CN106408524A - 基于二维图像辅助的深度图像增强方法 - Google Patents
基于二维图像辅助的深度图像增强方法 Download PDFInfo
- Publication number
- CN106408524A CN106408524A CN201610680054.6A CN201610680054A CN106408524A CN 106408524 A CN106408524 A CN 106408524A CN 201610680054 A CN201610680054 A CN 201610680054A CN 106408524 A CN106408524 A CN 106408524A
- Authority
- CN
- China
- Prior art keywords
- image
- depth
- resolution
- depth image
- enhancement method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009792 diffusion process Methods 0.000 claims abstract description 5
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 240000006927 Foeniculum vulgare Species 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 238000000844 transformation Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012360 testing method 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于二维图像辅助的深度图像增强方法,该方法包括:利用ToF相机和高分辨率彩色相机分别获取同场景的低分辨率深度图像和高分辨率的彩色图像,并将低分辨率深度图映射到高分辨率彩色空间;根据深度图像的重构约束构造目标函数的数据项;利用彩色图像的边缘信息对正则化模型加权,将扩散张量引入二阶广义总变分模型,构成针对深度图像特点的正则化模型;通过迭代重加权和原‑对偶算法进行求解,获得重建结果。本发明能够有效解决深度图像分辨率低、边缘不清晰、存在噪声的问题,有效地保护图像的边缘结构。
Description
技术领域
本发明涉及由ToF相机获取的深度图像增强方法,具体是一种基于二维图像辅助的深度图像增强方法。
背景技术
近年来,随着三维技术的不断发展,许多的应用诸如:人机交互、三维电视、场景重建、手势识别等都对获取场景的深度信息提出了更高的要求。目前主流的获取深度信息的方式有两种:被动获取和主动获取。被动获取由于受光线变化、遮挡、复杂度高等因素的影响,还不能满足多数实际应用的需求。主动获取中应用较广泛的是ToF(Time of Flight)相机,它能实时采集场景深度信息,其工作原理是通过发射源发射可控频率调制光线来进行测距。
ToF相机获取的深度图像存在着分辨率低、许多细节信息丢失、边缘处深度测量效果较差、噪声大等问题。为提高深度图像的分辨率,目前运用较广泛的方法是结合ToF相机和高分辨率彩色相机,以二维彩色图像辅导重建深度图像。
这类方法使用一个ToF相机和高清彩色摄像机组成的拍摄阵列采集同一场景的深度和彩色图。该方法将ToF相机釆集到的深度图像进行上采样,然后把深度图像映射到相应的彩色空间。利用彩色图像的边缘信息来对深度图像进行改进,这种方法对深度图像的边缘修复有一定的作用。
例如James Diebel等人在《An application of markov random fields torange sensing》中提出通过定义一个基于马尔可夫随机场(Markov Random Field(MRF))的局部能量函数来修正ToF相机得到的深度信息,能够有效的提高深度图像空间邻域内深度图的一致性,获取更为稠密的深度图,但求解该能量函数的构建过于复杂,且边缘重建信息不准确。Qingxiong Yang等人在《Spatial-depth super resolution for rangeimages》中提出利用双边滤波的思想修正深度信息,其主要思路是如果两个像素点的颜色越相近、在图像上的距离越邻近,那么这两个像素点的深度值越就越接近的假设,改良最终的深度图。该方法速度快,实现简 单,但是对于复杂的场景尤其是色彩反复的区域效果很差。
发明内容
本发明的目的在于提供一种基于二维图像辅助的深度图像增强方法,该方法利用彩色图像的边缘信息对二阶TGV模型进行改进,不仅能够提高深度图像分辨率、去噪,同时保持了清晰的边缘。
实现本发明目的的技术解决方案为:一种基于二维图像辅助的深度图像增强方法,包括下列步骤:
步骤1,利用TOF相机和高分辨率彩色相机分别获取同场景的深度图像DL和彩色图像CH,并进行初校正,将深度图像映射到彩色空间得到高分辨率稀疏深度图DS;
步骤2,对彩色图像作边缘检测得到彩色图像边缘,利用彩色图像边缘定义边缘指示函数;
步骤3,构造能够保证待求解的高分辨深度图像ux和高分辨率稀疏深度图DS之间的相似性的数据项;
步骤4,计算彩色图像的扩散张量T1/2,利用边缘指示函数结合扩散张量构造正则约束项;
步骤5,结合数据项和正则约束项构造深度图像增强的目标函数,根据Legendre-Fenchel变换,得到目标函数的对偶形式,利用原-对偶算法对目标函数的对偶形式进行求解;
步骤6,根据初始值进行迭代,直到|un+1-un|<tol(tol为阈值)或迭代次数达到上限,迭代完成,输出高分辨率深度图像DH。
本发明与现有技术相比,其显著效果是:本发明利用图像颜色信息进行深度图像增强,可以根据具体情况有针对性地选择彩色图像边缘提取算法,如相位一致性算法、小波变换等,一般的利用两类图像的相关性进行深度图重建不能保证对象边界处的深度不连续性,本发明不但使重建对象间深度过渡具有不连续 性,而且保证了重构对象内部的深度均匀性,有效地消除了图像边缘的毛刺和模糊状况,使边缘更加清晰,抑制噪声,同时该方法操作简单、快速经济。
附图说明
图1是本发明基于二维图像辅助的深度图像增强方法的系统结构框图。
图2是本发明基于带有边缘指示函数二阶TGV模型的深度图像增强方法的流程图。
图3是本发明基于三次B样条小波边缘检测框图。
图4是本发明实施例中运用Middleburry数据集Art作为输入,包括图4(a)高分辨率彩色图像,图4(b)加有高斯噪声的低分辨率深度图像。
图5是本发明实施例中重建结果对比图,包括图5(a)双线性插值效果图,图5(b)本发明方法重建效果图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细说明。
如图1、2所示,本发明基于二维图像辅助的深度图像增强方法,具体包括以下步骤:
步骤1,利用ToF相机和高分辨率彩色相机分别获取同场景的深度图像DL和彩色图像CH,并进行初校正,我们使用棋盘格来对ToF相机的内部参数以及外部参数进行标定。即利用ToF相机输出的距离数据,采用二维摄像机的成像模型以及棋盘格进行标定,从而获取摄像机的焦距、图像中心点、畸变系数等内部参数以及旋转矩阵R和平移矩阵T等外部参数。最后将深度图像映射到彩色空间得到高分辨率稀疏深度图DS;
步骤2,对彩色图像作边缘检测得到彩色图像边缘|Maf(x,y)|,定义边缘指示函数为本发明实施例中利用小波变换对彩色图像进行边缘提取。如图3所示,步骤2具体包括:
步骤2-1、输入高分辨率彩色图像f(x,y),选定平滑函数θ(x,y);
B样条小波边界检测的效果相对较好,所以本发明采用3次B样条函数(导数为2阶B样条小波变换)作为平滑函数θa(x,y)进行图像边缘检测。
步骤2-2、对f(x,y)的每一行与每一列分别作卷积,并分别求取每行和每列的模极大值点;
由θa(x,y)定义的两个二维小波为:
f(x,y)在尺度a上的小波变换的两个分量为:
其矢量形式为:
步骤2-3、计算图像边缘的模和方向角,连接边缘点:
当a为二进制小波变换时,a为2j(j∈Z),梯度矢量的模和梯度方向的表达式为:
步骤2-4、输出边缘图像。
步骤3,构造数据项:数据项保证了重建后的图像与输入的高分辨率稀疏深度图像的相似性,其表达式如下:
步骤4,计算基于同场景彩色图像的各向异性扩散张量T1/2,利用边缘指示函数构造正则约束项:
带有边缘指示函数的二阶TGV正则项如下:
其中:
步骤5,结合数据项和正则约束项构造深度图像增强的目标函数,根据原-对偶算法进行求解:
将数据项与正则约束项结合起来,得到算法的目标函数:
利用Legendre-Fenchel变换,得到目标函数的对偶形式为:
p、q为原-对偶优化算法中的对偶变量,其所在集合分别为
利用原-对偶算法对对偶式进行求解可得(迭代初始值:n=0,u0=DS,v0,p0,q0=0,σp,σq,τu,τv>0):
其中:
步骤6,根据初始值进行迭代,直到|uk+1-uk|<tol(tol为阈值)或迭代次数达到上限,迭代完成,输出高分辨率深度图像DH。
实施例
为了对本发明算法进行说明,充分展现出该算法不仅能够提高ToF深度图像的分辨率,而且保证了重构对象内部的深度均匀性,使重建对象间深度过渡具有不连续性,有效地消除了图像边缘的毛刺和模糊状况,使边缘更加清晰,抑制噪声,,完成深度图像增强的实验如下:
(2)实验初始条件及参数设置
采用同场景的高分辨率彩色图像和深度图像进行实验。测试数据集采用的是Middlebury公开数据集(http://vision.middlebury.edu/stereo/data.)。原始的高分辨率彩色图像和深度图像的分辨率都是1390×1110,图3输入的是1390×1110的高分辨彩色图像和下采样倍数为8的且加有高斯噪声的低分辨率深度图。
实验将双线性插值算法和本发明算法进行对比,分别从定性(主观视觉效果)和定量(客观评价指标)两个方面进行评估。为了客观评价本发明算法的优越性,采用了均方根误差(Root Mean Square Error,RMSE)准则作为图像客观质量评价标准,RMSE值越小说明重建效果越好。均方根误差计算公式如下:
其中M*N表示重建后的深度图像的像素数,xi是重建得到的实际值,yi是数据集提供的真实值。
本文算法的参数设置为α0=10,α1=0.06,β=9,γ=0.85,k=0.001,tol=0.1
(3)实验结果分析
图5是基于Art图片的三种算法的重建效果图,为方便观察,进行了局部放大。从图中可以看出,图5(a)双线性插值算法效果较差,图5(b)本发明的算法不但能够抑制噪声,而且边缘处更加清晰,细节处能够恢复出来。
由于Middleburry数据集提供了真实值,可以计算RMSE值,所以对加有高斯噪声的Art图片分别进行2、4、8倍的下采样,然后进行重建,计算对应的RMSE值。表1列出了基于Middleburry数据集的各种方法对应的RMSE值,能够清楚明了的比较RMSE值得大小,从而分析比较重建效果的优劣,本发明的重建算法效果最好。
表1均方误差比较
Claims (7)
1.一种基于二维图像辅助的深度图像增强方法,其特征在于包括下列步骤:
步骤1,利用TOF相机和高分辨率彩色相机分别获取同场景的深度图像DL和彩色图像CH,并进行初校正,将深度图像映射到彩色空间得到高分辨率稀疏深度图DS;
步骤2,对彩色图像作边缘检测得到彩色图像边缘,利用彩色图像边缘定义边缘指示函数;
步骤3,构造能够保证待求解的高分辨深度图像ux和高分辨率稀疏深度图DS之间的相似性的数据项;
步骤4,计算彩色图像的扩散张量T1/2,利用边缘指示函数结合扩散张量构造正则约束项;
步骤5,结合数据项和正则约束项构造深度图像增强的目标函数,根据Legendre-Fenchel变换,得到目标函数的对偶形式,利用原-对偶算法对目标函数的对偶形式进行求解;
步骤6,根据初始值进行迭代,直到|un+1-un|<tol或迭代次数达到上限,tol为阈值,迭代完成,输出高分辨率深度图像DH;
式中:un+1、un分别是第n+1次和第n次迭代所得的重建结果。
2.根据权利要求1所述的基于二维图像辅助的深度图像增强方法,其特征在于:实现步骤1的具体方法为:
首先,利用ToF相机和高分辨率彩色相机分别获取同场景的深度图像DL和彩色图像CH,并进行初校正;
然后,利用棋盘格来对ToF相机的内部参数以及外部参数进行标定,即利用ToF相机输出的距离数据,采用二维摄像机的成像模型以及棋盘格进行标定,从而获取摄像机的焦距、图像中心点、畸变系数以及旋转矩阵R和平移矩阵T;
最后,将深度图像映射到彩色空间得到高分辨率稀疏深度图DS。
3.根据权利要求1所述的基于二维图像辅助的深度图像增强方法,其特征在于:所述步骤2中利用小波变换对彩色图像进行边缘检测,具体方法为:
步骤2-1、输入高分辨率彩色图像f(x,y),选定平滑函数θ(x,y);
采用3次B样条函数,导数为2阶B样条小波变换,作为平滑函数θa(x,y)进行图像边缘检测;
步骤2-2、对f(x,y)的每一行与每一列分别作卷积,并分别求取每行和每列的模极大值点;
由θa(x,y)定义的两个二维小波为:
f(x,y)在尺度a上的小波变换的两个分量为:
其矢量形式为:
步骤2-3、计算图像边缘的模和方向角,连接边缘点:
当a为二进制小波变换时,a为2j(j∈Z),梯度矢量的模和梯度方向的表达式为:
步骤2-4、对彩色图像作边缘检测得到彩色图像边缘|Maf(x,y)|,定义边缘指示函数为
4.根据权利要求1所述的基于二维图像辅助的深度图像增强方法,其特征在于:实现步骤3的具体方法为:
构造能够保证重建后的图像与输入的高分辨率稀疏深度图像之间相似性的数据项,其表达式如下:
式中:ux为待求解的高分辨率深度图像记为u和高分辨率稀疏深度图DS(CH,DS:ΩH∈R2;DL:ΩL∈R2),w为权重因子,
5.根据权利要求1所述的基于二维图像辅助的深度图像增强方法,其特征在于:实现步骤4的具体方法为:
计算基于同场景彩色图像的各向异性扩散张量T1/2,利用边缘指示函数构造正则约 束项:
带有边缘指示函数的二阶TGV正则项如下:
其中:
式中:为利用高分辨率彩色信息进行先验知识约束的二阶TGV正则项,α0、α1为非负加权系数,g(Maf(x,y))为边缘指示函数,k为有效表征图像边缘的非负常数,T1/2是同场景彩色图像的各向异性扩散张量,ux为待求解的高分辨率深度图像,简记为u,vx为辅助约束变量,简记为v,为单位彩色图像梯度,nT为n的转置,n⊥为梯度的法向量,n⊥T为n⊥的转置,β、γ为调节彩色图像约束项大小和光滑度的因子。
6.根据权利要求1所述的基于二维图像辅助的深度图像增强方法,其特征在于:实现步骤5的具体方法为:
首先,结合数据项和正则约束项构造深度图像增强的目标函数:
其次,利用Legendre-Fenchel变换,得到目标函数的对偶形式为:
p、q为原-对偶优化算法中的对偶变量,其所在集合分别为
最后,利用原-对偶算法对对偶式进行求解可得:
其中:
式中:n为迭代次数,迭代初始值:n=0,u0=DS,v0,p0,q0=0,步长σp,σq,τu,τv均设为大于0的常数。
7.根据权利要求1所述的基于二维图像辅助的深度图像增强方法,其特征在于:实现步骤6的具体方法为:
根据初始值进行迭代,直到|uk+1-uk|<tol或迭代次数达到上限,tol为阈值,迭代完成,输出高分辨率深度图像DH。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610680054.6A CN106408524B (zh) | 2016-08-17 | 2016-08-17 | 基于二维图像辅助的深度图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610680054.6A CN106408524B (zh) | 2016-08-17 | 2016-08-17 | 基于二维图像辅助的深度图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408524A true CN106408524A (zh) | 2017-02-15 |
CN106408524B CN106408524B (zh) | 2020-04-28 |
Family
ID=58004996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610680054.6A Expired - Fee Related CN106408524B (zh) | 2016-08-17 | 2016-08-17 | 基于二维图像辅助的深度图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408524B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279421A (zh) * | 2018-01-28 | 2018-07-13 | 深圳新亮智能技术有限公司 | 带有高分辨率彩色图像的飞行时间相机 |
CN108629755A (zh) * | 2017-03-22 | 2018-10-09 | 宝山钢铁股份有限公司 | 一种多相机联合工作获得高清晰图像的方法 |
CN108648143A (zh) * | 2018-04-17 | 2018-10-12 | 中国科学院光电技术研究所 | 一种利用序列图像的图像分辨率增强方法 |
CN109146947A (zh) * | 2018-09-04 | 2019-01-04 | 清华-伯克利深圳学院筹备办公室 | 海洋鱼类三维图像获取及处理方法、装置、设备及介质 |
CN110111289A (zh) * | 2019-04-28 | 2019-08-09 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置 |
CN110322411A (zh) * | 2019-06-27 | 2019-10-11 | Oppo广东移动通信有限公司 | 深度图像的优化方法、终端及存储介质 |
CN110490810A (zh) * | 2019-01-20 | 2019-11-22 | 王金梅 | 现场大数据动态调整平台 |
CN110798663A (zh) * | 2019-11-13 | 2020-02-14 | 河北工业大学 | 基于稀疏感知的无线多媒体传感器网络图像获取方法 |
CN110853128A (zh) * | 2019-11-12 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 虚拟物体显示方法、装置、计算机设备及存储介质 |
CN110880009A (zh) * | 2019-01-20 | 2020-03-13 | 王金梅 | 现场大数据动态调整方法 |
WO2020057248A1 (zh) * | 2018-09-21 | 2020-03-26 | 中兴通讯股份有限公司 | 一种图像降噪的方法及装置、设备、存储介质 |
CN110956603A (zh) * | 2018-09-25 | 2020-04-03 | Oppo广东移动通信有限公司 | 深度图像边缘飞点的检测方法、装置及电子设备 |
CN111091592A (zh) * | 2018-10-24 | 2020-05-01 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备及可读存储介质 |
CN112446946A (zh) * | 2019-08-28 | 2021-03-05 | 深圳市光鉴科技有限公司 | 基于稀疏深度与边界的深度重建方法、系统、设备及介质 |
CN112767294A (zh) * | 2021-01-14 | 2021-05-07 | Oppo广东移动通信有限公司 | 深度图像的增强方法、装置、电子设备以及存储介质 |
CN113126944A (zh) * | 2021-05-17 | 2021-07-16 | 北京的卢深视科技有限公司 | 深度图的显示方法、显示装置、电子设备及存储介质 |
CN113269689A (zh) * | 2021-05-25 | 2021-08-17 | 西安交通大学 | 一种基于法向量和高斯权重约束的深度图像补全方法及系统 |
CN114897833A (zh) * | 2022-05-13 | 2022-08-12 | 中国科学院光电技术研究所 | 一种多帧激励下的正则化随机共振强背景弱目标增强方法 |
TWI799749B (zh) * | 2020-10-23 | 2023-04-21 | 大陸商光寶電子(廣州)有限公司 | 深度圖像的處理方法 |
CN116862019A (zh) * | 2023-07-06 | 2023-10-10 | 清华大学 | 基于数据并行范式的模型训练方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514580A (zh) * | 2013-09-26 | 2014-01-15 | 香港应用科技研究院有限公司 | 用于获得视觉体验优化的超分辨率图像的方法和系统 |
WO2016068979A1 (en) * | 2014-10-31 | 2016-05-06 | Halliburton Energy Services, Inc. | Structure dip constrained kirchhoff migration |
-
2016
- 2016-08-17 CN CN201610680054.6A patent/CN106408524B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514580A (zh) * | 2013-09-26 | 2014-01-15 | 香港应用科技研究院有限公司 | 用于获得视觉体验优化的超分辨率图像的方法和系统 |
WO2016068979A1 (en) * | 2014-10-31 | 2016-05-06 | Halliburton Energy Services, Inc. | Structure dip constrained kirchhoff migration |
Non-Patent Citations (1)
Title |
---|
邸维巍等: "彩色图约束的二阶广义总变分深度图超分辨率重建", 《中国图象图形学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629755A (zh) * | 2017-03-22 | 2018-10-09 | 宝山钢铁股份有限公司 | 一种多相机联合工作获得高清晰图像的方法 |
CN108279421B (zh) * | 2018-01-28 | 2021-09-28 | 深圳新亮智能技术有限公司 | 带有高分辨率彩色图像的飞行时间相机 |
CN108279421A (zh) * | 2018-01-28 | 2018-07-13 | 深圳新亮智能技术有限公司 | 带有高分辨率彩色图像的飞行时间相机 |
CN108648143A (zh) * | 2018-04-17 | 2018-10-12 | 中国科学院光电技术研究所 | 一种利用序列图像的图像分辨率增强方法 |
CN108648143B (zh) * | 2018-04-17 | 2022-03-29 | 中国科学院光电技术研究所 | 一种利用序列图像的图像分辨率增强方法 |
CN109146947A (zh) * | 2018-09-04 | 2019-01-04 | 清华-伯克利深圳学院筹备办公室 | 海洋鱼类三维图像获取及处理方法、装置、设备及介质 |
WO2020057248A1 (zh) * | 2018-09-21 | 2020-03-26 | 中兴通讯股份有限公司 | 一种图像降噪的方法及装置、设备、存储介质 |
US11948277B2 (en) | 2018-09-21 | 2024-04-02 | Xi'an Zhongxing New Software Co., Ltd. | Image denoising method and device, apparatus, and storage medium |
CN110956603A (zh) * | 2018-09-25 | 2020-04-03 | Oppo广东移动通信有限公司 | 深度图像边缘飞点的检测方法、装置及电子设备 |
CN111091592A (zh) * | 2018-10-24 | 2020-05-01 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备及可读存储介质 |
US11042966B2 (en) | 2018-10-24 | 2021-06-22 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, electronic device, and storage medium for obtaining depth image |
CN111091592B (zh) * | 2018-10-24 | 2023-08-15 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备及可读存储介质 |
CN110880009A (zh) * | 2019-01-20 | 2020-03-13 | 王金梅 | 现场大数据动态调整方法 |
CN110490810A (zh) * | 2019-01-20 | 2019-11-22 | 王金梅 | 现场大数据动态调整平台 |
CN110880009B (zh) * | 2019-01-20 | 2020-07-17 | 浩德科技股份有限公司 | 现场大数据动态调整方法 |
CN110111289A (zh) * | 2019-04-28 | 2019-08-09 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置 |
CN110322411A (zh) * | 2019-06-27 | 2019-10-11 | Oppo广东移动通信有限公司 | 深度图像的优化方法、终端及存储介质 |
CN112446946B (zh) * | 2019-08-28 | 2024-07-09 | 深圳市光鉴科技有限公司 | 基于稀疏深度与边界的深度重建方法、系统、设备及介质 |
CN112446946A (zh) * | 2019-08-28 | 2021-03-05 | 深圳市光鉴科技有限公司 | 基于稀疏深度与边界的深度重建方法、系统、设备及介质 |
CN110853128A (zh) * | 2019-11-12 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 虚拟物体显示方法、装置、计算机设备及存储介质 |
CN110853128B (zh) * | 2019-11-12 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 虚拟物体显示方法、装置、计算机设备及存储介质 |
CN110798663B (zh) * | 2019-11-13 | 2021-08-31 | 河北工业大学 | 基于稀疏感知的无线多媒体传感器网络图像获取方法 |
CN110798663A (zh) * | 2019-11-13 | 2020-02-14 | 河北工业大学 | 基于稀疏感知的无线多媒体传感器网络图像获取方法 |
TWI799749B (zh) * | 2020-10-23 | 2023-04-21 | 大陸商光寶電子(廣州)有限公司 | 深度圖像的處理方法 |
CN112767294B (zh) * | 2021-01-14 | 2024-04-26 | Oppo广东移动通信有限公司 | 深度图像的增强方法、装置、电子设备以及存储介质 |
CN112767294A (zh) * | 2021-01-14 | 2021-05-07 | Oppo广东移动通信有限公司 | 深度图像的增强方法、装置、电子设备以及存储介质 |
CN113126944A (zh) * | 2021-05-17 | 2021-07-16 | 北京的卢深视科技有限公司 | 深度图的显示方法、显示装置、电子设备及存储介质 |
CN113269689B (zh) * | 2021-05-25 | 2023-08-29 | 西安交通大学 | 一种基于法向量和高斯权重约束的深度图像补全方法及系统 |
CN113269689A (zh) * | 2021-05-25 | 2021-08-17 | 西安交通大学 | 一种基于法向量和高斯权重约束的深度图像补全方法及系统 |
CN114897833B (zh) * | 2022-05-13 | 2023-08-11 | 中国科学院光电技术研究所 | 一种多帧激励下的正则化随机共振强背景弱目标增强方法 |
CN114897833A (zh) * | 2022-05-13 | 2022-08-12 | 中国科学院光电技术研究所 | 一种多帧激励下的正则化随机共振强背景弱目标增强方法 |
CN116862019A (zh) * | 2023-07-06 | 2023-10-10 | 清华大学 | 基于数据并行范式的模型训练方法及装置 |
CN116862019B (zh) * | 2023-07-06 | 2024-03-19 | 清华大学 | 基于数据并行范式的模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106408524B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408524A (zh) | 基于二维图像辅助的深度图像增强方法 | |
US11238602B2 (en) | Method for estimating high-quality depth maps based on depth prediction and enhancement subnetworks | |
Li et al. | Enhanced blind face restoration with multi-exemplar images and adaptive spatial feature fusion | |
Sitzmann et al. | Deepvoxels: Learning persistent 3d feature embeddings | |
Xue et al. | Video enhancement with task-oriented flow | |
CN110570353B (zh) | 密集连接生成对抗网络单幅图像超分辨率重建方法 | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
Niklaus et al. | Video frame interpolation via adaptive separable convolution | |
CN107203985B (zh) | 一种端到端深度学习框架下的多曝光图像融合方法 | |
Pan et al. | Deep blind video super-resolution | |
CN109447930B (zh) | 小波域光场全聚焦图像生成算法 | |
CN114119444B (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
Shen et al. | Coupling model-and data-driven methods for remote sensing image restoration and fusion: Improving physical interpretability | |
CN105513033B (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
CN116664782B (zh) | 一种基于融合体素的神经辐射场三维重建方法 | |
JP2013250891A (ja) | 超解像方法及び装置 | |
Liu et al. | Video frame interpolation via optical flow estimation with image inpainting | |
Yan et al. | SMIR: A Transformer-Based Model for MRI super-resolution reconstruction | |
CN109658361A (zh) | 一种顾及运动估计误差的运动场景超分辨率重建方法 | |
Ziwei et al. | Overview on image super resolution reconstruction | |
CN110415169A (zh) | 一种深度图超分辨率重建方法、系统及电子设备 | |
CN116934592A (zh) | 一种基于深度学习的图像拼接方法、系统、设备及介质 | |
Deng et al. | RADAR: Robust algorithm for depth image super resolution based on FRI theory and multimodal dictionary learning | |
Young et al. | Supervision by Denoising for Medical Image Segmentation | |
CN109087247A (zh) | 一种对立体图像进行超分的方法 |
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: 20200428 Termination date: 20210817 |