统700可以例如与用于实现本文中描述的方法和处理的任何设备相关联，包括例如供应软件产品的业务服务提供者的客户机设备和服务器。系统700包括处理器705，诸如，形式为单芯片微处理器或多核处理器的一个或多个商业可用的中央处理单元(CPU)，耦合至被配置为经由通信网络(图7中未示出)与另一个设备或系统进行通信的通信设备715。在该实例中，系统700包括应用服务器，通信设备715可提供供系统700与客户机设备交互的装置。系统700还可包括本地存储器710，诸如RAM存储器模块。系统700还包括输入设备720(如，用于输入内容的触摸屏、鼠标、和/或键盘)和输出设备725(如，用于显示用户界面元素的计算机监视器)。
处理器705与存储设备730通信。存储设备730可包括任何合适的信息存储设备，包括磁存储设备(如，硬盘驱动器)、光存储设备、和/或半导体存储器设备的组合。在一些实施例中，存储设备可包括数据库系统。
存储设备730存储程序代码735，该程序代码可提供用于根据此处的过程来处理来自例如客户机设备的处理请求的计算机可执行指令。处理器705可执行程序735的指令来藉此根据此处描述的任何实施例地进行操作。程序代码735可被存储为压缩的、未编译的、和/或加密的格式。程序代码735可进一步包括其他程序元件，诸如操作系统、数据库管理系统、和/或由处理器705使用来与例如外围设备交互的设备驱动器。存储设备730还可包括数据745。在一些方面，数据745与图像修复引擎740结合，可由系统700用于执行此处的过程，诸如过程200。
本文讨论的所有系统和过程可被实现在储存于一个或多个计算机可读介质上的程序代码中。这样的介质可包括例如软盘、CD-ROM、DVD-ROM、一种或多种类型的“盘”、磁带、存储卡、闪存驱动器、固态驱动器、以及固态随机存取存储器(RAM)或只读存储器(ROM)存储单元。各实施例因而不限于硬件和软件的任何具体组合。
本文中仅仅出于说明目的描述了各实施例。本领域技术人员将从这一描述中认识到，各实施例不限于所描述的实施例，而是可以在只受权利要求书的精神和范围所限定的各种修改和更改的情况下来实施。

Claims (16)

1.一种图像处理方法，所述方法包括：
将诸个边界线从已知背景延伸到图像的未知区域中；
基于经延伸的诸个边界来确定用于所述图像的所述未知区域的诸个片段；以及
基于所确定的诸个片段和经延伸的诸个边界将来自所述图像的已知区域的诸个像素传播到所述未知区域,
其中，所述未知区域的分类包括：
一分类，其中所有毗邻区域都被丢失；
一分类，其中存在毗邻该区域的诸个已知片段但这些片段属于所述图像的近距对象；以及
一分类，其中存在毗邻该区域的诸个已知片段且这些片段属于背景对象。
2.如权利要求1所述的方法，其特征在于，进一步包括确定所述图像的所述已知区域和所述图像的所述未知区域之间的边界。
3.如权利要求1所述的方法，其特征在于，将所述诸个边界线延伸到所述图像的所述未知区域中生成到所述未知区域内的直接边界线的逼近。
4.如权利要求1所述的方法，其特征在于，确定所述诸个片段是基于对所述未知区域的分类的确定。
5.一种图像处理系统，所述系统包括：
其上存储有处理器可执行指令的机器可读介质；以及
执行所述指令以进行以下操作的处理器：
将诸个边界线从已知背景延伸到图像的未知区域中；
基于经延伸的诸个边界来确定用于所述图像的所述未知区域的诸个片段；以及
基于所确定的诸个片段和经延伸的诸个边界将来自所述图像的已知区域的诸个像素传播到所述未知区域,
其中，所述未知区域的分类包括：
一分类，其中所有毗邻区域都被丢失；
一分类，其中存在毗邻该区域的诸个已知片段但这些片段属于所述图像的近距对象；以及
一分类，其中存在毗邻该区域的诸个已知片段且这些片段属于背景对象。
6.如权利要求5所述的系统，其特征在于，进一步包括确定所述图像的所述已知区域和所述图像的所述未知区域之间的边界。
7.如权利要求5所述的系统，其特征在于，将所述诸个边界线延伸到所述图像的所述未知区域中生成到所述未知区域内的直接边界线的逼近。
8.如权利要求5所述的系统，其特征在于，确定所述诸个片段是基于对所述未知区域的分类的确定。
9.一种图像处理系统，所述系统包括：
存储器；
其上存储有处理器可执行指令的机器可读介质；以及
执行所述指令以进行以下操作的处理器：
将诸个边界线从已知背景延伸到图像的未知区域中；
基于经延伸的诸个边界来确定用于所述图像的所述未知区域的诸个片段；以及
基于所确定的诸个片段和经延伸的诸个边界将来自所述图像的已知区域的诸个像素传播到所述未知区域，
其中，所述未知区域的分类包括：
一分类，其中所有毗邻区域都被丢失；
一分类，其中存在毗邻该区域的诸个已知片段但这些片段属于所述图像的近距对象；以及
一分类，其中存在毗邻该区域的诸个已知片段且这些片段属于背景对象。
10.如权利要求9所述的系统，其特征在于，进一步包括确定所述图像的所述已知区域和所述图像的所述未知区域之间的边界。
11.如权利要求9所述的系统，其特征在于，将所述诸个边界线延伸到所述图像的所述未知区域中生成到所述未知区域内的直接边界线的逼近。
12.如权利要求9所述的系统，其特征在于，确定所述诸个片段是基于对所述未知区域的分类的确定。
13.一种图像处理系统，所述系统包括：
用于将诸个边界线从已知背景延伸到图像的未知区域中的装置；
用于基于经延伸的诸个边界来确定用于所述图像的所述未知区域的诸个片段的装置；以及
用于基于所确定的诸个片段和经延伸的诸个边界将来自所述图像的已知区域的诸个像素传播到所述未知区域的装置，
其中，所述未知区域的分类包括：
一分类，其中所有毗邻区域都被丢失；
一分类，其中存在毗邻该区域的诸个已知片段但这些片段属于所述图像的近距对象；以及
一分类，其中存在毗邻该区域的诸个已知片段且这些片段属于背景对象。
14.如权利要求13所述的系统，其特征在于，进一步包括用于确定所述图像的所述已知区域和所述图像的所述未知区域之间的边界的装置。
15.如权利要求13所述的系统，其特征在于，用于将所述诸个边界线延伸到所述图像的所述未知区域中的装置包括用于生成到所述未知区域内的直接边界线的逼近的装置。
16.如权利要求13所述的系统，其特征在于，确定所述诸个片段是基于对所述未知区域的分类的确定。
CN201180076163.2A 2011-12-30 2011-12-30 用于局部优化纹理综合3‑d图像修复的方法和装置 Expired - Fee Related CN104254870B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/RU2011/001057 WO2013100789A1 (en) 2011-12-30 2011-12-30 Method of and apparatus for local optimization texture synthesis 3-d inpainting

Publications (2)

Publication Number Publication Date
CN104254870A CN104254870A (zh) 2014-12-31
CN104254870B true CN104254870B (zh) 2017-08-01

Family

ID=46579305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180076163.2A Expired - Fee Related CN104254870B (zh) 2011-12-30 2011-12-30 用于局部优化纹理综合3‑d图像修复的方法和装置

Country Status (3)

Country Link
US (1) US9165347B2 (zh)
CN (1) CN104254870B (zh)
WO (1) WO2013100789A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104254870B (zh) * 2011-12-30 2017-08-01 英特尔公司 用于局部优化纹理综合3‑d图像修复的方法和装置
US9412153B2 (en) * 2014-12-11 2016-08-09 Sony Corporation Using depth for recovering missing information in an image

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102113015A (zh) * 2008-07-28 2011-06-29 皇家飞利浦电子股份有限公司 使用修补技术进行图像校正

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101367284B1 (ko) * 2008-01-28 2014-02-26 삼성전자주식회사 시점 변화에 따른 영상 복원 방법 및 장치
US8385681B2 (en) * 2008-02-11 2013-02-26 Apple Inc. Blemish removal
KR20120049636A (ko) * 2010-11-09 2012-05-17 삼성전자주식회사 영상 처리 장치 및 방법
CN104254870B (zh) * 2011-12-30 2017-08-01 英特尔公司 用于局部优化纹理综合3‑d图像修复的方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102113015A (zh) * 2008-07-28 2011-06-29 皇家飞利浦电子股份有限公司 使用修补技术进行图像校正

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Image Repairing: Robust Image Synthesis by Adaptive ND Tensor Voting;Jiaya Jia et al;《2013 IEEE Computer Society Conference on Computer Vision and Pattern Recognition》;20030620;第2页第4节-第5页第6节，图7 *

Also Published As

Publication number Publication date
CN104254870A (zh) 2014-12-31
WO2013100789A1 (en) 2013-07-04
US20130315498A1 (en) 2013-11-28
US9165347B2 (en) 2015-10-20

Similar Documents

Publication Publication Date Title
JP6944441B2 (ja) ３次元再構成において構造特徴を検出し、組み合わせるための方法およびシステム
CN109242903A (zh) 三维数据的生成方法、装置、设备及存储介质
US8619074B2 (en) Rendering personalized text on curved image surfaces
US20090079730A1 (en) Method and apparatus for generating 3D image using 2D photograph images
CN104025153B (zh) 粗到细多个视差候选立体匹配
CN110866936B (zh) 视频标注方法、跟踪方法、装置、计算机设备及存储介质
US20120057776A1 (en) Three-dimensional display system with depth map mechanism and method of operation thereof
TWI398158B (zh) 產生立體影像之影像深度的方法
US20190080462A1 (en) Method and apparatus for calculating depth map based on reliability
US9437034B1 (en) Multiview texturing for three-dimensional models
US11869257B2 (en) AR-based labeling tool for 3D object detection model training
CN104864849B (zh) 视觉导航方法和装置以及机器人
WO2017027322A1 (en) Automatic connection of images using visual features
CN110414502A (zh) 图像处理方法及装置、电子设备和计算机可读介质
CN104254870B (zh) 用于局部优化纹理综合3‑d图像修复的方法和装置
Dobias et al. Real-time global prediction for temporally stable stereo
CN103295223B (zh) 用于使用可见性能量模型估计视差的设备和方法
Mazoul et al. Fast spatio-temporal stereo for intelligent transportation systems
EP2562717A1 (en) Three-dimensional display system with depth map mechanism and method of operation thereof
CN105447911A (zh) 一种3d地图融合方法、装置及电子设备
Laskowski Objects auto-selection from stereo-images realised by self-correcting neural network
US8825373B1 (en) Correcting path errors for vehicle navigation
CN114494394A (zh) 相位分段桶排序并行双目立体匹配方法、电子设备及介质
Jin et al. Occlusion detection using warping and cross-checking constraints for stereo matching
CN108230382B (zh) 基于Spearman相关性系数和动态规划融合的立体匹配算法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170801

Termination date: 20211230