CN110349083A - 一种基于深度相机旋转的图像超分辨方法和装置 - Google Patents
一种基于深度相机旋转的图像超分辨方法和装置 Download PDFInfo
- Publication number
- CN110349083A CN110349083A CN201810307813.3A CN201810307813A CN110349083A CN 110349083 A CN110349083 A CN 110349083A CN 201810307813 A CN201810307813 A CN 201810307813A CN 110349083 A CN110349083 A CN 110349083A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- depth camera
- super
- low
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000015556 catabolic process Effects 0.000 claims abstract description 6
- 238000006731 degradation reaction Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000013519 translation Methods 0.000 abstract description 5
- 238000009987 spinning Methods 0.000 abstract description 3
- 239000011800 void material Substances 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度相机旋转的图像超分辨方法和装置。基于深度相机的旋转，获取低分辨率图像序列，采用图像退化模型或者卷积神经网络模型对低分辨率图像序列进行超分辨，获取超分辨率图像，即经过超分辨后分辨率得到提高的高分辨率图像；在超分辨过程中，通过旋转的方式获取低分辨率图像序列，在旋转过程中无需平移，旋转动作不交联，不产生回程误差，不易产生数据虚景，旋转的方案简单，无需设计复杂的平移装置，通过简单的旋转方式就能达到理想的超分辨效果。
Description
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种基于深度相机旋转的图像超分辨方法和装置。
背景技术
三维成像技术是通过传感器再现客观世界的过程，已经广泛的应用在遥感测绘、无人驾驶，自动化车间以及医学等各个领域。其中深度图像是一种重要的三维图像，人机交互，机器人视觉及三维景象重建等方面的应用都依赖于高质量的深度图像。
现有的三维图像获取的途径有双目视觉系统、结构光系统或者基于飞行时间(Ttime of Flight，TOF)技术的深度相机。其中双目视觉系统存在远距离成像精度低、成像需要定标点，对环境光变化敏感的缺点；结构光系统虽然三维成像精度高，成本相对较低，但是成像范围小、速度慢、数据运算量大，无法应用在室外；基于直接飞行时间技术的深度相机由于探测距离远、测距精度高、室外工作稳定的优点日益具有广阔应用前景，成为深度图像传感器中应用较多的一种。
基于深度相机的三维成像超分辨，目前的方法是通过三维图像序列解决超分辨的问题，目前常用方法是对深度相机采用横向亚像元位移，实现对图像序列采集。横向亚像元位移方案要求存在连续的细微平移，在实际应用场景很难精确实现，而且机械部件难以避免的存在回程误差等机械误差，造成了目前的亚像元位移图像超分辨效果并不十分理想。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种基于深度相机旋转的图像超分辨方法和装置。
根据本发明的一个方面，提供一种基于深度相机旋转的图像超分辨方法，包括：将深度相机旋转，基于深度相机的旋转，获取低分辨率图像序列；对低分辨率图像序列进行超分辨，获取超分辨率图像。
本发明的另一方面，提供一种基于深度相机旋转的图像超分辨装置，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行上述的方法。
本发明的又一方面，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使计算机执行上述的方法。
本发明的又一方面，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使计算机执行上述的方法。
本发明提供的一种基于深度相机旋转的图像超分辨方法和装置，通过将深度相机旋转，基于深度相机的旋转，获取低分辨率图像序列，对低分辨率图像序列进行超分辨，获取超分辨率图像，即分辨率得到提高的高分辨率图像；在超分辨融合过程中，通过旋转的方式获取低分辨率图像序列，在旋转过程中无需平移，旋转动作不交联，不会产生回程误差，不易产生数据虚景，能有效提高超分辨融合的效果，并且旋转的方案简单，无需设计复杂的平移装置位移方案，通过简单的旋转方式就能达到理想的超分辨融合效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的基于深度相机旋转的图像超分辨方法的流程图；
图2为根据本发明实施例的深度相机的拍摄及图像显示的流程图；
图3为根据本发明实施例的深度相机旋转的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的一个实施例中，参考图1，提供一种基于深度相机旋转的图像超分辨方法，包括：S11，将深度相机旋转，基于深度相机的旋转，获取低分辨率图像序列；S12，对低分辨率图像进行超分辨，获取超分辨率图像，超分辨率图像为低分辨率图像序列进行超分辨后获得的高分辨率图像。
具体的，深度相机是一种基于飞行时间(Time of Flight,TOF)技术的相机，深度相机结构由电源模块、激光器驱动模块、激光器、发射光束整形模块、接收光束整形模块、图像传感器、硬件读出电路和上位机数据显示模块组成。深度相机的拍摄及图像显示过程如图2所示，深度相机电源模块给激光器驱动模块供电，驱动激光器发出近红外光，近红外光经整形后照射到待测物体，遇待测物体后反射，将接收的反射光整形后计算光线发射和反射时间差或相位差，来换算待测物体景物的距离，以产生深度信息，再结合传统的图像传感器，就能将物体的轮廓以不同颜色代表不同距离的地形图方式呈现出来。
超分辨率(Super-Resolution)即通过硬件或软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨过程。深度相机所采集的单幅图像的分辨率往往比较低而且易受噪声干扰，通常需要将所采集的图像序列进行处理，以获得高分辨率的图像。
本实施例给深度相机增加旋转装置，通过旋转装置带动深度相机旋转，在旋转过程中拍摄三维图像序列(即多幅低分辨率图像)，然后对在旋转过程中拍摄的三维图像序列进行超分辨，以获得三维高分辨率图像；本实施例的方法也可以实现对二维低分辨率图像的超分辨，通过在旋转中拍摄二维地分辨率图像序列，然后对在旋转过程中拍摄的二维低分辨率图像序列进行超分辨，以获得二维高分辨率图像。
本实施例通过将深度相机旋转，基于深度相机的旋转，获取低分辨率图像序列，对低分辨率图像序列进行超分辨，获取超分辨率图像，即经过超分辨后分辨率得到提高的高分辨率图像；在超分辨过程中，通过旋转的方式获取低分辨率图像序列，在旋转过程中无需平移，旋转动作不交联，不会产生回程误差，不易产生数据虚景，能有效提高超分辨融合的效果，并且旋转的方案简单，无需设计复杂的平移装置位移方案，通过简单的旋转方式就能达到理想的高超分辨融合效果。
基于以上实施例，将深度相机旋转，包括：以穿过深度相机的中心的直线为旋转轴，将深度相机绕旋转轴进行旋转。
具体的，按照低分辨率图像序列的拍摄的需要，可选择某个固定方向进行旋转，该旋转轴为穿过所述深度相机的中心垂直出射面的法线；具体的实施方式如图3所示，以深度相机的中心为原点，以深度相机的镜头方向作为Z轴，以竖直向上的方向作为Y轴，以与Z轴和Y轴均垂直的方向作为X轴，通过给深度相机增加旋转装置，可实现深度相机分别沿X轴、Y轴或者Z轴旋转的一维旋转运动，也可以实现同时沿X轴、Y轴和Z轴中任意两个轴的旋转组合的二维旋转运动，还可以实现同时沿X轴、Y轴和Z轴三个轴的旋转组合的三维旋转运动。在实际的图像采集过程中，可根据图像采集的需求，选择适当的旋转方式和旋转方位，以选择旋转轴的方向并控制每次旋转角度。优选的，选择的任何旋转方式和旋转方位均以原点(即以深度相机的中心)为定点的定轴旋转，可避免平移对超分辨的影响，提高超分辨效果。
基于以上实施例，基于深度相机的旋转，获取低分辨率图像序列，包括：将深度相机调整为二维图像采集模式；获取深度相机在每次旋转后所采集到的二维低分辨率图像，将获取的多幅二维低分辨率图像组成低分辨率图像序列。
具体的，将深度相机调整为二维图像采集模式后，按预设的旋转规则使深度相机旋转，每旋转预设角度，采集一幅二维低分辨率图像，以获得多幅二维低分辨率图像，并组成低分辨率图像序列。
基于以上实施例，对低分辨率图像序列进行超分辨，获取超分辨率图像，包括：将获取的多幅二维低分辨率图像输入到已训练的卷积神经网络模型，输出二维超分辨率图像。
具体的，将预先拍摄的二维低分辨率图像序列和二维高分辨率图像作为训练样本，对该卷积神经网络模型进行训练，获得已训练的卷积神经网络模型；然后将多幅二维低分辨率图像输入到已训练的神经网络模型，输出二维超分辨率图像，即经超分辨后分辨率得到提高的二维高分辨率图像。
基于以上实施例，基于深度相机的旋转，获取低分辨率图像序列，包括：将深度相机调整为三维图像采集模式；获取深度相机在每次旋转后所采集到的三维低分辨率图像，将获取的多幅三维低分辨率图像组成低分辨率图像序列。
具体的，将深度相机调整为三维图像采集模式后，按预设的旋转规则使深度相机旋转，每旋转预设角度，采集一幅三维低分辨率图像，以获得多幅三维低分辨率图像，将获得的多幅三维低分辨率图像组成低分辨率图像序列。
基于以上实施例，对低分辨率图像序列进行超分辨，获取超分辨率图像，包括：
将获取的多幅低分辨率图像输入到图像退化模型，输出三维高分辨率图像，图像退化模型为：
yk＝DWkFxX+ηk，1＜k＜n；
其中，y1、y2、…、yn为三维低分辨率图像阵列，n为序列图像的数量，D为采样矩阵，Wk为运动矩阵，Fx为模糊矩阵，X为三维高分辨率图像，ηk为噪声矩阵。
超分辨过程的一个解法如下：
X＝min:||Y-AWkBkX||p+λR(X)；
其中，第一项||Y-DWkBkX||p为保真项，Y是三维低分辨率图像，A是采样矩阵，Wk是旋转运动矩阵，Bk是模糊矩阵，X是三维高分辨率图像，p为范数；λR(X)是正则项，λ为正则因子。
第一项||Y-DWkBkX||p为保真项，它是为了使观测数据与图像退化模型靠近，第二项λR(X)为正则项，它是基于真实图像的固有性质而得到的先验知识的数学刻画。该正则项的作用是：1)保证解的唯一性；2)保证解的稳定性；3)保证解的正确性。这两项是正则化模型最重要的，缺一不可。基于此模型框架，进行三维图像超分辨求解。
作为本发明的又一实施例，提供一种基于深度相机旋转的图像超分辨装置，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行上述各方法实施例所提供的方法，例如包括：将深度相机旋转，基于深度相机的旋转，获取低分辨率图像序列；对低分辨率图像序列进行超分辨，获取高分辨率图像。
作为本发明的又一个实施例，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：将深度相机旋转，基于深度相机的旋转，获取低分辨率图像序列；对低分辨率图像序列进行超分辨，获取高分辨率图像。
作为本发明的又一个实施例，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使该计算机执行上述各方法实施例所提供的方法，例如包括：将深度相机旋转，基于深度相机的旋转，获取低分辨率图像序列；对低分辨率图像序列进行超分辨，获取高分辨率图像。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成，前述的计算机程序可以存储于计算机可读取存储介质中，该计算机程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度相机旋转的图像超分辨方法，其特征在于，包括：
将深度相机旋转，基于所述深度相机的旋转，获取低分辨率图像序列；
对所述低分辨率图像序列进行超分辨，获取超分辨率图像，所述超分辨率图像为所述低分辨率图像序列进行超分辨后获得的高分辨率图像。
2.根据权利要求1所述的方法，其特征在于，所述将深度相机旋转，包括：
以穿过所述深度相机的中心的直线为旋转轴，将所述深度相机绕所述旋转轴进行旋转。
3.根据权利要求1所述的方法，其特征在于，所述基于所述深度相机的旋转，获取低分辨率图像序列，包括：
将所述深度相机调整为二维图像采集模式；
获取所述深度相机在每次旋转后所采集到的二维低分辨率图像，将获取的多幅二维低分辨率图像组成所述低分辨率图像序列。
4.根据权利要求3所述的方法，其特征在于，所述对所述低分辨率图像序列进行超分辨，获取超分辨率图像，包括：
将获取的多幅二维低分辨率图像输入到已训练的卷积神经网络模型，输出二维超分辨率图像。
5.根据权利要求1所述的方法，其特征在于，所述基于所述深度相机的旋转，获取低分辨率图像序列，包括：
将所述深度相机调整为三维图像采集模式；
获取所述深度相机在每次旋转后所采集到的三维低分辨率图像，将获取的多幅三维低分辨率图像组成所述低分辨率图像序列。
6.根据权利要求5所述的方法，其特征在于，所述对所述低分辨率图像序列进行超分辨，获取超分辨率图像，包括：
将获取的多幅三维低分辨率图像输入到图像退化模型，输出三维高分辨率图像，所述图像退化模型为：
yk＝DWkFxX+ηk，1＜k＜n；
其中，y1、y2、…、yn为三维低分辨率图像阵列，n为序列图像的数量，D为采样矩阵，Wk为运动矩阵，Fx为模糊矩阵，X为三维高分辨率图像，ηk为噪声矩阵。
7.一种基于深度相机旋转的图像超分辨装置，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1至6任一所述的方法。
8.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810307813.3A CN110349083A (zh) | 2018-04-08 | 2018-04-08 | 一种基于深度相机旋转的图像超分辨方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810307813.3A CN110349083A (zh) | 2018-04-08 | 2018-04-08 | 一种基于深度相机旋转的图像超分辨方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349083A true CN110349083A (zh) | 2019-10-18 |
Family
ID=68173424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810307813.3A Pending CN110349083A (zh) | 2018-04-08 | 2018-04-08 | 一种基于深度相机旋转的图像超分辨方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110349083A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815513A (zh) * | 2020-06-09 | 2020-10-23 | 四川虹美智能科技有限公司 | 红外图像采集方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101217625A (zh) * | 2008-01-11 | 2008-07-09 | 清华大学 | 超分辨率成像的装置及方法 |
| CN101556696A (zh) * | 2009-05-14 | 2009-10-14 | 浙江大学 | 基于阵列摄像机的深度图实时获取算法 |
| CN103810685A (zh) * | 2014-02-25 | 2014-05-21 | 清华大学深圳研究生院 | 一种深度图的超分辨率处理方法 |
| US20140320604A1 (en) * | 2013-04-24 | 2014-10-30 | Nvidia Corporation | Reusing a standalone camera as part of a three-dimensional (3d) camera in a data processing device |
| CN104937943A (zh) * | 2012-11-01 | 2015-09-23 | 微软技术许可有限责任公司 | 视频数据 |
| CN104935909A (zh) * | 2015-05-14 | 2015-09-23 | 清华大学深圳研究生院 | 一种基于深度信息的多幅图超分辨方法 |
| CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
| CN107358576A (zh) * | 2017-06-24 | 2017-11-17 | 天津大学 | 基于卷积神经网络的深度图超分辨率重建方法 |
-
2018
- 2018-04-08 CN CN201810307813.3A patent/CN110349083A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101217625A (zh) * | 2008-01-11 | 2008-07-09 | 清华大学 | 超分辨率成像的装置及方法 |
| CN101556696A (zh) * | 2009-05-14 | 2009-10-14 | 浙江大学 | 基于阵列摄像机的深度图实时获取算法 |
| CN104937943A (zh) * | 2012-11-01 | 2015-09-23 | 微软技术许可有限责任公司 | 视频数据 |
| US20140320604A1 (en) * | 2013-04-24 | 2014-10-30 | Nvidia Corporation | Reusing a standalone camera as part of a three-dimensional (3d) camera in a data processing device |
| CN103810685A (zh) * | 2014-02-25 | 2014-05-21 | 清华大学深圳研究生院 | 一种深度图的超分辨率处理方法 |
| CN104935909A (zh) * | 2015-05-14 | 2015-09-23 | 清华大学深圳研究生院 | 一种基于深度信息的多幅图超分辨方法 |
| CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
| CN107358576A (zh) * | 2017-06-24 | 2017-11-17 | 天津大学 | 基于卷积神经网络的深度图超分辨率重建方法 |
Non-Patent Citations (5)
| Title |
|---|
| 孙旭 等: "基于深度学习的图像超分辨率复原研究进展", 《自动化学报》 * |
| 李诗锐 等: "基于Kinect v2的实时精确三维重建系统", 《软件学报》 * |
| 王涛 等: "基于TOF相机的机械部件快速重建与测量方法", 《设备管理与维修》 * |
| 肖亮 等: "《基于图像先验建模的超分辨增强理论与算法变分PDE、稀疏正则化与贝叶斯方法》", 31 July 2017, 国防工业出版社 * |
| 董文菁: "《基于TOF深度图的超分辨率重建算法》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815513A (zh) * | 2020-06-09 | 2020-10-23 | 四川虹美智能科技有限公司 | 红外图像采集方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106683068B (zh) | 一种三维数字化图像采集方法 | |
| CN107705333B (zh) | 基于双目相机的空间定位方法及装置 | |
| CN109544679A (zh) | 管道内壁的三维重建方法 | |
| CN104537707B (zh) | 像方型立体视觉在线移动实时测量系统 | |
| RU2734018C2 (ru) | Способ и устройство для формирования данных, представляющих световое поле | |
| CN110728715A (zh) | 一种智能巡检机器人像机角度自适应调整方法 | |
| CN107817503A (zh) | 应用于激光点云数据的运动补偿方法和装置 | |
| CN108020827A (zh) | 移动成像平台校准 | |
| WO2016115203A1 (en) | Circular scanning technique for large area inspection | |
| RU2734115C2 (ru) | Способ и устройство для генерирования данных, характеризующих пиксельный пучок | |
| CN110648274B (zh) | 鱼眼图像的生成方法及装置 | |
| CN108648147A (zh) | 一种人眼视网膜机理的超分辨率图像获取方法及系统 | |
| CN105758623A (zh) | 一种基于tdi-ccd的大口径长焦距遥感相机畸变测量装置及方法 | |
| WO2020221443A1 (en) | Scale-aware monocular localization and mapping | |
| CN115294313A (zh) | 基于3d-2d多模态融合的密集真彩点云数据采集方法及装置 | |
| Yu et al. | Multiperspective modeling, rendering, and imaging | |
| CN110349083A (zh) | 一种基于深度相机旋转的图像超分辨方法和装置 | |
| CN113256800B (zh) | 基于深度学习的精确快速大景深三维重建方法 | |
| CN108986204B (zh) | 一种基于双重校准的全自动快速室内场景三维重建装置 | |
| CN113643382A (zh) | 一种基于旋转激光融合相机的稠密着色点云获取方法及装置 | |
| CN113838116A (zh) | 确定目标视图的方法、装置、电子设备及存储介质 | |
| CN111583388A (zh) | 一种三维扫描系统的扫描方法及设备 | |
| CN105427302B (zh) | 一种基于移动稀疏相机采集阵列的三维采集及重建系统 | |
| JPH1097642A (ja) | 画像処理方法及び装置及び記憶媒体 | |
| CN106934861B (zh) | 物体三维重建方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |