CN110097634A - 一种自适应多尺度的三维鬼成像方法 - Google Patents
一种自适应多尺度的三维鬼成像方法 Download PDFInfo
- Publication number
- CN110097634A CN110097634A CN201910317537.3A CN201910317537A CN110097634A CN 110097634 A CN110097634 A CN 110097634A CN 201910317537 A CN201910317537 A CN 201910317537A CN 110097634 A CN110097634 A CN 110097634A
- Authority
- CN
- China
- Prior art keywords
- resolution
- target
- image
- region
- matrix
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 79
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000005375 photometry Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012014 optical coherence tomography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
- G06T3/4076—Super resolution, i.e. output image resolution higher than sensor resolution by iteratively correcting the provisional high resolution image using the original low-resolution image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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 by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Abstract
本发明公开了一种自适应多尺度的三维鬼成像方法,首先通过鬼成像系统获得目标不同方位的低分辨率鬼像;将低采样率下得到的图像结果进行预处理,滤除噪声;然后利用预处理过后的二维鬼像计算目标表面法向量;以表面法向量的稀疏性作为划分高低分辨率区域的标准划分区域;根据划分出的高分辨率区域生成高分辨率成像的参考光场,并获得高分辨率鬼像;最后将高低分辨率区域的图像拼接,并进行三维重构,从而获得目标三维图像。本发明减少鬼成像系统的采样次数,提高了系统的运算速度;减少了三维成像的测量数据,降低数据冗余,有利于数据的传输和存储。
Description
技术领域
本发明属于三维成像技术领域,特别是一种自适应多尺度的三维鬼成像方法。
背景技术
鬼成像(ghost imaging,GI)又称关联成像(correlated imaging)或双光子成像(two-photon imaging),是一种备受关注的区别于传统成像概念的成像技术。在鬼成像系统中存在两条光路,信号光路以及参考光路。信号光路中,利用一个桶探测器探测通过目标物体的总光强。而在参考光路中,则利用具有空间分辨率的探测器探测光源的空间强度分布。通过两个探测器探测到的光强作交叉关联来重建图像。计算鬼成像是一种改进的鬼成像技术,该技术利用光调制器件如空间光调制器(SLM)和数字微镜阵列(DMD)与鬼成像相结合,实现了仅凭单臂光路即可成像。这种方法简化了鬼成像光路,使得鬼成像从实验室的研究走向实际应用成为了可能。鬼成像相比于传统成像有很多独特的优势和特点,如抗散射和抗大气湍流等,该技术已被应用于许多领域,例如雷达探测、光学相干断层扫描(OCT)和荧光成像。当然,鬼成像技术也存在一些局限。最明显的是该技术的成像时间较长,主要包括前期的数据采集时间和后期的算法处理时间。为了缓解这一问题,基于多尺度思想的图像研究方法也被引入鬼成像。例如Marc Abmann提出了一种基于小波树的自适应压缩计算式鬼成像方案(Compressive adaptive computational ghost imaging[J].Scientificreports,2013,3:1545),受到了学界的广泛关注。
三维重建技术是当今计算机视觉领域的前沿研究问题,它可以根据自然界中物体的二维信息重建出具有详细几何信息的三维模型。这些模型不仅能为考古、文物保护、城市规划等领域提供可视化场景,更可以为工业测量、游戏、医疗诊断等领域提供数据的测量、分析和存档。
近年来,将鬼成像与其他技术相结合的研究层出不穷,也出现了基于鬼成像的三维成像技术(Improving the noise immunity of3D computational ghost imaging[J].Optics Express,2019,27(3):2344-2353)。但是结合鬼成像的三维重构技术同样受到高采样数以及大量后期运算的影响。同时,获得图像的分辨率越高,系统所需的数据量就越大。因此,三维鬼成像系统的分辨率与采样率是一对矛盾。
发明内容
本发明的目的在于提供一种自适应多尺度的三维鬼成像方法,解决了鬼成像需要大量采样数据以重构目标的高分辨率三维图像这一技术难题,能够缓解分辨率与采样率之间的矛盾。
实现本发明目的的技术解决方案为:一种自适应多尺度的三维鬼成像方法,步骤如下:
步骤1,通过鬼成像系统获得目标不同方位的低分辨率鬼像Iup、Ileft、Iright;
步骤2,对低采样率下的鬼成像结果进行预处理,即对图像进行傅立叶变换,然后进行高斯低通滤波,滤除图像高频部分,降低噪声;
步骤3,利用预处理过后的二维鬼像计算目标表面法向量;
步骤4,以表面法向量的稀疏性作为划分高低分辨率区域的标准进行区域划分,即法向量稀疏区域低分辨率成像,法向量不稀疏区域高分辨率成像;
步骤5,根据划分出的高分辨率区域,生成相应的基于Hadamard测量的参考光场;
步骤6,通过鬼成像系统获得目标不同方位的高分辨率鬼像I1 up、I1 left、I1 right;
步骤7,获得分辨率自适应的二维鬼像I2 up、I2 left、I2 right,用I1 up、I1 left、I1 right中有效的高分辨率图像信息替换低采样图像中的对应区域;
步骤8,进行三维重构,获得目标三维图像,根据步骤7中获得的分辨率自适应的二维鬼像I2 i,采用光度立体法恢复目标的三维形态。
本发明与现有的技术相比,其显著优点为:(1)减少三维鬼成像系统的采样次数,提高了系统的速度。相对传统的三维鬼成像方法,自适应多尺度的三维鬼成像技术在保留目标细节的同时,减少了平坦区域的采样数。(2)减少了三维成像的测量数据,在采样的过程中实现了数据压缩,降低数据冗余,有利于后续数据的传输和存储。(3)继承了鬼成像的优势,与其他成像方式相比,具有抗散射能力。(4)将三维成像与鬼成像技术相结合,使鬼成像技术得以实际应用。
下面结合附图对本发明作进一步详细说明。
附图说明
图1为三维鬼像成像系统图。
图2为本发明自适应多尺度的三维鬼成像方法的流程图。
图3为自适应区域划分图像:(a)高低分辨率区域划分二值图像m(x,y);(b)基于Hadamard的高分辨率参考光场示意图。
图4为成像系统结果图像:(a)低分辨率采样下探测器位于目标上、左、右三个位置时目标的低分辨率二维鬼像Iup,Ileft,Iright;(b)高分辨率采样探测器位于目标上、左、右三个位置时目标高分辨率的二维鬼像I1 up,I1 left,I1 right;(c)高低分辨率图像拼接结果I2 up,I2 left,I2 right。
图5为本发明恢复的目标三维结果图。
具体实施方式
本发明结合鬼成像和机器视觉中三维成像技术,将鬼成像系统低采样率下获得的目标不同方位的图像进行预处理,然后计算目标表面法向量,并根据表面法向量划分高低分辨率区域,对划分出的高分辨率区域生成相应的参考光场,从而获得相应区域的高分辨率鬼像,最后拼接图像并进行三维重构,得到目标三维图像。
结合图2,本发明自适应多尺度的三维鬼成像方法的具体实施步骤如下:
步骤1,通过鬼成像系统获得目标不同方位的低分辨率鬼像Iup,Ileft,Iright。三维鬼像成像系统图如图1所示,系统主要包括成像目标6,分别位于该成像目标6上方的第一桶探测器1、左方的第二桶探测器2以及右方的第三桶探测器3,还有一个连接计算机8的投影仪4用于投射参考光场5至成像目标6处,采集卡7将各桶探测器输出的模拟信号转化为数字信号后传送给计算机8。三维鬼像成像系统工作过程如下:计算机8预先生产一系列基于Hadamard的参考光场,使用投影仪4将其逐帧投射至成像目标6处,然后用不同方位的第一桶探测器1、第二桶探测器2、第三桶探测器3分别接收成像目标6反射的光强并传送给计算机8,该计算机8根据鬼像公式计算出成像目标6的不同方位的二维阴影图像。图像计算公式如式(1):
Ii(x,y)=g(2)(A(x,y),si)=<A(x,y)·si>-<A(x,y)><si> (1)
其中x,y为平面坐标,i为探测器标号(i=up,left,right),I(x,y)为目标鬼像,A(x,y)为参考光场,s为桶探测器测得的信号,<…>表示统计平均值。图4(a)为第一桶探测器1、第二桶探测器2、第三桶探测器3测得结果恢复的低分辨率二维鬼像。
基于Hadamard的参考光场生成方法如下:以获取分辨率为2N×2N(N=1,2,3,…)的目标鬼像为例,首先获取大小为22N×22N的Hadamard矩阵H(i,j)(1≤i≤22N,1≤j≤22N)。Hadamard矩阵由+1和-1组成,实际使用投影仪4时,通常用亮代表1,暗代表0,因此将Hadamard分为正负图案两部分。将H(i,j)中的-1替换成0,得到Hadamard的正图案H+(i,j);将-H(i,j)中的-1替换成0得到Hadamard的负图案H-(i,j)。则
H(i,j)=H+(i,j)-H-(i,j) (2)
正图案中的第i行H+(i,:)重排成2N×2N的矩阵得到H+ i(:,:),负图案中的第i行H-(i,:)重排成2N×2N的矩阵得到H- i(:,:),则参考光场A(x,y)中的第i帧可表示为H+ i(:,:)-H- i(:,:)。正图案投射到参考目标6上后第一桶探测器1、第二桶探测器2、第三桶探测器3测得信号为s+,负图案同理可得s-,鬼像计算所需信号s=s+-s-。
步骤2,对低采样率下的鬼成像结果进行预处理。低采样率下鬼成像图像信噪比低,不能直接用于目标三维信息的提取,所以需要对图像进行预处理。考虑到噪声在图像中多表现为尖锐的灰度变化,而该部分对其傅里叶变换的高频内容有贡献,因此降低噪声,可先获取图像的傅立叶变换,然后进行高斯低通滤波,衰减高频,再将滤波后的图像傅里叶信息做傅里叶逆变换,恢复空间域的图像,以达到除去噪声的效果,式(3)给出了滤波器的二维形式。
式(3)中u、v为图像在频率域中的坐标,D0为滤波器的截至频率。图像在频域中进行滤波,需要进行填充,为了使信号强度损失最小,选取D0的值为填充图像大小的10%。
步骤3,利用预处理过后的二维鬼像计算目标表面法向量。在这里,采用光度立体法与从阴影恢复形状的原理相结合的思想来计算目标表面法向量。光度立体法利用相同视点但由不同光照拍摄的阴影图像实现物体的三维形状,是三维成像领域的一种经典方法。根据从阴影恢复形状的思想,假设物体表现出均匀的朗伯反射率并且光源位于无穷远处。亮度的变化(辐照度方程)变成单纯的局部表面方向的函数:
I(x,y)=R(p(x,y),q(x,y)) (4)
其中R(p,q)为反射图,(p,q)=(zx,zy)是表面梯度,即深度图的导数。
根据光学原理,探测器(这里的探测器指光学领域的所有探测器,包含本发明使用的桶探测器)获得的图像灰度主要由以下因素决定:目标形状(即目标表面法向量)、目标相对于光源和探测器的位置以及探测器与光源的相对位置。形成的阴影图像中像素的强度可表示为:
其中Is表示光源的光强,α表示目标表面反照率,对于朗伯体来说是一个常数,代表物体表面指向第k个探测器的单位法向量,则代表物体表面的法向量, 可以表示为:
其中D是第一桶探测器1、第二桶探测器2、第三桶探测器3单位法矢量组成的矩阵,I是对应的图像强度的数组,I=[Iup,Ileft,Iright]T。
表面梯度(p,q)可以通过获得:
则目标表面法向量用z分量归一化的形式可表示为
步骤4,以表面法向量的稀疏性作为划分高低分辨率区域的标准进行区域划分,即法向量稀疏(平坦)区域低分辨率成像,法向量不稀疏(非平坦)区域高分辨率成像。划分区域的主要依据是局部区域是否平坦,平坦区域可以采用低分辨率成像,非平坦区域则采用高分辨率恢复,以确保保留非平坦区域细节的同时相对地减少采样数,降低数据冗余程度。目标的表面法向量包含了物体表面的平坦度信息,因此目标的平坦程度可以表示为
Gpq=|px|+|py|+|qx|+|qy| (9)
其中px,py,qx和qy分别代表和用一个3x3(像素)的窗口扫描Gpq的结果图以估计目标局部区域的平坦程度:
ν(x,y)的值越小代表(x,y)附近局部区域相对越平坦。根据目标非平坦区域的相对大小设置阈值T,使得ν(x,y)>T划分出的区域像素个数为原图像的(k=1,2,3,…),可将ν(x,y)的值按从大到小排序之后以第22N-k+1个的值作为T。划分所得到的结果以二值矩阵m(x,y)表示:
m(x,y)中值为1的区域为高分辨率区域,值为0的区域则为低分辨率区域。m(x,y)结果如图3(a)所示,其中白色区域值为1,黑色区域值为0。
步骤5,根据划分出的高分辨率区域,生成相应的基于Hadamard的测量(参考)光场。首先,实现参考光场分辨率的提升,即将低分辨率参考光场中的每个像素划分为2a×2a(a=1,2,3,…)个像素,分辨率提升22a倍,此时参考光场的分辨率为2L×2L(L=N+a,N为步骤1中所提N)。具体做法为求m(x,y)与维度为2a的单位矩阵的克罗内克(Kronecker)积,得到高分辨率下划分结果的二值矩阵M(X,Y),此过程可表示为:
M(X,Y)中值为1的部分为高分辨率区域,即需要进行高分辨率成像的区域;值为0的区域则不需要再进行高分辨率成像。
将矩阵M(X,Y)向量化后得到M(n),点(X,Y)与n的关系为
然后生成一个大小为2T×2T(T=2L-k,k为步骤4中提到的划分出的区域像素个数为原图像的中的k)Hadamard矩阵HT,则高分辨率的测量感知矩阵HL(m,n)为
矩阵HL的行号m(1≤m≤T)表示参考光场的序号,n对应参考光场上的坐标点(X,Y),n1满足:
获得高分辨率的测量感知矩阵HL(m,n),仿照步骤1中基于Hadamard矩阵H(i,j)生成参考光场的方法,分正负图案,按行取出重排,得到T帧大小为2L×2L(像素)的高分辨率参考光场。图3(b)展示了依据M(X,Y)产生的基于Hadamard的高分辨参考光场的其中三帧,可以看出只有需要进行高分辨率成像的区域(M(X,Y)中值为1的区域)的参考光场有明暗变化;而低分辨率区域(M(X,Y)中值为0的区域)为全黑,即不再对该区域进行采样。
步骤6,通过鬼成像系统获得目标不同方位的高分辨率鬼像I1 up,I1 left,I1 right。成像方法与步骤1描述方法相同,区别在于投影图案以及鬼像计算时的参考图案采用步骤5中所得的更高分辨率的基于Hadamard的参考光场。上、左、右三个方向的成像结果如图4(b)所示。
步骤7,获得分辨率自适应的二维鬼像I2 up,I2 left,I2 right,用I1 up,I1 left,I1 right中有效的高分辨率图像信息替换低采样图像中的对应区域,结果如图4(c)所示。根据区域划分信息M(x,y)找到重叠部分,对高分辨率图像做灰度调整后将其替换至相应位置。首先根据步骤5中的方法调整步骤1中获得的低分辨率图像Iup,Ileft,Iright的大小,得到对应的尺寸为2L×2L像素的图像I'up,I'left,I'right。然后调整图像灰度,灰度调整系数κi可表示为:
其中*表示数组元素对应相乘,则分辨率自适应的二维鬼像I2 i的表达式为:
I2 i=(1-M(x,y))*I'i(x,y)+κi·M(x,y)*I1 i(x,y) (17)
步骤8,进行三维重构,获得目标三维图像,根据步骤7中获得的分辨率自适应的二维鬼像I2 i,采用光度立体法恢复目标的三维形态,即根据步骤3中计算方法得到每个像素的表面梯度(p,q),即深度图的导数(zx,zy),然后利用得到的梯度图恢复目标表面各点的高度,选取目标区域中的一个像素作为起始点,设定其高度为0,然后向外拓展恢复与其相邻的四个像素的高度。由于每个像素的梯度是已知的,因此可以基于其邻近点的已知高度和像素本身的梯度来估计像素的高度。重复上述过程恢复下一个邻近像素的高度,直到获得所有像素的高度,由此获得目标的三维图像。最终由分辨率自适应的二维鬼像恢复的目标三维形态如图5所示。
Claims (8)
1.一种自适应多尺度的三维鬼成像方法,其特征在于步骤如下:
步骤1,通过鬼成像系统获得目标不同方位的低分辨率鬼像Iup、Ileft、Iright;
步骤2,对低采样率下的鬼成像结果进行预处理,即对图像进行傅立叶变换,然后进行高斯低通滤波,滤除图像高频部分,降低噪声;
步骤3,利用预处理过后的二维鬼像计算目标表面法向量;
步骤4,以表面法向量的稀疏性作为划分高低分辨率区域的标准进行区域划分,即法向量稀疏区域低分辨率成像,法向量不稀疏区域高分辨率成像;
步骤5,根据划分出的高分辨率区域,生成相应的基于Hadamard测量的参考光场;
步骤6,通过鬼成像系统获得目标不同方位的高分辨率鬼像I1 up、I1 left、I1 right;
步骤7,获得分辨率自适应的二维鬼像I2 up、I2 left、I2 right,用I1 up、I1 left、I1 right中有效的高分辨率图像信息替换低采样图像中的对应区域;
步骤8,进行三维重构,获得目标三维图像,根据步骤7中获得的分辨率自适应的二维鬼像I2 i,采用光度立体法恢复目标的三维形态。
2.根据权利要求1所述的方法,其特征在于步骤1中,运用鬼成像系统对目标进行成像,计算机预先生产一系列基于Hadamard的参考光场,使用投影仪将其逐帧投射至目标处;使用三个不同方位的桶探测器分别接收目标反射的光强;根据鬼像公式计算出目标的不同方位的二维阴影图像,图像计算公式如式(1):
Ii(x,y)=g(2)(A(x,y),si)=<A(x,y)·si>-<A(x,y)><si> (1)
其中x,y为平面坐标,i为探测器标号(i=up,left,right),I(x,y)为目标鬼像,A(x,y)为参考光场,s为桶探测器测得的信号,<…>表示平均值。
3.根据权利要求2所述的方法,其特征在于基于Hadamard的参考光场生成方法如下:以获取分辨率为2N×2N的目标鬼像为例,N=1,2,3,首先获取大小为22N×22N的Hadamard矩阵H(i,j),1≤i≤22N,1≤j≤22N,Hadamard矩阵由+1和-1组成,使用投影仪时,用亮代表1,暗代表0,因此将Hadamard分为正负图案两部分,将H(i,j)中的-1替换成0,得到Hadamard的正图案H+(i,j);将-H(i,j)中的-1替换成0得到Hadamard的负图案H-(i,j),则
H(i,j)=H+(i,j)-H-(i,j) (2)
正图案中的第i行H+(i,:)重排成2N×2N的矩阵得到H+ i(:,:),负图案中的第i行H-(i,:)重排成2N×2N的矩阵得到H- i(:,:),则参考光场A(x,y)中的第i帧可表示为H+ i(:,:)-H- i(:,:),正图案投射到目标上后三个桶探测器测得信号为s+,负图案同理可得s-,鬼像计算所需信号s=s+-s-。
4.根据权利要求1所述的方法,其特征在于步骤3中,利用预处理过后的二维鬼像计算目标表面法向量,即采用光度立体法与从阴影恢复形状的原理相结合的思想来计算目标表面法向量,假设物体表现出均匀的朗伯反射率并且光源位于无穷远处,亮度的变化变成单纯的局部表面方向的函数:
I(x,y)=R(p(x,y),q(x,y)) (4)
其中R(p,q)为反射图,(p,q)=(zx,zy)是表面梯度,即深度图的导数;
形成的阴影图像中像素的强度表示为:
其中Is表示光源的光强,α表示目标表面反照率,对于朗伯体来说是一个常数,代表物体表面指向第k个探测器的单位法向量,则代表物体表面的法向量, 表示为:
其中D是三个方位的桶探测器单位法矢量组成的矩阵,I是对应的图像强度的数组,I=[Iup,Ileft,Iright]T;
表面梯度(p,q)通过获得:
则目标表面法向量用z分量归一化的形式可表示为
5.根据权利要求1所述的方法,其特征在于步骤4中,根据目标表面法向量,划分高低分辨率区域,平坦区域采用低分辨率成像,非平坦区域则采用高分辨率恢复,目标的表面法向量包含了物体表面的平坦信息,因此目标的平坦程度表示为
Gpq=|px|+|py|+|qx|+|qy| (9)
其中px,py,qx和qy分别代表和用一个3x3的窗口扫描Gpq的结果图以估计目标局部区域的平坦程度:
根据目标非平坦区域的相对大小设置阈值T,使得ν(x,y)>T划分出的区域像素个数为原图像的k=1,2,3,将ν(x,y)的值按从大到小排序之后以第22N-k+1个的值作为T,划分所得到的结果以二值矩阵m(x,y)表示:
m(x,y)中值为1的区域为高分辨率区域,值为0的区域则为低分辨率区域。
6.根据权利要求1所述的方法,其特征在于步骤5中,根据划分出的高分辨率区域,生成相应的基于Hadamard测量的参考光场:首先,实现参考光场分辨率的提升,即将低分辨率参考光场中的每个像素划分为2a×2a个像素,a=1,2,3,…,分辨率提升22a倍,此时参考光场的分辨率为2L×2L,L=N+a,N为步骤1中所提N,具体做法为求m(x,y)与维度为2a的单位矩阵的克罗内克积,得到高分辨率下划分结果的二值矩阵M(X,Y)表示:
M(X,Y)中值为1的部分为高分辨率区域,即需要进行高分辨率成像的区域;值为0的区域则不需要再进行高分辨率成像;
将矩阵M(X,Y)向量化后得到M(n),点(X,Y)与n的关系为
然后生成一个大小为2T×2T,Hadamard矩阵HT,T=2L-k,则高分辨率的测量感知矩阵HL(m,n)为
矩阵HL的行号m表示参考光场的序号,1≤m≤T,n对应参考光场上的坐标点(X,Y),n1满足:
获得高分辨率的测量感知矩阵HL(m,n),仿照步骤1中基于Hadamard矩阵H(i,j)生成参考光场的方法,分正负图案,按行取出重排,得到T帧大小为2L×2L的高分辨率参考光场。
7.根据权利要求1所述的方法,其特征在于步骤7中,用I1 up,I1 left,I1 right中有效的高分辨率图像信息替换低采样图像中的对应区域,获得分辨率自适应的二维鬼像I2 up,I2 left,I2 right,根据区域划分信息找到重叠部分,对高分辨率图像做灰度调整后将其替换至相应位置,即首先根据步骤5中的方法调整低分辨率图像Iup,Ileft,Iright的大小,得到对应的尺寸为2L×2L像素的图像I'up,I'left,I'right,图像灰度调整系数κi表示为:
其中*表示数组元素对应相乘,则分辨率自适应的二维鬼像I2 i的表达式为:
I2 i=(1-M(x,y))*I'i(x,y)+κi·M(x,y)*I1 i(x,y)。 (17)
8.根据权利要求1所述的方法,其特征在于步骤8中,根据步骤7中获得的分辨率自适应的二维鬼像I2 i,采用光度立体法恢复目标的三维形态,即根据步骤3中计算方法得到每个像素的表面梯度(p,q),即深度图的导数(zx,zy),然后利用得到的梯度图恢复目标表面各点的高度,选取目标区域中的一个像素作为起始点,设定其高度为0,然后向外拓展恢复与其相邻的四个像素的高度;重复上述过程恢复下一个邻近像素的高度,直到获得所有像素的高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910317537.3A CN110097634B (zh) | 2019-04-19 | 2019-04-19 | 一种自适应多尺度的三维鬼成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910317537.3A CN110097634B (zh) | 2019-04-19 | 2019-04-19 | 一种自适应多尺度的三维鬼成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097634A true CN110097634A (zh) | 2019-08-06 |
CN110097634B CN110097634B (zh) | 2022-09-20 |
Family
ID=67445261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910317537.3A Active CN110097634B (zh) | 2019-04-19 | 2019-04-19 | 一种自适应多尺度的三维鬼成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097634B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110475081A (zh) * | 2019-06-28 | 2019-11-19 | 中北大学 | 一种基于透射率变化的变尺度鬼成像方法 |
CN111640063A (zh) * | 2020-05-20 | 2020-09-08 | 中国科学院国家空间科学中心 | 基于空间频域多尺度调制与重建的压缩成像系统及方法 |
CN111708176A (zh) * | 2020-03-19 | 2020-09-25 | 北京理工大学 | 一种自适应异构变分辨率鬼成像方法及系统 |
CN111736040A (zh) * | 2020-05-21 | 2020-10-02 | 南京工程学院 | 基于单像素成像系统的微弱漏电检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016637A (zh) * | 2017-03-21 | 2017-08-04 | 北京理工大学 | 一种用于提高鬼成像效率的自适应成像方法 |
CN107462932A (zh) * | 2017-08-04 | 2017-12-12 | 西安交通大学 | 一种基于光计算的可视化计算鬼成像系统及成像方法 |
CN108303039A (zh) * | 2018-01-23 | 2018-07-20 | 北京理工大学 | 一种高斯光鬼成像的光强补偿方法 |
-
2019
- 2019-04-19 CN CN201910317537.3A patent/CN110097634B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016637A (zh) * | 2017-03-21 | 2017-08-04 | 北京理工大学 | 一种用于提高鬼成像效率的自适应成像方法 |
CN107462932A (zh) * | 2017-08-04 | 2017-12-12 | 西安交通大学 | 一种基于光计算的可视化计算鬼成像系统及成像方法 |
CN108303039A (zh) * | 2018-01-23 | 2018-07-20 | 北京理工大学 | 一种高斯光鬼成像的光强补偿方法 |
Non-Patent Citations (1)
Title |
---|
张伟良等: "基于局部Hadamard调制的迭代去噪鬼成像", 《光学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110475081A (zh) * | 2019-06-28 | 2019-11-19 | 中北大学 | 一种基于透射率变化的变尺度鬼成像方法 |
CN110475081B (zh) * | 2019-06-28 | 2021-06-15 | 中北大学 | 一种基于透射率变化的变尺度鬼成像方法 |
CN111708176A (zh) * | 2020-03-19 | 2020-09-25 | 北京理工大学 | 一种自适应异构变分辨率鬼成像方法及系统 |
CN111640063A (zh) * | 2020-05-20 | 2020-09-08 | 中国科学院国家空间科学中心 | 基于空间频域多尺度调制与重建的压缩成像系统及方法 |
CN111640063B (zh) * | 2020-05-20 | 2023-03-10 | 中国科学院国家空间科学中心 | 基于空间频域多尺度调制与重建的压缩成像系统及方法 |
CN111736040A (zh) * | 2020-05-21 | 2020-10-02 | 南京工程学院 | 基于单像素成像系统的微弱漏电检测方法 |
CN111736040B (zh) * | 2020-05-21 | 2023-01-24 | 南京工程学院 | 基于单像素成像系统的微弱漏电检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110097634B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097634A (zh) | 一种自适应多尺度的三维鬼成像方法 | |
CN104077804B (zh) | 一种基于多帧视频图像构建三维人脸模型的方法 | |
Ham et al. | Computer vision based 3D reconstruction: A review | |
Bishop et al. | The light field camera: Extended depth of field, aliasing, and superresolution | |
CN104154878B (zh) | 一种使用单像素探测器的光学成像方法 | |
CN103021017B (zh) | 基于gpu加速的三维场景重建方法 | |
KR101554241B1 (ko) | 3차원 이미지에서의 결함성 픽셀 깊이 데이터 값의 깊이 맵 품질 향상을 위한 방법 | |
US9317970B2 (en) | Coupled reconstruction of hair and skin | |
CN108389226A (zh) | 一种基于卷积神经网络和双目视差的无监督深度预测方法 | |
CN105303616B (zh) | 基于单张照片的浮雕建模方法 | |
CN110264540B (zh) | 一种并行单像素成像方法 | |
CN105279789B (zh) | 一种基于图像序列的三维重建方法 | |
Luo et al. | Multi-view hair capture using orientation fields | |
CN104103089A (zh) | 一种基于图像屏幕空间的实时软阴影实现方法 | |
CN106204732A (zh) | 动态曝光的三维重建方法及系统 | |
CN101650834A (zh) | 复杂场景下人体表面三维重建方法 | |
JP2021520008A (ja) | 車両検査システムとその方法 | |
US20110175900A1 (en) | System and method for mesoscopic geometry modulation | |
CN109087348A (zh) | 一种基于自适应区域投射的单像素成像方法 | |
CN115242934A (zh) | 带有深度信息的噪声吞噬鬼成像 | |
Van Der Jeught et al. | Optimized loss function in deep learning profilometry for improved prediction performance | |
CN108615221B (zh) | 基于剪切二维极线平面图的光场角度超分辨率方法及装置 | |
Li et al. | Effective data-driven technology for efficient vision-based outdoor industrial systems | |
CN105225211A (zh) | 一种基于振动提高视频分辨率的方法 | |
JP7119023B2 (ja) | オブジェクトの3dイメージングを実施するためのシステムおよび方法 |
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 |