CN105551006B - 一种深度图像缺失像素的修复方法及系统 - Google Patents
一种深度图像缺失像素的修复方法及系统 Download PDFInfo
- Publication number
- CN105551006B CN105551006B CN201510875268.4A CN201510875268A CN105551006B CN 105551006 B CN105551006 B CN 105551006B CN 201510875268 A CN201510875268 A CN 201510875268A CN 105551006 B CN105551006 B CN 105551006B
- Authority
- CN
- China
- Prior art keywords
- matrix
- depth image
- numerical
- range
- original depth
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 136
- 238000001914 filtration Methods 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 10
- 238000002910 structure generation Methods 0.000 claims description 5
- 229910006119 NiIn Inorganic materials 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000017105 transposition Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 206010003084 Areflexia Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明适用计算机技术领域,提供了一种深度图像缺失像素的修复方法及系统,所述方法包括:使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M‑1;对所述M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni;通过连续求和公式计算矩阵R,使用所述矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符,从而可将图像中反映的深度信息(即物体的距离信息)误差大大降低。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种深度图像缺失像素的修复方法及系统。
背景技术
获取物体上各点相对于摄像机的距离是计算机视觉系统的重要任务之一,物体上各点相对于摄像机的距离可以用深度图来表示,即深度图中的每一个像素值表示物体上某一点与摄像机之间的距离。微软Kinect和英特尔RealSense等传感器可以拍摄出深度图,这一类传感器会主动发射红外光,然后传感器通过捕获反射的红外光来测量距离。如果物体是黑色,则光线吸收后无反射,传感器捕获不到反射光线,也就无法测量距离。此外,如果物体表面是异常光滑的镜面,光线也可能被反射到其他方向,传感器无法捕捉而形成图像缺失。除了物体表面特性的原因,还有一类空洞形成的原因是物体自遮挡。传感器上的光源发射装置和捕获装置不在同一个位置,所以有些区域因为遮挡,无法被发射的光源照射到,也会造成图像缺失。
现有技术主要采用相邻像素填充方法以及线性插值方法对缺失区域进行填充。相邻像素填充方法通过找到缺失像素最近的非缺失像素,用非缺失像素值来填充,这种方法完全不能刻画缺失区域的真实情况,会造成修复区域跟真实情况差别比较大。而采用线性插值方法填充缺失区域先提取缺失像素四周的多个非缺失像素,用这些非缺失像素的线性插值(即加权求和)来计算缺失像素值,该方法可以使得本来不平滑的区域变成平滑区域,然而仍然不能描述真实场景的深度信息,深度信息准确度不高。
发明内容
本发明实施例的目的在于提供一种深度图像缺失像素的修复方法及系统,旨在解决由于现有技术无法提供一种高准确度的深度图像缺失像素的修复方法,导致修复的图像深度信息准确度不高的问题。
本发明实施例是这样实现的,一种深度图像缺失像素的修复方法,所述方法包括下述步骤:
使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M-1;
对所述M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni;
通过连续求和公式计算矩阵R,使用所述矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符。
本发明实施例的另一目的在于提供一种深度图像缺失像素的修复系统,所述系统包括:
滤波单元,用于使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M-1;
降幅处理单元,用于对所述M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni;以及
计算替换单元,用于通过连续求和公式计算矩阵R,使用所述矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符。
在本发明实施例中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,对M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni,通过连续求和公式计算矩阵R,使用所述矩阵R替换表示原始深度图像的矩阵D,以完成原始深度图像的修复,可将图像中反映的深度信息(即物体的距离信息)误差大大降低。
附图说明
图1是本发明实施例一提供的深度图像缺失像素的修复方法的实现流程图;
图2是本发明实施例二提供的深度图像缺失像素的修复方法的实现流程图;
图3是本发明实施例三提供的深度图像缺失像素的修复系统的结构图;以及
图4是本发明实施例四提供的深度图像缺失像素的修复系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的深度图像缺失像素的修复方法的实现流程,详述如下:
在步骤S101中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M-1。
在本发明实施例中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,从而得到有益于原始深度图像的修复的数据。在本发明实施例中,M个滤波器中包括一个低通滤波器,M-1个高通滤波器。
在步骤S102中,对M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni。
在本发明实施例中,需要对M个数值矩阵Hi中的所有元素进行降幅处理,此处理可以抑制高频信号,增强低频信号比例,从而起到修复缺失区域的作用。
在步骤S103中,通过连续求和公式计算矩阵R,使用矩阵R替换表示所述原始深度图像的矩阵D,以完成原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符。
在本发明实施例中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,对M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni,通过连续求和公式计算矩阵R,使用所述矩阵R替换表示原始深度图像的矩阵D,以完成原始深度图像的修复,大大降低了图像中反映的深度信息(即物体的距离信息)误差。
实施例二:
图2示出了本发明实施例二提供的深度图像缺失像素的修复方法的实现流程,详述如下:
在步骤S201中,通过K个一维滤波器τj构建生成所述M个滤波器Fi,其中,所述K为一预设的正整数值,j=0,1,…,K-1。
在本发明实施例中,预先通过K个一维滤波器τj构建生成M个滤波器Fi。其中,优选地,K可以为2、3、4,则M的值为4、9、16,从而在提高准确度的同时,尽可能减少计算量。
进一步优选地,K为3,M为9,3个一维滤波器为: 以及
此时,通过3个一维滤波器τj构建生成9个滤波器Fi的步骤为:
使用三个一维滤波器以及中任意两个进行叉积运算得到9个滤波器Fi。
在步骤S202中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,M为一预设的正整数值,i=0,1,…,M-1。
在本发明实施例中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波时,可使用公式Hi=Fi*D进行,从而得到M个数值矩阵Hi。
在步骤S203中,对M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni。
在本发明实施例中,对M个数值矩阵Hi中的所有元素进行降幅处理的步骤包括:
当i=0时,N0=H0
当i=1,2,…,M-1时使用公式:
对数值矩阵Hi中的所有元素进行降幅处理。
其中,Ni(x,y)为数值矩阵Ni中的一任意元素,Hi(x,y)为数值矩阵Hi中的一任意元素,δi是为数值矩阵Hi预先设置的阈值,以用于对数值矩阵Hi中的任意元素进行降幅。
在本发明实施例中,M个滤波器中包括一个低通滤波器,M-1个高通滤波器。在这里假设M个滤波器中的F0为低通滤波器,其对应的滤波结果为数值矩阵H0。当i=0时,N0=H0,即在这里不对低通滤波结果数值矩阵H0进行降幅处理。
在步骤S204中,通过连续求和公式计算矩阵R,使用矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符。
在本发明实施例中,使用滤波器对表示原始深度图像的矩阵D进行滤波后,对得到的数值矩阵中的所有元素进行降幅处理,最后通过连续求和公式计算矩阵R,使用矩阵R替换表示原始深度图像的矩阵D,从而通过较小的计算量实现了原始深度图像的修复,提高了修复后深度信息准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
实施例三:
图3示出了本发明实施例三提供的深度图像缺失像素的修复系统的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
该深度图像缺失像素的修复系统包括滤波单元31、降幅处理单元32以及降幅处理单元32,其中:
滤波单元31,用于使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M-1。
在本发明实施例中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,从而得到有益于原始深度图像的修复的数据。在本发明实施例中,M个滤波器中包括一个低通滤波器,M-1个高通滤波器。
降幅处理单元32,用于对所述M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni。
在本发明实施例中,需要对M个数值矩阵Hi中的所有元素进行降幅处理,从而去掉图像缺失区域和非缺失区域之间的高频变化。
计算替换单元33,用于通过连续求和公式计算矩阵R,使用所述矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符。
在本发明实施例中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,对M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni,通过连续求和公式计算矩阵R,使用所述矩阵R替换表示原始深度图像的矩阵D,以完成原始深度图像的修复,提高了图像定位的准确度。
实施例四:
图4示出了本发明实施例四提供的深度图像缺失像素的修复系统的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
该深度图像缺失像素的修复系统包括滤波器生成单元30、滤波单元31、降幅处理单元32以及降幅处理单元32,其中:
滤波器生成单元30,用于通过K个一维滤波器τj构建生成所述M个滤波器Fi,其中,所述K为一预设的正整数值,j=0,1,…,K-1。
在本发明实施例中,预先通过K个一维滤波器τj构建生成M个滤波器Fi。其中,优选地,K可以为2、3、4,则M的值为4、9、16,从而在提高准确度的同时,尽可能减少计算量。
进一步优选地,K为3,M为9,3个一维滤波器为: 以及
此时,通过3个一维滤波器τj构建生成9个滤波器Fi的步骤为:
使用三个一维滤波器以及中任意两个进行叉积运算得到9个滤波器Fi。
滤波单元31,用于使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M-1。
在本发明实施例中,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波时,可使用公式Hi=Fi*D进行,从而得到M个数值矩阵Hi。
降幅处理单元32,用于对所述M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni。
在本发明实施例中,对M个数值矩阵Hi中的所有元素进行降幅处理的步骤包括:
当i=0时,N0=H0
当i=1,2,…,M-1时使用公式:
对数值矩阵Hi中的所有元素进行降幅处理。
其中,Ni(x,y)为数值矩阵Ni中的一任意元素,Hi(x,y)为数值矩阵Hi中的一任意元素,δi是为数值矩阵Hi预先设置的阈值,以用于对数值矩阵Hi中的任意元素进行降幅。
在本发明实施例中,M个滤波器中包括一个低通滤波器,M-1个高通滤波器。在这里假设M个滤波器中的F0为低通滤波器,其对应的滤波结果为数值矩阵H0。当i=0时,N0=H0,即在这里不对低通滤波结果数值矩阵H0进行降幅处理。
计算替换单元33,用于通过连续求和公式计算矩阵R,使用所述矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符。
在本发明实施例中,使用滤波器对表示原始深度图像的矩阵D进行滤波后,对得到的数值矩阵中的所有元素进行降幅处理,最后通过连续求和公式计算矩阵R,使用矩阵R替换表示原始深度图像的矩阵D,从而通过较小的计算量实现了原始深度图像的修复,提高了修复后深度信息准确度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种深度图像缺失像素的修复方法,其特征在于,所述方法包括下述步骤:
使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M-1;
对所述M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni;
通过连续求和公式计算矩阵R,使用所述矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符;
使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波的步骤包括:
使用公式Hi=Fi*D对所述原始深度图像的矩阵D进行滤波,以得到M个数值矩阵Hi;
对所述M个数值矩阵Hi中的所有元素进行降幅处理的步骤包括:
当i=0时,N0=H0;
当i=1,2,…,M-1时使用公式
对数值矩阵Hi中的所有元素进行降幅处理;
其中,Ni(x,y)为数值矩阵Ni中的一任意元素,Hi(x,y)为数值矩阵Hi中的一任意元素,δi是为数值矩阵Hi预先设置的阈值,以用于对数值矩阵Hi中的任意元素进行降幅。
2.如权利要求1所述的方法,其特征在于,使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波的步骤之前,所述方法还包括步骤:
通过K个一维滤波器τj构建生成所述M个滤波器Fi,其中,所述K为一预设的正整数值,j=0,1,…,K-1。
3.如权利要求2所述的方法,其特征在于,所述K为正整数2、3或4。
4.如权利要求3所述的方法,其特征在于,当所述K为3时,所述M为9,所述K个一维滤波器为:以及
5.如权利要求4所述的方法,其特征在于,通过K个一维滤波器τj构建生成所述M个滤波器Fi的步骤包括:
使用所述三个一维滤波器以及中任意两个进行叉积运算得到所述9个滤波器Fi。
6.如权利要求1所述的方法,其特征在于,所述M个滤波器包括一个低通滤波器,M-1个高通滤波器。
7.一种深度图像缺失像素的修复系统,其特征在于,所述系统包括:
滤波单元,用于使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波,得到M个数值矩阵Hi,所述M为一预设的正整数值,i=0,1,…,M-1;
降幅处理单元,用于对所述M个数值矩阵Hi中的所有元素进行降幅处理,得到降幅后的M个数值矩阵Ni;以及
计算替换单元,用于通过连续求和公式计算矩阵R,使用所述矩阵R替换表示所述原始深度图像的矩阵D,以完成所述原始深度图像的修复,其中,表示Fi的转置,*为卷积操作符;
所述滤波单元使用M个滤波器Fi对表示原始深度图像的矩阵D进行滤波时包括:
使用公式Hi=Fi*D对所述原始深度图像的矩阵D进行滤波,以得到M个数值矩阵Hi;
所述降幅处理单元对所述M个数值矩阵Hi中的所有元素进行降幅处理时包括:
当i=0时,N0=H0;
当i=1,2,…,M-1时使用公式
对数值矩阵Hi中的所有元素进行降幅处理;
其中,Ni(x,y)为数值矩阵Ni中的一任意元素,Hi(x,y)为数值矩阵Hi中的一任意元素,δi是为数值矩阵Hi预先设置的阈值,以用于对数值矩阵Hi中的任意元素进行降幅。
8.如权利要求7所述的系统,其特征在于,所述系统还包括:
滤波器生成单元,用于通过K个一维滤波器τj构建生成所述M个滤波器Fi,其中,所述K为一预设的正整数值,j=0,1,…,K-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510875268.4A CN105551006B (zh) | 2015-12-01 | 2015-12-01 | 一种深度图像缺失像素的修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510875268.4A CN105551006B (zh) | 2015-12-01 | 2015-12-01 | 一种深度图像缺失像素的修复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105551006A CN105551006A (zh) | 2016-05-04 |
CN105551006B true CN105551006B (zh) | 2018-06-05 |
Family
ID=55830182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510875268.4A Expired - Fee Related CN105551006B (zh) | 2015-12-01 | 2015-12-01 | 一种深度图像缺失像素的修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105551006B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189265B (zh) * | 2019-05-06 | 2021-06-08 | 中国科学院半导体研究所 | 距离能量相关三维成像超级像素修复方法 |
CN110874824B (zh) * | 2019-10-11 | 2022-08-23 | 稿定(厦门)科技有限公司 | 图像修复方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739670A (zh) * | 2009-11-27 | 2010-06-16 | 西安电子科技大学 | 非局部均值空域时变图像滤波方法 |
EP2395475A1 (en) * | 2010-06-14 | 2011-12-14 | Samsung Electronics Co., Ltd. | Apparatus and method for depth unfolding based on multiple depth images |
CN102710951A (zh) * | 2012-05-09 | 2012-10-03 | 天津大学 | 基于散斑结构光深度相机的多视点计算成像方法 |
CN103198486A (zh) * | 2013-04-10 | 2013-07-10 | 浙江大学 | 一种基于各向异性扩散的深度图像增强方法 |
CN103310486A (zh) * | 2013-06-04 | 2013-09-18 | 西北工业大学 | 大气湍流退化图像重建方法 |
CN103714573A (zh) * | 2013-12-16 | 2014-04-09 | 华为技术有限公司 | 一种生成虚拟视图的方法及装置 |
CN104574455A (zh) * | 2013-10-29 | 2015-04-29 | 华为技术有限公司 | 图像重建方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769205B2 (en) * | 2006-11-28 | 2010-08-03 | Prefixa International Inc. | Fast three dimensional recovery method and apparatus |
-
2015
- 2015-12-01 CN CN201510875268.4A patent/CN105551006B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739670A (zh) * | 2009-11-27 | 2010-06-16 | 西安电子科技大学 | 非局部均值空域时变图像滤波方法 |
EP2395475A1 (en) * | 2010-06-14 | 2011-12-14 | Samsung Electronics Co., Ltd. | Apparatus and method for depth unfolding based on multiple depth images |
CN102710951A (zh) * | 2012-05-09 | 2012-10-03 | 天津大学 | 基于散斑结构光深度相机的多视点计算成像方法 |
CN103198486A (zh) * | 2013-04-10 | 2013-07-10 | 浙江大学 | 一种基于各向异性扩散的深度图像增强方法 |
CN103310486A (zh) * | 2013-06-04 | 2013-09-18 | 西北工业大学 | 大气湍流退化图像重建方法 |
CN104574455A (zh) * | 2013-10-29 | 2015-04-29 | 华为技术有限公司 | 图像重建方法及装置 |
CN103714573A (zh) * | 2013-12-16 | 2014-04-09 | 华为技术有限公司 | 一种生成虚拟视图的方法及装置 |
Non-Patent Citations (2)
Title |
---|
Pedestrian detection in depth images using framelet regularization;Yan-Ran Li等;《IEEE International Conference on Computer Science & Automation Engineering》;20120820;第300-303页 * |
基于优化的深度图像修复与恢复算法;谭筠等;《华中科技大学学报(自然科学版)》;20140110;第41卷(第S1期);第137-139页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105551006A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11601631B2 (en) | Super-resolution in structured light imaging | |
US8754963B2 (en) | Processing images having different focus | |
US9746319B2 (en) | Generation of depth data based on spatial light pattern | |
US8433157B2 (en) | System and method for three-dimensional object reconstruction from two-dimensional images | |
CN107465906B (zh) | 场景的全景拍摄方法、装置及终端设备 | |
JP2009536499A (ja) | 2次元画像から3次元オブジェクトを再構成するシステム及び方法 | |
CN105391932B (zh) | 图像处理装置及其控制方法、以及摄像装置及其控制方法 | |
CN105894499A (zh) | 一种基于双目视觉的空间物体三维信息快速检测方法 | |
CN107452034B (zh) | 图像处理方法及其装置 | |
KR20140004592A (ko) | 3d 깊이 정보를 기반으로 한 이미지 블러 | |
JP2020010146A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US20150130909A1 (en) | Method and electrical device for taking three-dimensional (3d) image and non-transitory computer-readable storage medium for storing the method | |
KR20170070620A (ko) | 스테레오 영상 매칭 방법 및 장치 | |
CN107483845A (zh) | 拍照方法及其装置 | |
JP7156624B2 (ja) | デプスマップフィルタ処理装置、デプスマップフィルタ処理方法及びプログラム | |
US9995905B2 (en) | Method for creating a camera capture effect from user space in a camera capture system | |
CN105551006B (zh) | 一种深度图像缺失像素的修复方法及系统 | |
Wu et al. | Freecam3d: Snapshot structured light 3d with freely-moving cameras | |
JP2018032938A (ja) | 画像処理装置、画像処理の方法およびプログラム | |
Hong et al. | Three-dimensional integral-imaging display from calibrated and depth-hole filtered kinect information | |
JP5931062B2 (ja) | 立体画像処理装置、立体画像処理方法、及びプログラム | |
Lee et al. | Regeneration of elemental images in integral imaging for occluded objects using a plenoptic camera | |
KR101289008B1 (ko) | 깊이 카메라를 이용한 3차원 집적영상 획득방법 및 디스플레이 장치 | |
Goorts et al. | Self-calibration of large scale camera networks | |
Tran et al. | Variational disparity estimation framework for plenoptic images |
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: 20180605 Termination date: 20201201 |