CN107689050B - 一种基于彩色图像边缘引导的深度图像上采样方法 - Google Patents

一种基于彩色图像边缘引导的深度图像上采样方法 Download PDF

Info

Publication number
CN107689050B
CN107689050B CN201710699025.9A CN201710699025A CN107689050B CN 107689050 B CN107689050 B CN 107689050B CN 201710699025 A CN201710699025 A CN 201710699025A CN 107689050 B CN107689050 B CN 107689050B
Authority
CN
China
Prior art keywords
edge
depth
image
unreliable
color 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
CN201710699025.9A
Other languages
English (en)
Other versions
CN107689050A (zh
Inventor
邓慧萍
李宇翔
向森
吴谨
朱磊
刘劲
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201710699025.9A priority Critical patent/CN107689050B/zh
Publication of CN107689050A publication Critical patent/CN107689050A/zh
Application granted granted Critical
Publication of CN107689050B publication Critical patent/CN107689050B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

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

Abstract

本发明涉及一种基于彩色图像边缘引导的深度图像上采样方法，一方面，利用基于深度学习的边缘检测技术提取高分辨率彩色图像的纹理边缘，并利用初始化深度图像提供的深度信息得到正确深度边缘；另一方面，对真实深度边缘与错误深度边缘间的不可信区域采用迭代的联合双边滤波器进行插值填充。通过以上两个方面的处理，本发明方法可以有效地修正上采样后深度图像的不准确深度边缘，抑制边缘模糊，从而提高上采样后高分辨率深度图像的质量。

Description

一种基于彩色图像边缘引导的深度图像上采样方法
技术领域
本发明涉及一种深度图像的处理方法，尤其涉及一种基于彩色图像边缘引导的深度图像上采样方法。
背景技术
近几年，RGB-D传感器，如微软kinect深度相机的出现让3D场景中深度信息的获取更加便捷。RGB-D传感器能同时获取同一场景的彩色信息和深度信息，与二维视频相比，RGB-D格式的三维视频增加了深度信息，能为用户提供立体视觉感受，在虚拟现实、3D场景重建、三维电视等领域有广泛的应用。然而，由于深度传感器尤其是kinect深度相机内在硬件的限制，与RGB传感器获取的高分辨率的彩色图像相比，深度相机采集的深度图像分辨率很低，这给3D场景重建等很多应用带来了极大的限制。
目前，提高深度图分辨率的方法可分为两类：基于学习的方法和基于滤波的方法。基于学习的方法以马尔可夫随机场MRF为代表，其缺点是复杂度高、实时性差。基于滤波的方法最典型的是联合双边上采样JBU以及其各种变形形式。但是，基于滤波的方法容易造成深度图边缘模糊，而且kinect深度图本身存在边缘不准确的问题，上采样会进一步加重深度图边缘的错误。
发明内容
本发明所要解决的技术问题是提供一种基于彩色图像边缘引导的深度图像上采样方法，其能够修正深度图上采样后的错误边缘，抑制边缘模糊现象，使上采样后深度图的边缘与对应高分辨率图像边缘对齐。
本发明解决上述技术问题所采用的技术方案为，一种基于彩色图像边缘引导的深度图像上采样方法，包括以下步骤：
步骤1，获取同一场景的高分辨率彩色图像以及低分辨率深度图像；
步骤2，对低分辨率深度图像初始化上采样，使得上采样后的深度图像与彩色图像的分辨率一致；
步骤3，利用基于深度学习的边缘检测方法提取符合人眼视觉特性的彩色图像的边缘，并结合上采样后的深度图像去除彩色图像中存在于对象内部的纹理边缘，得到彩色图像对应的深度图像的正确深度边缘；
步骤4，对上采样后的深度图像进行边缘提取，得到上采样后深度图像的边缘，即错误深度边缘；
步骤5，找出步骤3的正确深度边缘与步骤4的错误深度边缘之间的区域，组成上采样后深度图像的不可靠区域，标记该区域内的像素点标记为不可靠像素点，其余点标记为可靠像素点；
步骤6，对不可靠区域的像素点采用迭代的联合双边滤波方法重新插值修正，直到错误深度边缘与正确深度边缘重合。
进一步的，所述步骤3的具体实现方式如下，
步骤3.1，利用结构化随机森林的方法对原始的彩色图像，四倍分辨率的彩色图像和四分之一分辨率的彩色图像分别进行结构化边缘检测，并将3者的边缘图像的平均作为彩色图像最终的边缘；
步骤3.2，将彩色图像边缘映射到上采样后的深度图像中，再对上采样后的深度图像分割成大小为w×w的窗口，判断该窗口内最大深度值与最小深度值的差值，如果差值小于某一阈值，将窗口内的边缘去除，否则，该区域内的边缘是正确深度边缘。
进一步的，所述步骤5的实现方式如下，
将步骤3的正确深度边缘映射到上采样后深度图像中，以该边缘上的任一像素点作为起始点，在该起始像素点的上下左右四个方向逐像素递进一定的像素个数进行扫描，若扫描过程中遇到上采样后深度图像的错误深度边缘点，则扫描停止，并将扫描过程中所有扫描到的像素点标记为不可靠像素点，扫描正确深度边缘上的每一个像素点，组成上采样深度图像不可靠区域。
进一步的，所述步骤6的实现方式如下，
(1)读取上采样后的深度图像；
(2)对不可靠区域，从左往右，从上到下遍历不可靠像素点；
(3)判断不可靠像素点8邻域内是否有可靠像素点，是则执行步骤(4)，否则跳过该像素点执行步骤(3)；
(4)判断不可靠像素点是否为正确深度边缘点，是则执行步骤(7)，否则执行步骤(5)；
(5)判断不可靠像素点8邻域内是否存在正确深度边缘点，是则执行步骤(6)，否则执行步骤(8)；
(6)判断不可靠像素点4邻域内是否存在可靠像素点，是则执行步骤(9)，否则跳过该点执行步骤(3)；
(7)判断不可靠像素点8邻域内是否除正确深度边缘像素点外均为可靠像素点，是则执行步骤(8)，否则跳过该像素点执行步骤(3)；
(8)采用联合双边滤波的方法对8邻域内可靠像素点加权求和计算该不可靠像素点的深度值，跳转步骤(10)；
(9)采用联合双边滤波的方法对4邻域内可靠像素加权求和计算该不可靠像素深度值，跳转步骤(10)；
(10)判断是否完成所有不可靠像素点的遍历，是则执行步骤(11)，否则执行步骤(3)；
(11)更新不可靠像素点的深度值，并将不可靠像素点更新为可靠像素点；
(12)判断是否存在不可靠像素点，是则执行步骤(2)，否则执行(13)；
(13)结束。
进一步的，所述步骤1中利用RGB-D传感器获取同一场景的高分辨率彩色图像以及低分辨率深度图像。
进一步的，所述步骤2中采用双三次插值算法或双线性插值算法对低分辨率深度图像进行初始化上采样。
进一步的，所述步骤3.2中窗口大小为9×9，阈值为10。
进一步的，所述步骤4中采用canny算子对上采样后的深度图像提取边缘。
与现有技术相比，本发明的优点在于：一方面，利用基于深度学习的边缘检测技术提取高分辨率彩色图像的纹理边缘，并利用初始化深度图像提供的深度信息得到正确深度边缘；另一方面，对正确深度边缘与错误深度边缘间的不可信区域采用迭代的联合双边滤波器进行插值填充。通过以上两个方面的处理，本发明方法可以有效地修正上采样后深度图像的不准确深度边缘，抑制边缘模糊，从而提高上采样后高分辨率深度图像的质量。
附图说明
图1为本发明实施例的主流程示意图；
图2为本发明实施例中对不可靠区域修复的流程示意图。
具体实施方式
下面将结合附图以及具体实施例对本发明作进一步详细描述。
本发明提出了一种基于彩色图像边缘引导的低分辨率深度图像上采样方法，其总体实现框图如图1所示，其包括以下步骤：
步骤1、利用RGB-D传感器获取同一场景的高分辨率彩色图像以及低分辨率深度图像；
步骤2、对低分辨率深度图像初始化上采样，使得上采样后的深度图像与彩色图像的分辨率一致；
在此具体实施例中，步骤2中的上采样方法可以是时间复杂度较低的经典插值算法，例如：双三次插值算法、双线性插值算法等等。
步骤3、利用基于深度学习的边缘检测方法提取符合人眼视觉特性的彩色图像的边缘，然后结合上采样后的深度图像去除彩色图像中存在于对象内部的纹理边缘，得到正确深度边缘；
在此具体实施例中，步骤3的具体过程为：
步骤3.1，利用结构化随机森林的方法提取符合人眼视觉特性的彩色图像边缘。对彩色图像进行学习和训练，学习和训练的目的是对具有相似结构的图像块分类，先把彩色图像分成32×32和16×16的图像块，分别提取每个图像块的颜色和梯度两种特征信息，构成两张查找表x(i,j,k)和x(i1,j1,k)-x(i2,j2,k)，其中k是颜色通道，i,j是指图像块中的像素坐标；i1,j1和i2,j2分别指图像块中任意两个不同像素的坐标，查找表x(i,j,k)记录了图像块上每个像素的特征，x(i1,j1,k)-x(i2,j2,k)是记录图像块中像素对的差分特征。对于原始彩色图像，它在CIE-LUV颜色空间包含3路彩色信息，在32×32和16×16的尺度上各包含一路归一化的梯度模，每一路梯度在4个方向上又可分为4路的梯度方向。因此，一幅彩色图像包含3路颜色信息，2路梯度的模和8路的梯度方向信息。标志位y∈Y是16×16图像块的分割掩膜，其中Y是指整个彩色图像的结构标签，也就是ground truth，y是指图像块的结构标签。z＝Π(y)表示一长串二进制编码矢量，标识着每个分割区域里的像素是否属于同一个物体。先建立映射函数模型y‐>z，其中z是一个二值向量，代表结构标签y中的每一对像素是否属于同一个分割区域，通过计算每个向量z之间的欧式距离可以测量结构标签y之间的相似度；然后建立映射模型:z→c,c＝{1,…,k}，使相似的结构标签y能够分配相同的标记c，进而对图像块分类。结构化边缘检测一般对原始图像进行空域的上下采样，在不同分辨率级别上对图像进行训练学习。对原始的彩色图像，四倍分辨率的彩色图像和四分之一分辨率的彩色图像分别进行结构化边缘检测，并将3者的边缘图像的平均作为最后的边缘检测结果。
步骤3.2，得到彩色图像边缘后，再利用上采样后的深度图像在3D空间提供的距离信息(也称为像素的深度值，即场景中各点到图像采集器的距离)来提取RGB-D数据的边缘，即彩色图像对应的深度图像的正确深度边缘。将彩色图像边缘映射到上采样后的深度图像中，再对上采样后的深度图像分割成大小为w×w的窗口，判断该窗口内最大深度值与最小深度值的差值，如果差值小于某一阈值，那么认为该窗口区域是平滑区域，该窗口内的边缘就要去除；否则，该窗口区域是边缘区域，该区域内的边缘是正确深度边缘，该过程用公式描述为：
Figure BDA0001379893210000051
其中，dmax和dmin分别是窗口内的最大深度值与最小深度值，Ep＝1表示边缘区域，Ep＝0表示平滑区域，实验中阈值T设置为10，窗口的大小选取为9×9的窗口。
步骤4、对上采样后的深度图像进行边缘提取，得到上采样后深度图像的边缘，即错误深度边缘；
在此具体实施例中，对上采样后的深度图像的边缘提取可以采用canny算子等传统的边缘检测算子。
步骤5、找出步骤3的正确深度边缘与步骤4的错误深度边缘之间的区域，标记该区域内的像素点标记为不可靠像素点，其余点标记为可靠像素点，从而获得上采样后深度图像的不可靠区域，；
在此实施例中，步骤5的具体过程为：
将步骤3的正确深度边缘映射到上采样后深度图像中，以该边缘上的任一像素点作为起始点，在该起始像素点的上下左右四个方向逐像素递进一定的像素个数(小于10个像素)进行扫描，若扫描过程中遇到上采样后深度图像的错误深度边缘点，则扫描停止，并将扫描过程中所有扫描到的像素点标记为不可靠像素点，也就是在正确的边缘和错误边缘之间区域的像素都是不可靠的像素，即深度图像上采样过程中产生错误的深度值。扫描正确深度边缘上的每一个像素点，组成上采样深度图像不可靠区域。
步骤6、对不可靠区域的像素点采用迭代的联合双边滤波方法重新插值修正，直到错误深度边缘与正确深度边缘重合；
下面结合图2，对此实施例中步骤6的具体过程作详细说明：
(1)读取上采样后的深度图像；
(2)对不可靠区域，从左往右，从上到下遍历不可靠像素点；
(3)判断不可靠像素点8邻域内是否有可靠像素点，是则执行步骤(4)，否则跳过该像素点执行步骤(3)；
(4)判断不可靠像素点是否为正确深度边缘点，是则执行步骤(7)，否则执行步骤(5)；
(5)判断不可靠像素点8邻域内是否存在正确深度边缘点，是则执行步骤(6)，否则执行步骤(8)；
(6)判断不可靠像素点4邻域内是否存在可靠像素点，是则执行步骤(9)，否则跳过该点执行步骤(3)；
(7)判断不可靠像素点8邻域内是否除正确深度边缘像素点外均为可靠像素点，是则执行步骤(8)，否则跳过该像素点执行步骤(3)；
(8)采用联合双边滤波的方法对8邻域内可靠像素点加权求和计算该不可靠像素点的深度值，跳转步骤(10)；
(9)采用联合双边滤波的方法对4邻域内可靠像素加权求和计算该不可靠像素深度值，跳转步骤(10)；
(10)判断是否完成所有不可靠像素点的遍历，是则执行步骤(11)，否则执行步骤(3)；
(11)更新不可靠像素点的深度值，并将不可靠像素点更新为可靠像素点；
(12)判断是否存在不可靠像素点，是则执行步骤(2)，否则执行(13)；
(13)结束。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于彩色图像边缘引导的深度图像上采样方法，其特征在于，包括如下步骤：
步骤1，获取同一场景的高分辨率彩色图像以及低分辨率深度图像；
步骤2，对低分辨率深度图像初始化上采样，使得上采样后的深度图像与彩色图像的分辨率一致；
步骤3，利用基于深度学习的边缘检测方法提取符合人眼视觉特性的彩色图像的边缘，并结合上采样后的深度图像去除彩色图像中存在于对象内部的纹理边缘，得到彩色图像对应的深度图像的正确深度边缘；
步骤4，对上采样后的深度图像进行边缘提取，得到上采样后深度图像的边缘，即错误深度边缘；
步骤5，找出步骤3的正确深度边缘与步骤4的错误深度边缘之间的区域，组成上采样后深度图像的不可靠区域，标记该区域内的像素点标记为不可靠像素点，其余点标记为可靠像素点；
步骤6，对不可靠区域的像素点采用迭代的联合双边滤波方法重新插值修正，直到错误深度边缘与正确深度边缘重合；
所述步骤6的实现方式如下，
(1)读取上采样后的深度图像；
(2)对不可靠区域，从左往右，从上到下遍历不可靠像素点；
(3)判断不可靠像素点8邻域内是否有可靠像素点，是则执行步骤(4)，否则跳过该像素点执行步骤(3)；
(4)判断不可靠像素点是否为正确深度边缘点，是则执行步骤(7)，否则执行步骤(5)；
(5)判断不可靠像素点8邻域内是否存在正确深度边缘点，是则执行步骤(6)，否则执行步骤(8)；
(6)判断不可靠像素点4邻域内是否存在可靠像素点，是则执行步骤(9)，否则跳过该点执行步骤(3)；
(7)判断不可靠像素点8邻域内是否除正确深度边缘像素点外均为可靠像素点，是则执行步骤(8)，否则跳过该像素点执行步骤(3)；
(8)采用联合双边滤波的方法对8邻域内可靠像素点加权求和计算该不可靠像素点的深度值，跳转步骤(10)；
(9)采用联合双边滤波的方法对4邻域内可靠像素加权求和计算该不可靠像素深度值，跳转步骤(10)；
(10)判断是否完成所有不可靠像素点的遍历，是则执行步骤(11)，否则执行步骤(3)；
(11)更新不可靠像素点的深度值，并将不可靠像素点更新为可靠像素点；
(12)判断是否存在不可靠像素点，是则执行步骤(2)，否则执行(13)；
(13)结束。
2.如权利要求1所述的一种基于彩色图像边缘引导的深度图像上采样方法，其特征在于：所述步骤3的具体实现方式如下，
步骤3.1，利用结构化随机森林的方法对原始的彩色图像，四倍分辨率的彩色图像和四分之一分辨率的彩色图像分别进行结构化边缘检测，并将3者的边缘图像的平均作为彩色图像最终的边缘；
步骤3.2，将彩色图像边缘映射到上采样后的深度图像中，再对上采样后的深度图像分割成大小为w×w的窗口，判断该窗口内最大深度值与最小深度值的差值，如果差值小于某一阈值，将窗口内的边缘去除，否则，该区域内的边缘是正确深度边缘。
3.如权利要求2所述的一种基于彩色图像边缘引导的深度图像上采样方法，其特征在于：所述步骤5的实现方式如下，
将步骤3的正确深度边缘映射到上采样后深度图像中，以该边缘上的任一像素点作为起始点，在该起始像素点的上下左右四个方向逐像素递进一定的像素个数进行扫描，若扫描过程中遇到上采样后深度图像的错误深度边缘点，则扫描停止，并将扫描过程中所有扫描到的像素点标记为不可靠像素点，扫描正确深度边缘上的每一个像素点，组成上采样深度图像不可靠区域。
4.如权利要求1或2或3所述的一种基于彩色图像边缘引导的深度图像上采样方法，其特征在于：所述步骤1中利用RGB-D传感器获取同一场景的高分辨率彩色图像以及低分辨率深度图像。
5.如权利要求1或2或3所述的一种基于彩色图像边缘引导的深度图像上采样方法，其特征在于：所述步骤2中采用双三次插值算法或双线性插值算法对低分辨率深度图像进行初始化上采样。
6.如权利要求2或3所述的一种基于彩色图像边缘引导的深度图像上采样方法，其特征在于：所述步骤3.2中窗口大小为9×9，阈值为10。
7.如权利要求1或2或3所述的一种基于彩色图像边缘引导的深度图像上采样方法，其特征在于：所述步骤4中采用canny算子对上采样后的深度图像提取边缘。
CN201710699025.9A 2017-08-15 2017-08-15 一种基于彩色图像边缘引导的深度图像上采样方法 Expired - Fee Related CN107689050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710699025.9A CN107689050B (zh) 2017-08-15 2017-08-15 一种基于彩色图像边缘引导的深度图像上采样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710699025.9A CN107689050B (zh) 2017-08-15 2017-08-15 一种基于彩色图像边缘引导的深度图像上采样方法

Publications (2)

Publication Number Publication Date
CN107689050A CN107689050A (zh) 2018-02-13
CN107689050B true CN107689050B (zh) 2020-11-17

Family

ID=61153388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710699025.9A Expired - Fee Related CN107689050B (zh) 2017-08-15 2017-08-15 一种基于彩色图像边缘引导的深度图像上采样方法

Country Status (1)

Country Link
CN (1) CN107689050B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460795A (zh) * 2018-03-05 2018-08-28 成都通甲优博科技有限责任公司 倒金字塔式双目立体匹配方法及系统
CN110930311B (zh) * 2018-09-19 2023-04-25 杭州萤石软件有限公司 一种提高红外图像与可见光图像融合的信噪比方法与装置
CN109544490B (zh) * 2018-10-17 2021-07-13 北京达佳互联信息技术有限公司 图像增强方法、装置和计算机可读存储介质
CN112040214A (zh) * 2019-06-04 2020-12-04 万维科研有限公司 双摄像机三维立体成像系统和处理方法
CN111353982B (zh) * 2020-02-28 2023-06-20 贝壳技术有限公司 一种深度相机图像序列筛选方法及装置
CN111489383B (zh) * 2020-04-10 2022-06-10 山东师范大学 基于深度边缘点与彩色图像的深度图像上采样方法及系统
CN113469916A (zh) * 2021-07-13 2021-10-01 郑州轻工业大学 一种彩色图像边缘提取的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262773A (zh) * 2010-05-29 2011-11-30 深圳宝嘉电子设备有限公司 双阈值的图像无损数据嵌入方法
CN102663752A (zh) * 2012-04-11 2012-09-12 南京理工大学 一种sam加权kest高光谱异常检测算法
CN104143179A (zh) * 2014-07-04 2014-11-12 中国空间技术研究院 一种多线列时差扫描扩展采样的运动目标增强方法
CN104809698A (zh) * 2015-03-18 2015-07-29 哈尔滨工程大学 一种基于改进三边滤波的Kinect深度图像修复方法
CN106651938A (zh) * 2017-01-17 2017-05-10 湖南优象科技有限公司 一种融合高分辨率彩色图像的深度图增强方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7522779B2 (en) * 2004-06-30 2009-04-21 Accuray, Inc. Image enhancement method and system for fiducial-less tracking of treatment targets
US7580569B2 (en) * 2005-11-07 2009-08-25 Xerox Corporation Method and system for generating contone encoded binary print data streams

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262773A (zh) * 2010-05-29 2011-11-30 深圳宝嘉电子设备有限公司 双阈值的图像无损数据嵌入方法
CN102663752A (zh) * 2012-04-11 2012-09-12 南京理工大学 一种sam加权kest高光谱异常检测算法
CN104143179A (zh) * 2014-07-04 2014-11-12 中国空间技术研究院 一种多线列时差扫描扩展采样的运动目标增强方法
CN104809698A (zh) * 2015-03-18 2015-07-29 哈尔滨工程大学 一种基于改进三边滤波的Kinect深度图像修复方法
CN106651938A (zh) * 2017-01-17 2017-05-10 湖南优象科技有限公司 一种融合高分辨率彩色图像的深度图增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Texture edge-guided depth recovery for structured light-based depth sensor";Huiping Deng等;《Multimedia Tools and Applications》;20160217;第76卷(第3期);第4211-4226页 *
"基于边缘特征引导的深度图像超分率重建";涂义福等;《计算机应用与软件》;20170228;第34卷(第2期);第220-225页 *

Also Published As

Publication number Publication date
CN107689050A (zh) 2018-02-13

Similar Documents

Publication Publication Date Title
CN107689050B (zh) 一种基于彩色图像边缘引导的深度图像上采样方法
CN109360235B (zh) 一种基于光场数据的混合深度估计方法
CN106651938B (zh) 一种融合高分辨率彩色图像的深度图增强方法
CN100470452C (zh) 一种实现三维增强现实的方法及系统
US6671399B1 (en) Fast epipolar line adjustment of stereo pairs
CN110349132B (zh) 一种基于光场相机深度信息提取的织物瑕疵检测方法
CN107622480B (zh) 一种Kinect深度图像增强方法
Hua et al. Extended guided filtering for depth map upsampling
KR101028628B1 (ko) 영상 텍스쳐 필터링 방법, 이를 수행하는 프로그램을 기록한 기록매체 및 이를 수행하는 장치
WO2021017589A1 (zh) 一种基于梯度域映射的图像融合方法
US20230071559A1 (en) Neural opacity point cloud
CN111179193B (zh) 基于DCNNs和GANs的皮肤镜图像增强和分类方法
Sharma et al. A flexible architecture for multi-view 3DTV based on uncalibrated cameras
CN111899295A (zh) 一种基于深度学习的单目场景深度预测方法
Kuo et al. Depth estimation from a monocular view of the outdoors
CN110443228B (zh) 一种行人匹配方法、装置、电子设备及存储介质
Schmeing et al. Depth image based rendering
CN108961182B (zh) 针对视频图像的竖直方向灭点检测方法及视频扭正方法
KR101766431B1 (ko) 계층적 스테레오 정합을 이용한 변이 추출 방법 및 그 장치
KR101785203B1 (ko) 깊이 이미지를 이용한 다시점 객체 분리 방법 및 시스템
CN107330856B (zh) 一种基于投影变换和薄板样条的全景成像方法
WO2020196520A1 (en) Method, system and computer readable media for object detection coverage estimation
CN111369435B (zh) 基于自适应稳定模型的彩色图像深度上采样方法及系统
He et al. A novel way to organize 3D LiDAR point cloud as 2D depth map height map and surface normal map
US20220138906A1 (en) Image Processing Method, Apparatus, and Device

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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

Granted publication date: 20201117