CN110097513A - 一种基于脉冲型ToF深度图像去噪的方法 - Google Patents
一种基于脉冲型ToF深度图像去噪的方法 Download PDFInfo
- Publication number
- CN110097513A CN110097513A CN201910307368.5A CN201910307368A CN110097513A CN 110097513 A CN110097513 A CN 110097513A CN 201910307368 A CN201910307368 A CN 201910307368A CN 110097513 A CN110097513 A CN 110097513A
- Authority
- CN
- China
- Prior art keywords
- depth
- impulse type
- value
- type tof
- updated
- 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 31
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 5
- 201000004569 Blindness Diseases 0.000 claims abstract description 3
- 238000013519 translation Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- KBPHJBAIARWVSC-RGZFRNHPSA-N lutein Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\[C@H]1C(C)=C[C@H](O)CC1(C)C KBPHJBAIARWVSC-RGZFRNHPSA-N 0.000 claims description 2
- 229960005375 lutein Drugs 0.000 claims description 2
- KBPHJBAIARWVSC-XQIHNALSSA-N trans-lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C KBPHJBAIARWVSC-XQIHNALSSA-N 0.000 claims description 2
- FJHBOVDFOQMZRV-XQIHNALSSA-N xanthophyll Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C=C(C)C(O)CC2(C)C FJHBOVDFOQMZRV-XQIHNALSSA-N 0.000 claims description 2
- 235000008210 xanthophylls Nutrition 0.000 claims description 2
- 210000001367 artery Anatomy 0.000 claims 1
- 230000005764 inhibitory process Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 210000003462 vein Anatomy 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 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
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于脉冲型ToF深度图像去噪的方法，直接从脉冲型ToF深度相机的成像模型出发，设计脉冲型ToF传感器的原始测量数据的正则化器，采用基于变分的半盲反卷积算法对深度去噪，有效地对脉冲型ToF深度图像去噪并保持深度图像的边缘细节信息。
Description
技术领域
本发明属于计算机视觉领域，具体涉及到一种基于脉冲型ToF深度图像去噪的方法。
背景技术
三维成像技术在移动机器人、远程医疗及三维电视等领域有着广阔的应用前景和商业价值。对深度信息的精确获取是三维研究和三维实际应用所必须的关键技术。因此，快速和高质量的深度传感器是非常受欢迎的，在各种各样的深度获取技术中(双目，结构光，激光雷达等)飞行时间(ToF)相机已经成为一种高效的、低成本的、多用途的深度成像方案。ToF相机按照激光器种类不同可以分为连续波型与脉冲型。连续型ToF相机出现较早，对其研究也比较多，其成像原理是利用连续波相位差间接计算相机与目标的距离。连续波ToF相机激光器功耗大，无法长时间使用；测量过程受环境影响较大，不适于室外测量，不利于高精度测量场合。为了弥补连续型ToF相机的缺点，脉冲型ToF相机应运而生。脉冲型ToF相机功耗小，能够长时间测量；此类型相机不需要使用相位等其他参数，避免计算过程中的累积误差，测量精度高；脉冲型激光器能在短时间内释放高能量信号，减少了外界光源对测量结果的影响。因此，脉冲型ToF相机具有较大的应用前景。
脉冲型ToF相机在广泛应用的同时也存在着一定的缺陷，其中高频随机噪声和飞行像素便是急需解决的一个问题。高频随机噪声和飞行像素都属于噪声。图像中的噪声来源于图像采集、压缩、传输等各个过程，图像去噪就是降低图像中噪声的过程。图像去噪算法遵循的原则是在分离噪声的同时，可以尽可能多地保留原图像的一些细节和边缘信息，即能够将图像中的有用信息和噪声数据分开。现有的关于深度图像去噪的研究不是太全面，直接研究脉冲型ToF深度去噪的方法更是稀少。专利申请号为CN201680019856.0专利名称为“用于对TOF传感器图像进行实时运动伪影处理和去噪的方法和系统”的专利申请通过计算ToF传感器在发送和接收信号的过程中产生多个相关值去计算距离值。根据多个相关值产生引导图像，根据引导图像进行滤波形成去噪引导图像，最终输出滤波之后的图像。这个方法的鲁棒性不好，不能对飞行像素有较好的去噪效果。专利申请号为CN201710874911.0专利名称为“一种Kinect深度图像增强方法”的专利申请通过同时对彩色图和深度图进行边缘检测，划分深度图空洞并对空洞进行联合双边滤波的填充的方法进行去噪。此方法针会造成一定的模糊，部分深度值会产生误差。
以往的发明专利或是论文都是以改进的针对彩色图像的滤波算法对深度图进行去噪，这样在滤波的同时会造成局部细节深度信息的丢失。
发明内容
有鉴于此，为解决脉冲型ToF深度图像中的高频随机噪声和飞行像素的问题，本发明提出一种基于脉冲型ToF深度图像去噪的方法，直接从脉冲型ToF深度相机的成像模型出发，设计脉冲型ToF传感器的原始测量数据的正则化器，采用基于变分的半盲反卷积算法对深度去噪，有效地对脉冲型ToF深度图像去噪并保持深度图像的边缘细节信息。
本发明的基于脉冲型ToF深度图像去噪的方法，直接从深度相机的原始测量值g(z)出发，设计其正则化器，在不损坏深度图像边缘信息、不损坏像素深度值的同时还能较好的去噪。
附图说明
图1为本发明实施总体流程图
图2为本发明脉冲型ToF相机成像模型计算示意图。
图3为本发明点扩散函数(PSF)估计步骤的流程示意图。
图4为本发明深度值估计步骤的流程示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。
图1是本发明提出的一种基于脉冲型ToF深度图像去噪的方法的总体流程图，如图1所示，包括：
步骤1、脉冲型ToF相机成像模型计算
该步骤依据脉冲型ToF相机测距原理来计算成像；深度相机获取的深度值计算公式为z＝c*Δt/2，其中，c为光速，Δt为激光器发出信号到探测器接受信号的时间差。但深度相机不能直接获取Δt，而是有三次曝光获取的光子积累量ΔA。三次曝光分别为S0，S1，BG，第一次曝光S0为电荷积累满的情况，即时间为传感器脉冲宽度Tp，单位为ns，第二次曝光S1为实际间隔时间Δt，第三次是背景抑制BG。光子积累量ΔA的计算如(公式1)所示。即Δt＝ΔA×Tp。
定义ΔA为光子积累量，它是脉冲型ToF深度相机的直接测量值。我们可以获取场景深度图作为先验信息。已经某一点像素的深度值z后，计算这点的光子积累量方法如(公式2)。
得到原始测量值g(z)后，本发明直接对g(z)进行处理，可以有保持图像原来的深度信息。
步骤2、点扩散函数(PSF)估计
该步骤得到每个像素值处的PSF，估计出每个像素点的PSF保存在一个查找表中，用于估计深度值时，对于每一个像素点处的PSF更新可以直接从查找表中查找。每一个像素点出的PSF估计过程如下，打印一张含噪板和一个不含噪的白板，将含它们固定在平移台上，平移台距离深度相机的距离在50cm-250cm之间。比如，将平移台固定在距离深度相机50cm处，调整相机合适的光圈，固定噪的白板，获取一幅质量较好的深度图H，然后固定含噪的白板，通过调节光圈，获取一幅模糊的、含噪声的退化的深度图H0，这样我们可以认为在同一场景下获取了两幅质量不同的深度图。H0认为是退化之后的深度图。图像退化模型如(公式3)所示。
H0＝K*H+f (公式3)
其中，H0是退化后的图像，H是原始得到的图像，K是点扩散函数，*表示卷积运算符，f是噪声。此时，我们已经获得了在50cm处的两幅深度图H和H0，估计点扩散函数K就变成了一个解非盲反卷积问题。解决过程和深度值估计模块解决方法一致。这样我们估计出了像素点在50cm时的PSF并保存在查找表中，移动平移台距离相机在51cm，重复以上过程，获取像素点在51cm时的PSF。以此下去，移动平移台，增量为1cm。这样就估计出了50cm-250cm距离内每个像素点出的PSF并存在一个查找表中。
步骤3、深度值估计
估计出每个像素点最佳的深度值。根据(公式3)所示的图像退化模型，能得到退化后的深度图b0，在步骤2中估计出了每个像素点出的PSF。因此，要估计出原始深度值就变成了一个非盲反卷积的问题。这个问题就转换成了最小化(公式4)的数学问题。
K(z)即为点扩散函数PSF。输入g(z)，其中Tp＝0.2ns。其中，第一项是数据保真项，用来修复平滑区域，同时对去噪有较强的稳定性，在整个公式中起到调和的作用，防止修复之后的图像和原图像差别太大导致失真而达不到好的去噪效果。第二项是正则项，表示的是图像b0的全变差函数，其作用是在破损区域和周边先验区域的图像总变分求取最优值，是图像修复过程中最重要的部分。正则化器的设计(公式5)所示。
表示图像z的梯度图，v是有界扭曲向量场中的一个随机向量，是一个二阶对称导数。符号表示导数运算符。T表示转置矩阵。输入参数α1＝0.007，参数α2＝0.140，用于协调正则项中一阶导数和二阶导数。我们的目的就是找到最小化正则项的最优解向量。对于深度图像z的平滑区域，它的二阶导数较小，此时判断最优解这样只需要最小化二阶导数即可，并且可以避免一阶导数在平滑区域去噪产生“阶梯效应”。在含噪深度图z的边缘区域，二阶导数此时判断最优解v＝0。这样只需要最小化一阶导数这样使正则化器在最小化的同时能够避免高阶导数在边缘区域去噪产生的细节模糊。在TGV2模型中，最优解x会根据图像区域的平滑度不同发生相应的变化，自适应的协调一阶导数和二阶导数，在图像边缘区域利用一阶导数保留细节，在图像平坦区域利用高阶导数去除噪声，既能达到去燥的目的，还能较好的保留边缘细节信息。本发明使用交替方向乘子(ADMM)进行深度值的估计。
图2为本发明脉冲型ToF相机成像计算步骤示意图。如图2所示，包括：
步骤21，启动首次曝光。
步骤22，获取首次曝光时间S0＝Tp。
步骤23，获取第二次曝光。
步骤24，获取第二次曝光时间S1＝At。
步骤25，启动第三次曝光。
步骤26，获取背景光抑制BG。
步骤27，获取光子积累量，如(公式1)所示。
步骤28，计算出脉冲型TOF相机成像模型g(z)，如(公式2)所示。
步骤29，初始化g(z)参数，其中，Tp＝0.2ns。
图3为本发明点扩散函数(PSF)估计步骤的流程示意图。如图3所示，包括：
步骤31，打印含噪声的白板。
步骤32，固定在平移板上，距离深度相机在50cm-250cm之间。
步骤33，获取平移板距离相机50cm处的场景图。
步骤34，放上含噪板，调节光圈，获取含噪、模糊的深度图H0。
步骤35，放上不含噪的白板，调节光圈，获取不含噪的、清晰的深度图H。
步骤36，非盲反卷积计算该处PSF值，如(公式4)所示。
步骤37，将该处的PSF值保存在查找表中。
步骤38，移动平移板，增量为1cm，即51cm处。
步骤39，重复步骤33-38。
步骤310，移动平移板距离相机250cm处时，停止以上步骤。
图4为本发明深度值估计模块的流程示意图。
步骤41，深度值更新采用二阶TGV模型，如(公式5)所示。
步骤42，初始化正则项系数，a1＝0.007，a2＝0.140。
步骤43，查找表中更新PSF值，在步骤37中更新PSF值。
步骤44，更新当前的深度值。
步骤45，分解(公式5)，引入辅助变量v，如(公式6)所示。
该公式中的b是不是公式4中b0，请确认(是)
初始化参数ρx＝10，ρx为分解系数。本发明使用Levenberg-Marquardt算法和雅克比矩阵去解决这个问题。Levenberg-Marquardt算法是提供非线性最小化的数值解。此算法能借由执行时修改参数达到结合高斯-牛顿算法及梯度下降法的优点，并改善两者的不足之处。具体使用通过调用Matlab中的Isqnonlin(.)函数来实现。
步骤46，更新辅助变量v，如(公式7)所示。
(公式7)是一个线性方程组求解的问题。本发明通过matlab中的左除函数来实现。
步骤47，更新辅助变量q1。如(公式8)所示。
步骤47显然是一个软阈值问题。即
软阈值函数的定义如(公式9)所示。
步骤48，更新辅助变量q2。如(公式10)所示。
此问题和步骤47一致，同为软阈值问题。即
步骤48，更新辅助变量u1，
步骤49，更新辅助变量u2，
步骤410，判断迭代停止条件。
步骤411，不符合迭代停止条件，重复步骤42-411的过程。
步骤412，符合迭代停止条件，停止ADMM算子对深度值的更新。
应当理解，虽然本说明书根据实施方式加以描述，但是并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域的技术人员应当将说明书作为一个整体，各个实施方式中的技术方案也可以适当组合，按照本领域技术人员的理解来实施。
上文所列出的一系列详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用于限制本发明的保护范围，凡是未脱离发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于脉冲型ToF深度图像去噪的方法，其特征在于，包括：
步骤1、根据脉依据脉冲型ToF相机测距原理计算成像，得到原始测量值；
步骤2、获得每个像素值处的PSF，将每个像素点的PSF保存在一个查找表中；
步骤3、设计脉冲型ToF传感器的原始测量数据的正则化器，采用基于变分的半盲反卷积算法对深度去噪。
2.如权利要求1所述的基于脉冲型ToF深度图像去噪的方法，其特征在于，步骤1具体为：
步骤21，启动首次曝光；
步骤22，获取首次曝光时间S0＝Tp；
步骤23，获取第二次曝光；
步骤24，获取第二次曝光时间S1＝Δt；
步骤25，启动第三次曝光；
步骤26，获取背景光抑制BG；
步骤27，获取光子积累量，即，
其中，S0，S1，BG分别为三次曝光，第一次曝光S0为电荷积累满的情况，第二次曝光S1为实际间隔时间Δt，第三次是背景抑制BG，ΔA为光子积累量。
步骤28，计算出脉冲型TOF相机成像模型g(z)，即
其中，z为某一点像素的深度值，Tp为传感器脉冲宽度；
步骤29，初始化g(z)参数，其中，Tp＝0.2ns。
3.如权利要求2所述的基于脉冲型ToF深度图像去噪的方法，其特征在于，步骤2具体为：
步骤31，打印含噪声的白板；
步骤32，固定在平移板上，距离深度相机在50cm-250cm之间；
步骤33，获取平移板距离相机50cm处的场景图；
步骤34，放上含噪板，调节光圈，获取含噪、模糊的深度图H0；
步骤35，放上不含噪的白板，调节光圈，获取不含噪的、清晰的深度图H；
步骤36，非盲反卷积计算该处PSF值；
步骤37，将该处的PSF值保存在查找表中；
步骤38，移动平移板，增量为1cm，即51cm处；
步骤39，重复步骤33-38；
步骤310，移动平移板距离相机250cm处时，停止以上步骤。
4.如权利要求3所述的基于脉冲型ToF深度图像去噪的方法，其特征在于，步骤36具体为：
其中，b0为退化后的深度图，k(z)为点扩散函数PSF，为正则化器，
其中，▽z表示图像z的梯度图，是一个二阶对称导数，v是有界扭曲向量场中的一个随机向量，符号▽表示导数运算符，T表示转置矩阵，α1、α2为输入参数。
5.如权利要求4所述的基于脉冲型ToF深度图像去噪的方法，其特征在于，步骤3具体为：
步骤41，深度值更新采用二阶TGV模型；
步骤42，初始化正则项系数，a1＝0.007，a2＝0.140；
步骤43，查找表中更新PSF值，在步骤37中更新PSF值；
步骤44，更新当前的深度值；
步骤45，分解公式5，引入辅助变量v，即，
其中，ρx为分解系数，q1、u1为辅助变量；
步骤46，更新辅助变量v，即
步骤47，更新辅助变量q1，
其中，所述步骤47是一个软阈值问题，即q1＝soft(▽z-v+u1,0.5/ρx)，
软阈值函数的定义为：
步骤48，更新辅助变量q2；
其中，所述步骤48为软阈值问题，即q2＝soft(▽v+u2,0.5/ρx)，
步骤48，更新辅助变量u1，u1＝u1+▽z-v-q1；
步骤49，更新辅助变量u2，u2＝u2+▽v-q2；
步骤410，判断迭代停止条件；
步骤411，不符合迭代停止条件，重复步骤42-411的过程；
步骤412，符合迭代停止条件，停止ADMM算子对深度值的更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910307368.5A CN110097513B (zh) | 2019-04-16 | 2019-04-16 | 一种基于脉冲型ToF深度图像去噪的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910307368.5A CN110097513B (zh) | 2019-04-16 | 2019-04-16 | 一种基于脉冲型ToF深度图像去噪的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110097513A true CN110097513A (zh) | 2019-08-06 |
| CN110097513B CN110097513B (zh) | 2021-06-25 |
Family
ID=67445052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910307368.5A Active CN110097513B (zh) | 2019-04-16 | 2019-04-16 | 一种基于脉冲型ToF深度图像去噪的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097513B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688763A (zh) * | 2019-10-08 | 2020-01-14 | 北京工业大学 | 一种基于脉冲型ToF相机深度和光强图像的多径效应补偿方法 |
| CN110889442A (zh) * | 2019-11-20 | 2020-03-17 | 北京工业大学 | 一种针对脉冲型ToF深度相机的物体材质分类的方法 |
| CN111091511A (zh) * | 2019-12-17 | 2020-05-01 | 广西科技大学 | 一种用于显微图像的广谱去噪方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150022649A1 (en) * | 2013-07-16 | 2015-01-22 | Texas Instruments Incorporated | Controlling Image Focus in Real-Time Using Gestures and Depth Sensor Data |
| CN104732492A (zh) * | 2015-03-09 | 2015-06-24 | 北京工业大学 | 一种深度图像的去噪方法 |
| CN105279740A (zh) * | 2015-11-17 | 2016-01-27 | 华东交通大学 | 一种基于稀疏正则化的图像去噪方法 |
| CN105761227A (zh) * | 2016-03-04 | 2016-07-13 | 天津大学 | 基于暗通道先验与白平衡的水下图像增强方法 |
| US20160239725A1 (en) * | 2015-02-12 | 2016-08-18 | Mitsubishi Electric Research Laboratories, Inc. | Method for Denoising Time-of-Flight Range Images |
| CN107743638A (zh) * | 2015-04-01 | 2018-02-27 | Iee国际电子工程股份公司 | 用于对tof传感器图像进行实时运动伪影处理和去噪的方法和系统 |
| CN109615596A (zh) * | 2018-12-05 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种深度图像的去噪方法、装置和电子设备 |
-
2019
- 2019-04-16 CN CN201910307368.5A patent/CN110097513B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150022649A1 (en) * | 2013-07-16 | 2015-01-22 | Texas Instruments Incorporated | Controlling Image Focus in Real-Time Using Gestures and Depth Sensor Data |
| US20160239725A1 (en) * | 2015-02-12 | 2016-08-18 | Mitsubishi Electric Research Laboratories, Inc. | Method for Denoising Time-of-Flight Range Images |
| CN104732492A (zh) * | 2015-03-09 | 2015-06-24 | 北京工业大学 | 一种深度图像的去噪方法 |
| CN107743638A (zh) * | 2015-04-01 | 2018-02-27 | Iee国际电子工程股份公司 | 用于对tof传感器图像进行实时运动伪影处理和去噪的方法和系统 |
| CN105279740A (zh) * | 2015-11-17 | 2016-01-27 | 华东交通大学 | 一种基于稀疏正则化的图像去噪方法 |
| CN105761227A (zh) * | 2016-03-04 | 2016-07-13 | 天津大学 | 基于暗通道先验与白平衡的水下图像增强方法 |
| CN109615596A (zh) * | 2018-12-05 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种深度图像的去噪方法、装置和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| LEI XIAO ET AL.: "Defocus Deblurring and Superresolution for Time-of-Flight Depth Cameras", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| 王雪姣: "基于深度神经网络的ToF深度图像去噪研究", 《信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688763A (zh) * | 2019-10-08 | 2020-01-14 | 北京工业大学 | 一种基于脉冲型ToF相机深度和光强图像的多径效应补偿方法 |
| CN110688763B (zh) * | 2019-10-08 | 2023-10-17 | 北京工业大学 | 一种基于脉冲型ToF相机深度和光强图像的多径效应补偿方法 |
| CN110889442A (zh) * | 2019-11-20 | 2020-03-17 | 北京工业大学 | 一种针对脉冲型ToF深度相机的物体材质分类的方法 |
| CN110889442B (zh) * | 2019-11-20 | 2023-08-01 | 北京工业大学 | 一种针对脉冲型ToF深度相机的物体材质分类的方法 |
| CN111091511A (zh) * | 2019-12-17 | 2020-05-01 | 广西科技大学 | 一种用于显微图像的广谱去噪方法 |
| CN111091511B (zh) * | 2019-12-17 | 2023-05-26 | 广西科技大学 | 一种用于显微图像的广谱去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110097513B (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097513A (zh) | 一种基于脉冲型ToF深度图像去噪的方法 | |
| CN111539879B (zh) | 基于深度学习的视频盲去噪方法及装置 | |
| Hou et al. | An efficient nonlocal variational method with application to underwater image restoration | |
| CN109215042B (zh) | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 | |
| CN110688763A (zh) | 一种基于脉冲型ToF相机深度和光强图像的多径效应补偿方法 | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| Delpretti et al. | Multiframe sure-let denoising of timelapse fluorescence microscopy images | |
| Huang et al. | Color correction and restoration based on multi-scale recursive network for underwater optical image | |
| CN103295205B (zh) | 一种基于Retinex的微光图像快速增强方法和装置 | |
| CN109697704A (zh) | 基于bm3d算法的自适应全变分espi图像降噪方法及系统 | |
| CN115719319A (zh) | 一种基于物理先验与深度学习的单幅图像去雾方法 | |
| CN114640885B (zh) | 视频插帧方法、训练方法、装置和电子设备 | |
| CN107290720A (zh) | 一种基于被动微波干涉成像的运动点目标的检测方法 | |
| Huang et al. | Underwater image enhancement based on color restoration and dual image wavelet fusion | |
| CN113109340B (zh) | 针对平面干涉仪的信号处理的成像系统及成像方法 | |
| van de Schaft et al. | Ultrasound speckle suppression and denoising using MRI-derived normalizing flow priors | |
| CN102819828B (zh) | 一种应用在自适应光学图像高分辨率复原的自解卷积方法 | |
| CN117593235A (zh) | 基于深度CNN去噪先验的Retinex变分水下图像增强方法和装置 | |
| JP2012109656A (ja) | 画像処理装置及び方法、並びに画像表示装置及び方法 | |
| CN113763276A (zh) | 一种水下成像方法及其系统 | |
| CN106991659B (zh) | 一种适应大气湍流变化的多帧自适应光学图像恢复方法 | |
| CN112184567A (zh) | 一种基于交替最小化的多通道盲识别自适应光学图像复原方法 | |
| CN102156990A (zh) | 一种tdi-ccd航空遥感图像模糊参数的自动辨识方法 | |
| Banik et al. | HDR image from single LDR image after removing highlight | |
| CN115235377A (zh) | 一种基于偏振最佳投影强度的三维测量方法 |
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 |