CN104778673A - 一种改进的高斯混合模型深度图像增强算法 - Google Patents
一种改进的高斯混合模型深度图像增强算法 Download PDFInfo
- Publication number
- CN104778673A CN104778673A CN201510199125.6A CN201510199125A CN104778673A CN 104778673 A CN104778673 A CN 104778673A CN 201510199125 A CN201510199125 A CN 201510199125A CN 104778673 A CN104778673 A CN 104778673A
- Authority
- CN
- China
- Prior art keywords
- image
- depth image
- background
- original
- cavity
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种改进的高斯混合模型深度图像增强方法,包括以下步骤:对场景进行高斯建模,获取背景匹配模型,用kinect传感器获取当前场景图像,并进行空洞修复处理,获得无空洞的背景深度图像;利用kinect传感器获取一随机动态场景的纹理图和对应的原始深度图像,对纹理图和深度图像进行对齐裁剪;利用高斯混合模型对原始深度图像进行前景、背景分离,获得原始前景图像和原始背景图像;分别对原始前景图像和原始背景图像进行空洞填充;对填充后的图像进行中值滤波处理。与现有技术相比,本发明克服了现有技术存在的方法较复杂,计算量过大,图像边缘模糊的情况,具有简洁、方便、快速、经济等优点。
Description
技术领域
本发明涉及多视点视频图像处理技术领域,尤其是涉及一种改进的高斯混合模型深度图像增强方法。
背景技术
随着数字视频的迅速发展和广泛应用,用2D描述的真实世界已不能满足人们日益增长的视觉需求。在3D视频中,深度是核心关键信息。目前,深度图可以通过深度相机和深度估计方法从多视点视频数据中获取。深度相机价格昂贵且深度检测距离较小,不像传统的图像传感器那样普及,而效果好的立体匹配方法通常又复杂度高。Kinect有造价便宜、深度获取分辨率高等优点。但是,由于Kinect深度测距原理所限,Kinect的深度图像存在以下方面的问题:Kinect深度数据不稳定,深度图像与彩色图像存在偏差,图像噪声较大和空洞等问题。这些因素阻碍了Kinect在诸如人脸识别、3D重构等需要高质量的深度数据的领域上的应用。所以需要对获取到的深度图像做进一步的处理才能运用到3D视频中去。基于边缘检测的图像增强方法通过对边缘区域采用多级滤波,在非边缘区域采用双向多级滤波的方法实现图像增强,但这种方法较为繁琐,有人提出采用帧差法估计背景导致方法不稳定,鲁棒性不高。
中国专利申请CN 103400351 A提出基于KINECT深度图的低光照图像增强方法,包括,通过KINECT采集低光照监控图像的深度图和纹理图,并对深度图进行前处理;基于所获深度图中像素点及其邻域像素点的深度值构建深度信息高斯核,将深度信息高斯核作为核因子引入基于高斯核的去噪算法并对纹理图进行去噪;根据所获深度图的深度信息获取深度信息的归一化值,将深度信息的归一化值引入对比度拉伸算法并对去噪后的纹理图进行对比度拉伸。该方法同时利用了图像的颜色信息和深度信息来实现低光照图像增强,进一步增强了低光照图像的轮廓清晰度、层次感和视觉效果,但还存在图像处理效率不高等不足。
发明内容
本发明的目的就是为了克服上述现有技术存在的方法较复杂,计算量过大,图像边缘模糊的情况而提供一种改进的高斯混合模型深度图像增强方法。
本发明的目的可以通过以下技术方案来实现:
一种改进的高斯混合模型深度图像增强方法,包括以下步骤:
步骤A,对场景进行高斯建模,获取背景匹配模型,用kinect传感器获取当前场景图像,并进行空洞修复处理,获得无空洞的背景深度图像;
步骤B,利用kinect传感器获取一随机动态场景的纹理图和对应的原始深度图像,对纹理图和深度图像进行对齐裁剪;
步骤C,利用高斯混合模型对原始深度图像进行前景、背景分离,获得原始前景图像和原始背景图像;
步骤D,分别对原始前景图像和原始背景图像进行空洞填充;
步骤E,对填充后的图像进行中值滤波处理。
步骤A中,所述空洞修复处理包括腐蚀膨胀和中值滤波。
所述高斯混合模型的高斯概率分布函数为:
式中,η(Xt,μi,t,∑i,t)为t时刻的第i个高斯分布,∑i,t为方差,μi,t为均值,Xt为t时刻的像素点,每个像素点用M个高斯混合模型来表示,ω(i,t)为函数权重, 其中,n表示维数。
所述步骤D中,原始背景图像中的空洞采用步骤A获得的背景深度图像中相应的背景深度值进行填充,原始前景图像中的空洞采用权值估计函数的值进行填充。
所述权值估计函数为:
P=I*D(i,j)+J*|Pi-Pj|+K*BG
式中,I、J、K是权值,D(i,j)是空洞点i和待搜索点j之间的几何距离,J*|Pi-Pj|是像素值的绝对值之和,当空洞点周围带搜素的点属于前景点时BG=0,当空洞点周围带搜素的点属于背景点时BG=1。
与现有技术相比,本发明具有以下优点:
(1)本发明在前期用高斯函数先获取一个稳定的背景图像的匹配模型,进而获得无空洞的背景深度图像,再根据该背景深度图像对随机获得的深度图进行加强处理,方法简洁、方便。
(2)本发明通过高斯混合模型把图像的前景和背景分离,针对不同的区域做不同的处理,避免了整幅图像搜索的麻烦,同时该方法操作简单,图像处理效果好,有效的消除了图像边缘的毛刺和模糊状况,快速、经济。
(3)本发明获得的稳定的背景图像由于其空洞一般比较小,对其采用膨胀、滤波技术进行处理,可以在不影响视觉效果的情况下消除空洞。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种改进的高斯混合模型深度图像增强方法,主要原理是在前期用高斯函数先获取一个稳定的背景图像的匹配模型,用图像学的方法把图像中的空洞部分进行修复;然后在动态捕捉的时候,利用高斯混合模型把图像的前景和背景分离开,判断空洞所属的区域,背景空洞用相应的背景图像的深度值填充,前景空洞用权值估计函数的值填充;最后,把空洞填充后的图像通过中值滤波去除噪声的影响。如图1所示,本方法具体包括以下步骤:
步骤A,对场景进行高斯建模,获取背景匹配模型,用kinect传感器获取当前场景图像,并进行空洞修复处理,包括腐蚀膨胀和中值滤波等图像修复技术,获得无空洞的背景深度图像。
步骤B,利用kinect传感器获取一随机动态场景的纹理图和对应的原始深度图像,对纹理图和深度图像进行对齐裁剪,以期得到相同大小和分辨率的目标图像。
步骤C,利用高斯混合模型对原始深度图像进行前景、背景分离,获得原始前景图像和原始背景图像。在动态场景中,由于背景是不变的,对该场景进行高斯建模,分离出前景和背景区域。
高斯混合模型的高斯概率分布函数为:
式中,η(Xt,μi,t,∑i,t)为t时刻的第i个高斯分布,∑i,t为方差,μi,t为均值,Xt为t时刻的像素点,每个像素点可以用M个高斯混合模型来表示,ω(i,t)为函数权重,M值越大表示背景越复杂,一般情况下M的取值为3~5。
步骤D,分别对原始前景图像和原始背景图像进行空洞填充,根据空洞所属的区域,分为前景空洞和背景空洞,针对空洞存在形式的不同采用不同的填充方法。原始前景图像中的空洞采用步骤A获得的背景深度图像中相应的背景深度值进行填充,前景图像中的空洞采用权值估计函数的值进行填充。
所述权值估计函数为:
P=I*D(i,j)+J*|Pi-Pj|+K*BG
式中,I、J、K是权值,D(i,j)是空洞点i和待搜索点j之间的几何距离,J*|Pi-Pj|是像素值的绝对值之和,当空洞点周围带搜素的点属于前景点时BG=0,当空洞点周围带搜素的点属于背景点时BG=1。
步骤E,对填充后的图像进行中值滤波处理,消除处理中引入的噪声的影响,消除图像边缘的魇影。
Claims (5)
1.一种改进的高斯混合模型深度图像增强方法,其特征在于,包括以下步骤:
步骤A,对场景进行高斯建模,获取背景匹配模型,用kinect传感器获取当前场景图像,并进行空洞修复处理,获得无空洞的背景深度图像;
步骤B,利用kinect传感器获取一随机动态场景的纹理图和对应的原始深度图像,对纹理图和深度图像进行对齐裁剪,得到相同大小和分辨率的目标图像;
步骤C,利用高斯混合模型对原始深度图像进行前景、背景分离,获得原始前景图像和原始背景图像;
步骤D,分别对原始前景图像和原始背景图像进行空洞填充;
步骤E,对填充后的图像进行中值滤波处理。
2.根据权利要求1所述的改进的高斯混合模型深度图像增强方法,其特征在于,步骤A中,所述空洞修复处理包括腐蚀膨胀和中值滤波。
3.根据权利要求1所述的改进的高斯混合模型深度图像增强方法,其特征在于,步骤C中,所述高斯混合模型的高斯概率分布函数为:
式中,η(Xt,μi,t,Σi,t)为t时刻的第i个高斯分布,Σi,t为方差,μi,t为均值,Xt为t时刻的像素点,每个像素点用M个高斯混合模型来表示,ω(i,t)为函数权重, 其中,n表示维数。
4.根据权利要求1所述的改进的高斯混合模型深度图像增强方法,其特征在于,所述步骤D中,原始背景图像中的空洞采用步骤A获得的背景深度图像中相应的背景深度值进行填充,原始前景图像中的空洞采用权值估计函数的值进行填充。
5.根据权利要求4所述的改进的高斯混合模型深度图像增强方法,其特征在于,所述权值估计函数为:
P=I*D(i,j)+J*|Pi-Pj|+K*BG
式中,I、J、K是权值,D(i,j)是空洞点i和待搜索点j之间的几何距离,J*|Pi-Pj|是像素值的绝对值之和,当空洞点周围带搜素的点属于前景点时BG=0,当空洞点周围带搜素的点属于背景点时BG=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510199125.6A CN104778673B (zh) | 2015-04-23 | 2015-04-23 | 一种改进的高斯混合模型深度图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510199125.6A CN104778673B (zh) | 2015-04-23 | 2015-04-23 | 一种改进的高斯混合模型深度图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778673A true CN104778673A (zh) | 2015-07-15 |
CN104778673B CN104778673B (zh) | 2018-11-09 |
Family
ID=53620121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510199125.6A Expired - Fee Related CN104778673B (zh) | 2015-04-23 | 2015-04-23 | 一种改进的高斯混合模型深度图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778673B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017201751A1 (zh) * | 2016-05-27 | 2017-11-30 | 北京大学深圳研究生院 | 虚拟视点视频、图像的空洞填充方法、装置和终端 |
CN109146886A (zh) * | 2018-08-19 | 2019-01-04 | 沈阳农业大学 | 一种基于深度密度的rgbd图像语义分割优化方法 |
CN110956593A (zh) * | 2019-11-20 | 2020-04-03 | 南京拓控信息科技股份有限公司 | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 |
CN111311482A (zh) * | 2018-12-12 | 2020-06-19 | Tcl集团股份有限公司 | 背景虚化方法、装置、终端设备及存储介质 |
CN115578294A (zh) * | 2022-11-11 | 2023-01-06 | 北京九辰智能医疗设备有限公司 | 图像增强方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436671A (zh) * | 2011-08-16 | 2012-05-02 | 上海交通大学 | 一种基于深度值非线性变换的虚拟视点绘制方法 |
CN102831582A (zh) * | 2012-07-27 | 2012-12-19 | 湖南大学 | 一种微软体感装置深度图像增强方法 |
EP2538242A1 (en) * | 2011-06-24 | 2012-12-26 | Softkinetic Software | Depth measurement quality enhancement. |
CN103996174A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 一种对Kinect深度图像进行空洞修复的方法 |
CN104299220A (zh) * | 2014-07-10 | 2015-01-21 | 上海大学 | 一种对Kinect深度图像中的空洞进行实时填充的方法 |
-
2015
- 2015-04-23 CN CN201510199125.6A patent/CN104778673B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2538242A1 (en) * | 2011-06-24 | 2012-12-26 | Softkinetic Software | Depth measurement quality enhancement. |
CN102436671A (zh) * | 2011-08-16 | 2012-05-02 | 上海交通大学 | 一种基于深度值非线性变换的虚拟视点绘制方法 |
CN102831582A (zh) * | 2012-07-27 | 2012-12-19 | 湖南大学 | 一种微软体感装置深度图像增强方法 |
CN103996174A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 一种对Kinect深度图像进行空洞修复的方法 |
CN104299220A (zh) * | 2014-07-10 | 2015-01-21 | 上海大学 | 一种对Kinect深度图像中的空洞进行实时填充的方法 |
Non-Patent Citations (4)
Title |
---|
梁志芳,王迎娜: "《计算机在材料加工中的应用》", 31 March 2012, 北京:煤炭工业出版社 * |
王丽娟: "基于OpenCV与混合高斯建模的运动目标检测", 《电子测试》 * |
王奎等: "基于Kinect的实时深度提取与多视绘制算法", 《光电子·激光》 * |
王奎等: "基于Kinect的实时深度提取与多视绘制算法", 《光电子•激光》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017201751A1 (zh) * | 2016-05-27 | 2017-11-30 | 北京大学深圳研究生院 | 虚拟视点视频、图像的空洞填充方法、装置和终端 |
CN109146886A (zh) * | 2018-08-19 | 2019-01-04 | 沈阳农业大学 | 一种基于深度密度的rgbd图像语义分割优化方法 |
CN111311482A (zh) * | 2018-12-12 | 2020-06-19 | Tcl集团股份有限公司 | 背景虚化方法、装置、终端设备及存储介质 |
CN110956593A (zh) * | 2019-11-20 | 2020-04-03 | 南京拓控信息科技股份有限公司 | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 |
CN115578294A (zh) * | 2022-11-11 | 2023-01-06 | 北京九辰智能医疗设备有限公司 | 图像增强方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104778673B (zh) | 2018-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927717B (zh) | 基于改进型双边滤波的深度图像恢复方法 | |
CN102231792B (zh) | 基于特征匹配的电子稳像方法 | |
CN103325112B (zh) | 动态场景中运动目标快速检测方法 | |
CN104778673A (zh) | 一种改进的高斯混合模型深度图像增强算法 | |
CN103985108B (zh) | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 | |
CN105225482A (zh) | 基于双目立体视觉的车辆检测系统和方法 | |
CN103455984A (zh) | 一种Kinect深度图像获取方法与装置 | |
CN104680496A (zh) | 一种基于彩色图像分割的Kinect深度图修复方法 | |
CN105225230A (zh) | 一种识别前景目标对象的方法及装置 | |
CN102063727B (zh) | 一种基于协方差匹配的主动轮廓跟踪方法 | |
CN102831591A (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN104378619B (zh) | 一种基于前后景梯度过渡的快速高效的空洞填补算法 | |
CN104517317A (zh) | 一种车载红外图像三维重建方法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN107240073A (zh) | 一种基于梯度融合与聚类的三维视频图像修复方法 | |
CN103514608A (zh) | 基于运动注意力融合模型的运动目标检测与提取方法 | |
CN104036481A (zh) | 一种基于深度信息提取的多聚焦图像融合方法 | |
CN104537342A (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN103826032A (zh) | 深度图后期处理方法 | |
CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
Pushpalwar et al. | Image inpainting approaches-a review | |
CN105069806A (zh) | 一种三点联合的图像边缘检测方法 | |
CN104966274A (zh) | 一种采用图像检测与区域提取的局部模糊复原方法 | |
CN102567964A (zh) | 一种用于立体视觉视差图的滤波方法 | |
CN103514610A (zh) | 一种背景静止的运动目标分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate 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: 20181109 Termination date: 20210423 |