CN111006612B - 三维成像方法、装置、计算机设备和可读存储介质 - Google Patents
三维成像方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111006612B CN111006612B CN201911330654.XA CN201911330654A CN111006612B CN 111006612 B CN111006612 B CN 111006612B CN 201911330654 A CN201911330654 A CN 201911330654A CN 111006612 B CN111006612 B CN 111006612B
- Authority
- CN
- China
- Prior art keywords
- training
- processed
- correction
- fringe
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
- G01B11/254—Projection of a pattern, viewing through a pattern, e.g. moiré
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种三维成像方法、装置、计算机设备和可读存储介质,涉及三维成像技术领域。该方法包括:获取待处理条纹图像;根据待处理条纹图像,计算得到待处理截断相位图,其中,待处理截断相位图包括无效待处理位置点;根据预先训练的校正网络除去待处理截断相位图的无效待处理位置点,计算得到目标连续相位图;根据目标连续相位图,得到目标三维面形信息,能够准确地完成三维成像。
Description
技术领域
本申请涉及三维成像技术领域,具体而言,涉及一种三维成像方法、装置、计算机设备和可读存储介质。
背景技术
在结构光成像的技术中,大多采用投影条纹结构光的方式来获取目标物体的三维面形信息,而在处理过程中,由于各种外界因素,在由采集条纹图像到最终生成的三维面形信息的过程中存在着大量误差。又由于对条纹图像进行相位展开处理时对展开路径有相关性,当展开路径上任一个像素点的相位值出现误差,接下来的展开路径上的其他点的相位值都不能够正确的被使用,继而导致生成的三维结果并不准确。而在现有技术中,缺乏检测相位值存在误差的像素点的有效方法,实际应用中,需要结合经验和人工调整参数的方式来保证计算的准确性,操作起来存在困难。
有鉴于此,如何提供一种更为准确的三维成像方案,是本领域技术人员需要解决的。
发明内容
本申请实施例提供了一种三维成像方法、装置、计算机设备和可读存储介质。
本申请的实施例可以这样实现:
第一方面,实施例提供一种三维成像方法,所述方法包括:
获取待处理条纹图像;
根据所述待处理条纹图像,计算得到待处理截断相位图,其中,所述待处理截断相位图包括无效待处理位置点;
根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图;
根据所述目标连续相位图,得到目标三维面形信息。
在可选的实施方式中,所述方法还包括训练所述预先训练的校正网络的步骤,该步骤包括:
获得多个训练校正模板图像和多个训练合成图像;
将多个所述训练校正模板图像和训练合成图像输入预先构建的校正网络,对所述校正网络进行训练,得到训练后的校正网络。
在可选的实施方式中,所述获得多个训练校正模板图像和多个训练合成图像的步骤,包括:
获取多个训练条纹图像组;
根据每个所述训练条纹图像组,通过三维成像生成训练深度图,并根据所述训练深度图构建所述训练校正模板图像;
根据每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图;
将所述平均条纹图、调制度图和截断相位图合成得到所述训练条纹图像组对应的训练合成图像。
在可选的实施方式中,所述训练深度图由有效位置点和无效位置点构成,所述根据所述训练深度图构建所述训练校正模板图像的步骤,包括:
根据所述有效位置点,获得赋值为1的校正位置点;
根据所述无效位置点,获得赋值为0的校正位置点;
根据所述有效位置点和无效位置点的位置关系,对应设置所述赋值为1的校正位置点和赋值为0的校正位置点的位置关系,以根据所述赋值为1的校正位置点和赋值为0的校正位置点构建所述训练校正模板图像。
在可选的实施方式中,所述根据每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图的步骤,包括:
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
计算得到平均条纹图,其中,N为相移次数,In为第n次相移时采集的训练条纹图像;
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
计算得到调制度图,其中,M(i,j)为像素坐标(i,j)处的调制度值,N为相移次数;
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
在可选的实施方式中,所述将所述平均条纹图、调制度图和截断相位图合成得到所述训练条纹图像组对应的训练合成图像的步骤,包括:
将所述平均条纹图、调制度图和截断相位图分别作为红色信息通道、绿色信息通道和蓝色信息通道,以合成所述训练合成图像。
在可选的实施方式中,所述待处理截断相位图还包括有效待处理位置点;
所述根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图的步骤,包括:
根据所述预先训练的校正网络,为所述有效待处理位置点增加第一校正系数,为所述无效待处理位置点增加第二校正系数,以使所述目标连续相位图除去所述无效待处理位置点,并仅根据所述有效待处理位置点计算得到所述目标连续相位图。
第二方面,实施例提供一种三维成像装置,所述装置包括:
获取模块,用于获取待处理条纹图像;
计算模块,用于根据所述待处理条纹图像,计算得到待处理截断相位图;
校正模块,用于根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图;
成像模块,用于根据所述目标连续相位图,得到目标三维面形信息。
第三方面,实施例提供一种计算机设备,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行前述实施方式中任意一项所述的三维成像方法。
第四方面,实施例提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述实施方式中任意一项所述的三维成像方法。
本申请实施例的有益效果包括,例如:
采用本申请实施例提供的三维成像方法、装置、计算机设备和可读存储介质,通过获取的待处理条纹图像计算得到待处理截断相位图,再由预先训练的校正网络巧妙地将待处理截断相位图中的无效待处理位置点除去,进而计算得到目标连续相位图,最终通过目标连续相位图获取目标三维面形信息,能够准确地实现三维成像。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种三维成像的场景示意图;
图2为本申请实施例提供的一种三维成像方法的步骤流程示意图;
图3为本申请实施例提供的一种待处理相位截断图;
图4为本申请实施例提供的一种训练校正模板图像;
图5为本申请实施例提供的一种训练合成图像;
图6为本申请实施例提供的一种三维成像装置的结构示意框图;
图7为本申请实施例提供的一种计算机设备的结构示意框图。
图标:100-计算机设备;110-三维成像装置;1101-获取模块;1102-计算模块;1103-校正模块;1104-成像模块;1105-训练模块;111-存储器;112-处理器;113-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
目前,结构光三维成像(Structured light 3D imaging)技术中,常采用投影条纹结构光的方法来获取物体三维面形信息。如图1所示,其原理是:采用投影装置(StructuredLight Projector)将一组、两组或多组条纹图案投影到物体表面,用相机(Camera)从与投影装置所在方位不同的另一方位采集物体表面图像;采集到的图像中有投影条纹,称为条纹图像。对条纹图像进行截断相位(wrapped phase)计算、相位展开(phase unwrapping)计算后,结合系统参数,再计算出深度图(depth map)和物体三维面型信息。然而,在实际应用中,由于各种原因,截断相位图中局部区域的相位值是错误的。而相位展开过程是按路径逐点进行的,展开路径中如果有错误点,该点的相位值误差会随后续的展开路径扩散到相邻点,并且误差会累积,使得相位展开结束得到的连续相位图中出现数量更多的相位值错误点。连续相位图中相位值错误的位置点数量越多,物体三维面形信息的准确性越低。基于此,本申请实施例提供了一种三维成像方法,如图2所示,该方法包括步骤S201至步骤S204。
步骤S201,获取待处理条纹图像。
步骤S202,根据所述待处理条纹图像,计算得到待处理截断相位图,其中,所述待处理截断相位图包括无效待处理位置点。
步骤S203,根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图。
步骤S204,根据所述目标连续相位图,得到目标三维面形信息。
在由相机采集到待处理条纹图像后,可以对两幅待处理条纹图像分别依次进行傅里叶变换、频谱滤波、逆傅里叶变换后,得到两个二维复数矩阵,再从复数矩阵的相位(phase)计算得到待处理截断相位图,如图3所示。在本申请实施例的其他实施方式中,也可以根据多幅待处理条纹图像和投影时的相移信息(phase shift),计算得出待处理截断相位图。
而在由待处理截断相位图经过相位展开得到目标连续相位图的过程中,由于以下一种或多种因素,截断相位图中局部区域的相位值是错误的:条纹对比度低,条纹调制度低,相移误差,图像运动模糊,条纹图案投影离焦,条纹图案的成像离焦,采集图像中存在较大的噪声,物体表面起伏导致的投影阴影,物体表面起伏导致的成像阴影和物体表面局部存在较大的面形状变化导致条纹断开。上述相位值错误的点,即为无效待处理位置点。
在前述基础上,本申请实施例提供一张训练所述预先训练的校正网络的示例,可以通过以下步骤实现。
获得多个训练校正模板图像和多个训练合成图像。
将多个所述训练校正模板图像和训练合成图像输入预先构建的校正网络,对所述校正网络进行训练,得到训练后的校正网络。
在本实施例中,可以采用监督学习的方法对深度神经网络进行训练得到训练后的校正网络,通过训练后的校正网络,能够将待处理截断相位图中的无效待处理位置点除去。
在前述基础上,本申请实施例提供一种获得多个训练校正模板图像和多个训练合成图像的示例,可以通过以下步骤实现。
获取多个训练条纹图像组。
根据每个所述训练条纹图像组,通过三维成像生成训练深度图,并根据所述训练深度图构建所述训练校正模板图像。
根据每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图。
将所述平均条纹图、调制度图和截断相位图合成得到所述训练条纹图像组对应的训练合成图像。
应当理解的是,由每个所述训练条纹图像组,通过三维成像生成训练深度图的过程,就是一次正常的三维成像的过程,每个训练条纹图像组可以是经过筛选的多个条纹图像组成,根据每个所述训练条纹图像组,通过三维成像生成训练深度图的不可靠位置点(相当于前述无效待处理位置点)较少,而训练深度图作为校正网络的训练校正模板图像来源,还需要进一步地对训练深度图的不可靠位置点进行处理,步骤可以为双边滤波、中值滤波、局部深度值变化异常检查。从深度图中将不可靠位置点去除后,得到正确深度图。在处理过后,训练深度图中深度值可靠的位置点,可以将其深度值设置为1,深度值不可靠的位置点,可以将其深度值设置为0。而在根据训练深度图构建所述训练校正模板图像后,可以将对应的训练条纹图像组和训练校正模板图像进行编号,以方便后续训练校正网络时使用。
在此基础上,所述训练深度图由有效位置点和无效位置点构成,本申请实施例提供一种根据所述训练深度图构建所述训练校正模板图像的示例,可以通过以下步骤实现。
根据所述有效位置点,获得赋值为1的校正位置点。
根据所述无效位置点,获得赋值为0的校正位置点。
根据所述有效位置点和无效位置点的位置关系,对应设置所述赋值为1的校正位置点和赋值为0的校正位置点的位置关系,以根据所述赋值为1的校正位置点和赋值为0的校正位置点构建所述训练校正模板图像。
经过前述对训练深度图的处理,训练深度图可以仅由有效位置点和无效位置点构成,可以根据训练深度图生成一个与训练深度图大小一致的训练校正模板图像,在训练深度图中的有效位置点与训练校正模板图像中赋值为1的校正位置点一一对应,而在训练深度图中的无效位置点与训练校正模板图像中赋值为0的校正位置点一一对应,如图4所示。通过上述操作,边能够得到一个“mask”,即训练校正模板图像。
在前述基础上,本申请实施例提供一种根据每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图的示例,可以通过以下步骤实现。
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
计算得到平均条纹图,其中,N为相移次数,In为第n次相移时采集的训练条纹图像;
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
计算得到调制度图,其中,M(i,j)为像素坐标(i,j)处的调制度值,N为相移次数;
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
在此基础上,本申请实施例提供一种所将所述平均条纹图、调制度图和截断相位图合成得到所述训练条纹图像组对应的训练合成图像的示例,可以通过以下步骤实现。
将所述平均条纹图、调制度图和截断相位图分别作为红色信息通道、绿色信息通道和蓝色信息通道,以合成所述训练合成图像。
在通过每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图后,可以将平均条纹图、调制度图和截断相位图分别作为一个通道(channel),生成一幅训练合成图像,如图5所示。其中训练合成图像中每个位置点的红色信息(red)、绿色信息(green)、蓝色信息(blue),分别对应平均条纹图、调制度图、截断相位图中相同位置点处的信息。这里的对应关系不限制为红色信息一定对应平均条纹图。其他可以使用的对应关系有:红色信息对应平均条纹图、绿色对应截断相位图、蓝色对应调制度图;红色信息对应调制度图、绿色对应平均条纹图、蓝色对应截断相位图;红色信息对应调制度图、绿色对应截断相位图、蓝色对应平均条纹图;红色信息对应截断相位图、绿色对应调制度图、蓝色对应平均条纹图;红色信息对应截断相位图、绿色对应平均条纹图、蓝色对应调制度图。
在得到训练合成图像和训练校正模板图像后,便可将训练合成图像和训练校正模板图像后输入至预先构建的校正网络中进行训练,得到训练后的校正网络。
在此基础上,所述待处理截断相位图还包括有效待处理位置点;
本申请实施例提供一种根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图的示例,可以通过以下步骤实现。
根据所述预先训练的校正网络,为所述有效待处理位置点增加第一校正系数,为所述无效待处理位置点增加第二校正系数,以使所述目标连续相位图除去所述无效待处理位置点,并仅根据所述有效待处理位置点计算得到所述目标连续相位图。
在经过前述方案训练得到训练后的校正网络后,在将待处理截断相位图进行相位展开得到目标连续相位图的过程中,无需人工干预检测,便能够将待处理截断相位图中的无效待处理位置点除去(即为所述无效待处理位置点增加第二校正系数0),同时保留待处理截断相位图中的有效待处理位置点(即为所述有效待处理位置点增加第一校正系数1),只采用可靠的有效待处理位置点参与相位展开,能够保证得到准确的目标连续相位图,进而能够得到准确的目标三维面形信息,完成三维成像。
本申请实施例提供一种三维成像装置110,如图6所示,所述装置包括:
获取模块1101,用于获取待处理条纹图像。
计算模块1102,用于根据所述待处理条纹图像,计算得到待处理截断相位图。
校正模块1103,用于根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图。
成像模块1104,用于根据所述目标连续相位图,得到目标三维面形信息。
进一步地,所述装置还包括训练模块1105,所述训练模块1105用于:
获得多个训练校正模板图像和多个训练合成图像;将多个所述训练校正模板图像和训练合成图像输入预先构建的校正网络,对所述校正网络进行训练,得到训练后的校正网络。
进一步地,所述训练模块1105具体用于:
获取多个训练条纹图像组;根据每个所述训练条纹图像组,通过三维成像生成训练深度图,并根据所述训练深度图构建所述训练校正模板图像;根据每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图;将所述平均条纹图、调制度图和截断相位图合成得到所述训练条纹图像组对应的训练合成图像。
进一步地,所述训练深度图由有效位置点和无效位置点构成,所述训练模块1105进一步具体用于:
根据所述有效位置点,获得赋值为1的校正位置点;根据所述无效位置点,获得赋值为0的校正位置点;根据所述有效位置点和无效位置点的位置关系,对应设置所述赋值为1的校正位置点和赋值为0的校正位置点的位置关系,以根据所述赋值为1的校正位置点和赋值为0的校正位置点构建所述训练校正模板图像。
进一步地,所述训练模块1105进一步具体用于:
将所述平均条纹图、调制度图和截断相位图分别作为红色信息通道、绿色信息通道和蓝色信息通道,以合成所述训练合成图像。
进一步地,所述待处理截断相位图还包括有效待处理位置点;
所述计算模块1102具体用于:
根据所述预先训练的校正网络,为所述有效待处理位置点增加第一校正系数,为所述无效待处理位置点增加第二校正系数,以使所述目标连续相位图除去所述无效待处理位置点,并仅根据所述有效待处理位置点计算得到所述目标连续相位图。
本申请实施例提供一种计算机设备100,所述计算机设备100包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备100执行前述的三维成像方法。如图7所示,图7为本申请实施例提供的计算机设备100的结构框图。所述计算机设备100包括三维成像装置110、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述三维成像装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述计算机设备100的操作系统(operating system,OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块,例如所述三维成像装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
本申请实施例提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述的三维成像方法。
综上所述,本申请实施例提供了一种三维成像方法、装置、计算机设备和可读存储介质,通过获取的待处理条纹图像计算得到待处理截断相位图,再由预先训练的校正网络巧妙地将待处理截断相位图中的无效待处理位置点除去,进而计算得到目标连续相位图,最终通过目标连续相位图获取目标三维面形信息,能够准确地实现三维成像。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种三维成像方法,其特征在于,所述方法包括:
获取待处理条纹图像;
根据所述待处理条纹图像,计算得到待处理截断相位图,其中,所述待处理截断相位图包括无效待处理位置点;
根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图;
根据所述目标连续相位图,得到目标三维面形信息;
所述方法还包括训练所述预先训练的校正网络的步骤,该步骤包括:
获得多个训练校正模板图像和多个训练合成图像;
将多个所述训练校正模板图像和训练合成图像输入预先构建的校正网络,对所述校正网络进行训练,得到训练后的校正网络。
2.根据权利要求1所述的方法,其特征在于,所述获得多个训练校正模板图像和多个训练合成图像的步骤,包括:
获取多个训练条纹图像组;
根据每个所述训练条纹图像组,通过三维成像生成训练深度图,并根据所述训练深度图构建所述训练校正模板图像;
根据每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图;
将所述平均条纹图、调制度图和截断相位图合成得到所述训练条纹图像组对应的训练合成图像。
3.根据权利要求2所述的方法,其特征在于,所述训练深度图由有效位置点和无效位置点构成,所述根据所述训练深度图构建所述训练校正模板图像的步骤,包括:
根据所述有效位置点,获得赋值为1的校正位置点;
根据所述无效位置点,获得赋值为0的校正位置点;
根据所述有效位置点和无效位置点的位置关系,对应设置所述赋值为1的校正位置点和赋值为0的校正位置点的位置关系,以根据所述赋值为1的校正位置点和赋值为0的校正位置点构建所述训练校正模板图像。
4.根据权利要求2所述的方法,其特征在于,所述根据每个所述训练条纹图像组,计算得到该训练条纹图像组对应的平均条纹图、调制度图和截断相位图的步骤,包括:
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
计算得到平均条纹图,其中,N为相移次数,Im为第n次相移时采集的训练条纹图像;
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
计算得到调制度图,其中,N(i,j)为像素坐标(i,j)处的调制度值,N为相移次数;
根据每个所述训练条纹图像组的所述训练条纹图像、像素坐标和相移次数,通过以下公式:
5.根据权利要求2所述的方法,其特征在于,所述将所述平均条纹图、调制度图和截断相位图合成得到所述训练条纹图像组对应的训练合成图像的步骤,包括:
将所述平均条纹图、调制度图和截断相位图分别作为红色信息通道、绿色信息通道和蓝色信息通道,以合成所述训练合成图像。
6.根据权利要求1所述的方法,其特征在于,所述待处理截断相位图还包括有效待处理位置点;
所述根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图的步骤,包括:
根据所述预先训练的校正网络,为所述有效待处理位置点增加第一校正系数,为所述无效待处理位置点增加第二校正系数,以使所述目标连续相位图除去所述无效待处理位置点,并仅根据所述有效待处理位置点计算得到所述目标连续相位图。
7.一种三维成像装置,其特征在于,所述装置包括:
获取模块,用于获取待处理条纹图像;
计算模块,用于根据所述待处理条纹图像,计算得到待处理截断相位图;
校正模块,用于根据预先训练的校正网络除去所述待处理截断相位图的无效待处理位置点,计算得到目标连续相位图;
成像模块,用于根据所述目标连续相位图,得到目标三维面形信息;
所述装置还包括训练模块,用于获得多个训练校正模板图像和多个训练合成图像;将多个所述训练校正模板图像和训练合成图像输入预先构建的校正网络,对所述校正网络进行训练,得到训练后的校正网络。
8.一种计算机设备,其特征在于,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行权利要求1-6中任意一项所述的三维成像方法。
9.一种可读存储介质,其特征在于,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-6中任意一项所述的三维成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330654.XA CN111006612B (zh) | 2019-12-20 | 2019-12-20 | 三维成像方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330654.XA CN111006612B (zh) | 2019-12-20 | 2019-12-20 | 三维成像方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111006612A CN111006612A (zh) | 2020-04-14 |
CN111006612B true CN111006612B (zh) | 2021-01-01 |
Family
ID=70117516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911330654.XA Active CN111006612B (zh) | 2019-12-20 | 2019-12-20 | 三维成像方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111006612B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111998799B (zh) * | 2020-08-20 | 2021-07-06 | 四川大学 | 一种多频投影三维面形测量的运动区域检测方法及系统 |
CN113029042B (zh) * | 2021-05-25 | 2021-08-03 | 四川大学 | 一种高温熔融态金属表面形貌动态测量装置及方法 |
CN114399599A (zh) * | 2022-01-18 | 2022-04-26 | 四川大学 | 三维成像方法、装置、电子设备及计算机可读存储介质 |
CN114694137B (zh) * | 2022-04-18 | 2023-10-03 | 四川大学 | 图像检测方法,三维成像方法及设备 |
CN116105632B (zh) * | 2023-04-12 | 2023-06-23 | 四川大学 | 一种结构光三维成像的自监督相位展开方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103697834A (zh) * | 2013-12-26 | 2014-04-02 | 南京理工大学 | 实时光学三维测量中动态场景无效点的自动识别与排除方法 |
CN103925889A (zh) * | 2014-03-31 | 2014-07-16 | 西北工业大学 | 一种基于最小二乘法的高光物体表面相位快速恢复方法 |
CN205280002U (zh) * | 2015-06-01 | 2016-06-01 | 华南师范大学 | 一种基于分通道测量提取技术的三维测量装置 |
CN105844623A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 基于De序列混合编码的目标物体深度信息获取方法 |
CN107367245A (zh) * | 2017-08-22 | 2017-11-21 | 西安交通大学 | 光学三维轮廓测量中的无效点探测与剔除方法 |
CN107421467A (zh) * | 2017-07-17 | 2017-12-01 | 苏州优纳科技有限公司 | 结构光三维测量方法及系统 |
CN109253708A (zh) * | 2018-09-29 | 2019-01-22 | 南京理工大学 | 一种基于深度学习的条纹投影时间相位展开方法 |
CN110500957A (zh) * | 2019-09-10 | 2019-11-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种主动三维成像方法、装置、设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120113229A1 (en) * | 2010-06-24 | 2012-05-10 | University Of Kentucky Research Foundation (Ukrf) | Rotate and Hold and Scan (RAHAS) Structured Light Illumination Pattern Encoding and Decoding |
-
2019
- 2019-12-20 CN CN201911330654.XA patent/CN111006612B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103697834A (zh) * | 2013-12-26 | 2014-04-02 | 南京理工大学 | 实时光学三维测量中动态场景无效点的自动识别与排除方法 |
CN103925889A (zh) * | 2014-03-31 | 2014-07-16 | 西北工业大学 | 一种基于最小二乘法的高光物体表面相位快速恢复方法 |
CN205280002U (zh) * | 2015-06-01 | 2016-06-01 | 华南师范大学 | 一种基于分通道测量提取技术的三维测量装置 |
CN105844623A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 基于De序列混合编码的目标物体深度信息获取方法 |
CN107421467A (zh) * | 2017-07-17 | 2017-12-01 | 苏州优纳科技有限公司 | 结构光三维测量方法及系统 |
CN107367245A (zh) * | 2017-08-22 | 2017-11-21 | 西安交通大学 | 光学三维轮廓测量中的无效点探测与剔除方法 |
CN109253708A (zh) * | 2018-09-29 | 2019-01-22 | 南京理工大学 | 一种基于深度学习的条纹投影时间相位展开方法 |
CN110500957A (zh) * | 2019-09-10 | 2019-11-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种主动三维成像方法、装置、设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
Direction-determined phase unwrapping using geometric constraint of the structured light system: The establishment of minimum phase map;Huaxia Deng;《Optics Communications》;20171201;全文 * |
几种时间相位展开方法的比较;《四川大学学报(自然科学版)》;《四川大学学报(自然科学版)》;20160131;摘要、第111页第1栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN111006612A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111006612B (zh) | 三维成像方法、装置、计算机设备和可读存储介质 | |
CN108225216B (zh) | 结构光系统标定方法及装置、结构光系统及移动设备 | |
US9418291B2 (en) | Information processing apparatus, information processing method, and computer-readable storage medium | |
US9384585B2 (en) | 3-dimensional shape reconstruction device using depth image and color image and the method | |
US9605961B2 (en) | Information processing apparatus that performs three-dimensional shape measurement, information processing method, and storage medium | |
CN109945802B (zh) | 一种结构光三维测量方法 | |
EP3622481B1 (en) | Method and system for calibrating a velocimetry system | |
JP6598673B2 (ja) | データ処理装置およびその方法 | |
CN107730554B (zh) | 面阵结构光成像系统的标定方法和装置 | |
CN108122280A (zh) | 一种三维点云的重建方法及装置 | |
CN105306922A (zh) | 一种深度相机参考图的获取方法和装置 | |
US9217636B2 (en) | Information processing apparatus, information processing method, and a computer-readable storage medium | |
CN111971525A (zh) | 用立体镜测量物体的方法和系统 | |
CN115063468B (zh) | 双目立体匹配方法、计算机存储介质以及电子设备 | |
JP2019091122A (ja) | デプスマップフィルタ処理装置、デプスマップフィルタ処理方法及びプログラム | |
US9721348B2 (en) | Apparatus and method for raw-cost calculation using adaptive window mask | |
CN113256800B (zh) | 基于深度学习的精确快速大景深三维重建方法 | |
CN114612409A (zh) | 投影标定方法、装置、存储介质以及电子设备 | |
JP2018179577A (ja) | 位置計測装置 | |
CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 | |
CN109859313B (zh) | 3d点云数据获取方法、装置、3d数据生成方法及系统 | |
JP5656018B2 (ja) | 球体の検出方法 | |
WO2022254854A1 (ja) | 3次元計測装置 | |
JP6991700B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
CN115127481A (zh) | 条纹投影3d测量方法、终端设备及计算机可读存储介质 |
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 |