CN111141232A - 一种基于多目标优化抖动算法的高质量二值条纹产生方法 - Google Patents
一种基于多目标优化抖动算法的高质量二值条纹产生方法 Download PDFInfo
- Publication number
- CN111141232A CN111141232A CN201911321483.4A CN201911321483A CN111141232A CN 111141232 A CN111141232 A CN 111141232A CN 201911321483 A CN201911321483 A CN 201911321483A CN 111141232 A CN111141232 A CN 111141232A
- Authority
- CN
- China
- Prior art keywords
- binary
- pattern
- optimization
- representing
- stripes
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多目标优化抖动算法的高质量二值条纹产生方法,y提供一种优化目标函数,并通过该函数用于优化一个二值块来代替整个二值条纹图案的优化,再利用正弦条纹的周期性和对称性,将二值块拼成一个完整的图案,本发明采用二值编码技术,大幅提高了三维测量速度,使之可以进行高速三维测量;利用离焦二值编码技术,解决了投影仪的非线性问题,提出了一种基于遗传算法的多目标优化框架,通过多目标优化技术,基于遗传算法框架,通过结合相位优化目标和灰度值优化目标,大大提高了三维测量的精度,改善了传统抖动算法的测量精度,有效地平衡了测量精度和对离焦量敏感的问题。
Description
技术领域
本发明涉及三维形貌测量领域,具体地说是,是一种基于多目标优化抖动算法的高质量二值条纹产生方法。
背景技术
随着数字投影技术的发展,基于数字投影的三维面型测量技术在多种场合得到了广泛应用,但是该技术很难同时进行高速度、高质量的三维形貌测量。
(1)测量速度受到限制。传统的数字条纹投影技术采用8位的正弦相移条纹,测量速度会受到投影仪刷新率(≤120Hz)的制约。
(2)测量精度受到限制。数字条纹投影技术往往采用商业投影仪作为其投影设备,而商业投影仪具有比较明显的非线性效应。相机采集的变形条纹不具有良好的正弦性,会对测量结果造成严重干扰。
发明内容
本发明正是针对现有技术提出的技术问题所作出的改进,提供了一种可以提高三维测量速度,解决投影仪非线性问题,提高测量精度的基于多目标优化抖动算法的高质量二值条纹产生方法,
本发明是采用以下技术方案来实现的:
本发明公开了一种基于多目标优化抖动算法的高质量二值条纹产生方法,所述的优化目标函数表示为:
式中,Im表示灰度值调制,α为[0,1]的权重系数。
作为进一步地改进,本发明所述的目标函数由以下步骤得出:
1)、二值离焦投影技术中,为使三维测量效果达到最佳,相机采集回来的变形条纹应尽可能接近正弦条纹,投影仪的离焦效果,在数学上用高斯滤波来表示,二值图案离焦后的图案可以表述为:
2)、基于灰度值的优化方法通过最小化离焦后的二值图案与理想正弦图像的灰度值误差,来获得最优的二值图案,意味着经过高斯滤波后的二值图案在灰度值上要尽可能接近理想正弦图案,基于灰度值的优化方法可以描述为:
3)、基于相位的优化方法通过最小化离焦后的二值图案和理想的正弦图案经过相移法后的相位误差,来获得最优的二值图案,基于相位的优化方法可以表示为:
其中,Ep表示相位误差,Φi表示理想正弦条纹的解包裹相位信息,Φb表示离焦后二值条纹的解包裹相位信息;
4)、基于灰度值的优化方法和基于相位的优化方法,有效平衡测量精度和对离焦量敏感的问题目标函数可以表示为:
式中,Im表示灰度值调制,α为[0,1]的权重系数。
作为进一步地改进,本发明所述的公式4)用于优化一个二值块来代替整个二值条纹图案的优化,再利用正弦条纹的周期性和对称性,将二值块拼成一个完整的图案的优化步骤为:
1)确定种群个体维度;二值化的大小初始化为Sy×Sx,其中Sy=1,Sx=T/2为半个条纹周期,种群个体确定为长度为Sy×Sx的一维数组;
2)种群初始化;选择Floyd-Steinberg抖动算法产生的条纹,作为遗传算法中某些染色体的初值;
3)适应度评价;个体的适应度值通过公式(4)来计算;
4)选择;选择函数是指个体被选为当作父代的概率;
5)交叉;交叉用来交换信息,父代通过交叉操作产生子代;
6)变异;
7)遗传算法迭代;判断终止条件,如果未满足,跳转到步骤3);
8)个体维度改变;Sy=Sy+1,Sy≤15,跳转到步骤1);
9)最优二值块选择;选择使公式(4)最小的个体,产生最优二值块;
10)产生完整的二值条纹图案;利用周期性和对称性,将最优二值块拼成一个完整的二值条纹图案。
作为进一步地改进,本发明所述的步骤2)中,种群初始化的过程如下:产生4张Floyd-Steinberg抖动图案,算法的起始点分别为左上、右上、左下和右下,从同一个位置提取出4个Sy×Sx的二值块信息作为种群中的4个染色体的初始值,其他染色体随机初始化。
作为进一步地改进,本发明所述的步骤3)中,所选择模板大小为5×5或6×6或…...15×15的高斯滤波器,作为G(x,y)。
作为进一步地改进,本发明所述的步骤4)中,所述的选择的策略是轮盘赌选择法或随机遍历抽样法或锦标赛选择法。
作为进一步地改进,本发明所述的步骤6)中,所设置的变异率为0.2%~3%,误差大的位置有20%~80%的更高可能性发生变异。
作为进一步地改进,本发明所述的步骤7)中,所述的终止条件为最优值为10-7<=E<=10-5,或者迭代次数为1000<=N<=5000。
本发明的有益效果如下:
(1)本发明采用二值编码技术,大幅提高了三维测量速度,使之可以进行高速三维测量;
(2)本发明利用离焦二值编码技术,解决了投影仪的非线性问题;
(3)本发明提出了一种基于遗传算法的多目标优化框架,通过多目标优化技术,基于遗传算法框架,通过结合相位优化目标和灰度值优化目标,大大提高了三维测量的精度,改善了传统抖动算法的测量精度,有效地平衡了测量精度和对离焦量敏感的问题。
(4)本发明通过优化一个特定的二值块来代替整个图案的优化,解决了遗传算法耗时过大的问题。
附图说明
图1是通过优化一个二值块来代替整个二值条纹图案的优化框架的流程图。
具体实施方式
本发明公开了一种基于多目标优化抖动算法的高质量二值条纹产生方法,优化目标函数表示为:
式中,Im表示灰度值调制,α为[0,1]的权重系数。
目标函数由以下步骤得出:
1)、二值离焦投影技术中,为使三维测量效果达到最佳,相机采集回来的变形条纹应尽可能接近正弦条纹,投影仪的离焦效果,在数学上用高斯滤波来表示,二值图案离焦后的图案可以表述为:
2)、基于灰度值的优化方法通过最小化离焦后的二值图案与理想正弦图像的灰度值误差,来获得最优的二值图案,意味着经过高斯滤波后的二值图案在灰度值上要尽可能接近理想正弦图案,基于灰度值的优化方法可以描述为:
3)、基于相位的优化方法通过最小化离焦后的二值图案和理想的正弦图案经过相移法后的相位误差,来获得最优的二值图案,基于相位的优化方法可以表示为:
其中,Ep表示相位误差,Φi表示理想正弦条纹的解包裹相位信息,Φb表示离焦后二值条纹的解包裹相位信息;
4)、基于灰度值的优化方法和基于相位的优化方法,有效平衡测量精度和对离焦量敏感的问题目标函数可以表示为:
式中,Im表示灰度值调制,α为[0,1]的权重系数。
公式4)用于优化一个二值块来代替整个二值条纹图案的优化,再利用正弦条纹的周期性和对称性,将二值块拼成一个完整的图案的优化步骤为:
1)确定种群个体维度;二值化的大小初始化为Sy×Sx,其中Sy=1,Sx=T/2为半个条纹周期,种群个体确定为长度为Sy×Sx的一维数组;
2)种群初始化;选择Floyd-Steinberg抖动算法产生的条纹,作为遗传算法中某些染色体的初值;
3)适应度评价;个体的适应度值通过公式(4)来计算;
4)选择;选择函数是指个体被选为当作父代的概率;
5)交叉;交叉用来交换信息,父代通过交叉操作产生子代;
6)变异;
7)遗传算法迭代;判断终止条件,如果未满足,跳转到步骤3);
8)个体维度改变;Sy=Sy+1,Sy≤15,跳转到步骤1);
9)最优二值块选择;选择使公式(4)最小的个体,产生最优二值块;
10)产生完整的二值条纹图案;利用周期性和对称性,将最优二值块拼成一个完整的二值条纹图案。
步骤2)中,种群初始化的过程如下:产生4张Floyd-Steinberg抖动图案,算法的起始点分别为左上、右上、左下和右下,从同一个位置提取出4个Sy×Sx的二值块信息作为种群中的4个染色体的初始值,其他染色体随机初始化。
步骤3)中,选择模板大小为5×5或6×6或…...15×15的高斯滤波器,作为G(x,y)。
步骤4)中,选择的策略是轮盘赌选择法或随机遍历抽样法或锦标赛选择法。
步骤6)中,所设置的变异率为0.2%~3%,误差大的位置有20%~80%的更高可能性发生变异。
步骤7)中,终止条件为最优值为10-7<=E<=10-5,或者迭代次数为1000<=N<=5000。
下面通过具体实施例对本发明的技术方案作进一步地说明
本发明公开了一种基于多目标优化抖动算法的高质量二值条纹产生方法,经离焦的投影仪投射到物体表面,然后通过相机采集物体表面的变形条纹,从而获取物体的三维形貌信息,为了使三维测量效果达到最佳,相机采集回来的变形条纹应尽可能接近正弦条纹。投影仪的离焦效果,在数学上可以用高斯滤波来表示,二值图案离焦后的图案可以表述为:
基于灰度值的优化方法通过最小化离焦后的二值图案与理想正弦图像的灰度值误差,来获得最优的二值图案,意味着经过高斯滤波后的二值图案在灰度值上要尽可能接近理想正弦图案。基于灰度值的优化方法可以描述为:
基于相位的优化方法通过最小化离焦后的二值图案和理想的正弦图案经过相移法后的相位误差,来获得最优的二值图案。基于相位的优化方法可以表示为:
其中,Ep表示相位误差,Φi表示理想正弦条纹的解包裹相位信息,Φb表示离焦后二值条纹的解包裹相位信息。
本发明综合考虑了基于灰度值的优化方法和基于相位的优化方法,能够有效平衡测量精度和对离焦量敏感的问题。目标函数可以表示为:
式中,Im表示灰度值调制,α为[0,1]的权重系数。
实施例1
为了解决计算耗时的问题,通过以上公式(4)的目标函数,用以优化一个二值块来代替整个二值条纹图案的优化,再利用正弦条纹的周期性和对称性,将二值块拼成一个完整的图案。假设理想的条纹图案在x方向呈正弦变化,待优化的二值条纹不仅在x方向应该具有周期性和对称性,而且在y方向也应该具有周期性,图1是通过优化一个二值块来代替整个二值条纹图案的优化框架的流程图,其主要步骤描述如下:
(1)确定种群个体维度。二值化的大小初始化为Sy×Sx,其中Sy=1,Sx=T/2为半个条纹周期,种群个体确定为长度为Sy×Sx的一维数组。
(2)种群初始化。由于误差扩散抖动算法受起始点影响,不同的起始点可以产生不同的二值图案。通常来说,更好的初值会产生更好的优化结果。本文选择Floyd-Steinberg抖动算法产生的条纹,作为遗传算法中某些染色体的初值,种群初始化过程如下。产生4张Floyd-Steinberg抖动图案,算法的起始点分别为左上、右上、左下和右下。从同一个位置提取出4个Sy×Sx的二值块信息作为种群中的4个染色体的初始值,其他染色体随机初始化。
(3)适应度评价。个体的适应度值通过公式(4)来计算。本文选择模板大小为5×5的高斯滤波器,作为G(x,y)。
(4)选择。选择函数是指个体被选为当作父代的概率,本文采用轮盘赌选择法作为选择策略。
(5)交叉。交叉用来交换信息,父代通过交叉操作产生子代。交叉操作的位置随机和长度随机。
(6)变异。变异能增加遗传算法的局部随机搜索能力,维持种群的多样性。本文设置的变异率为1%,误差大的位置有50%的更高可能性发生变异。
(7)遗传算法迭代。判断终止条件,如果未满足,跳转到步骤(3)。本文设计的终止条件为最优值改变不超过1e-6,或者迭代次数超过2000次。
(8)个体维度改变。Sy=Sy+1,Sy≤15,跳转到步骤(1)。
(9)最优二值块选择。选择使公式(4)最小的个体,产生最优二值块。
(10)产生完整的二值条纹图案。利用周期性和对称性,将最优二值块拼成一个完整的二值条纹图案。
实施例2
为了解决计算耗时的问题,通过以上公式(4)的目标函数,用以优化一个二值块来代替整个二值条纹图案的优化,再利用正弦条纹的周期性和对称性,将二值块拼成一个完整的图案。假设理想的条纹图案在x方向呈正弦变化,待优化的二值条纹不仅在x方向应该具有周期性和对称性,而且在y方向也应该具有周期性,图1是通过优化一个二值块来代替整个二值条纹图案的优化框架的流程图,其主要步骤描述如下:
(1)确定种群个体维度。二值化的大小初始化为Sy×Sx,其中Sy=1,Sx=T/2为半个条纹周期,种群个体确定为长度为Sy×Sx的一维数组。
(2)种群初始化。由于误差扩散抖动算法受起始点影响,不同的起始点可以产生不同的二值图案。通常来说,更好的初值会产生更好的优化结果。本文选择Floyd-Steinberg抖动算法产生的条纹,作为遗传算法中某些染色体的初值,种群初始化过程如下。产生4张Floyd-Steinberg抖动图案,算法的起始点分别为左上、右上、左下和右下。从同一个位置提取出4个Sy×Sx的二值块信息作为种群中的4个染色体的初始值,其他染色体随机初始化。
(3)适应度评价。个体的适应度值通过公式(4)来计算。本文选择模板大小为7×7的高斯滤波器,作为G(x,y)。
(4)选择。选择函数是指个体被选为当作父代的概率,本文采用随机遍历抽样法作为选择策略。
(5)交叉。交叉用来交换信息,父代通过交叉操作产生子代。交叉操作的位置随机和长度随机。
(6)变异。变异能增加遗传算法的局部随机搜索能力,维持种群的多样性。本文设置的变异率为0.8%,误差大的位置有60%的更高可能性发生变异。
(7)遗传算法迭代。判断终止条件,如果未满足,跳转到步骤(3)。本文设计的终止条件为最优值改变不超过2×10-6,或者迭代次数超过3000次。
(8)个体维度改变。Sy=Sy+1,Sy≤15,跳转到步骤(1)。
(9)最优二值块选择。选择使公式(4)最小的个体,产生最优二值块。
(10)产生完整的二值条纹图案。利用周期性和对称性,将最优二值块拼成一个完整的二值条纹图案。
以上所述仅为本发明的几个较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
2.根据权利要求1所述的基于多目标优化抖动算法的高质量二值条纹产生方法,其特征在于,所述的目标函数由以下步骤得出:
1)、二值离焦投影技术中,为使三维测量效果达到最佳,相机采集回来的变形条纹应尽可能接近正弦条纹,投影仪的离焦效果,在数学上用高斯滤波来表示,二值图案离焦后的图案可以表述为:
2)、基于灰度值的优化方法通过最小化离焦后的二值图案与理想正弦图像的灰度值误差,来获得最优的二值图案,意味着经过高斯滤波后的二值图案在灰度值上要尽可能接近理想正弦图案,基于灰度值的优化方法可以描述为:
3)、基于相位的优化方法通过最小化离焦后的二值图案和理想的正弦图案经过相移法后的相位误差,来获得最优的二值图案,基于相位的优化方法可以表示为:
其中,Ep表示相位误差,Φi表示理想正弦条纹的解包裹相位信息,Φb表示离焦后二值条纹的解包裹相位信息;
4)、基于灰度值的优化方法和基于相位的优化方法,有效平衡测量精度和对离焦量敏感的问题目标函数可以表示为:
式中,Im表示灰度值调制,α为[0,1]的权重系数。
3.根据权利要求1或2所述的基于多目标优化抖动算法的高质量二值条纹产生方法,其特征在于,所述的公式4)用于优化一个二值块来代替整个二值条纹图案的优化,再利用正弦条纹的周期性和对称性,将二值块拼成一个完整的图案的优化步骤为:
1)确定种群个体维度;二值化的大小初始化为Sy×Sx,其中Sy=1,Sx=T/2为半个条纹周期,种群个体确定为长度为Sy×Sx的一维数组;
2)种群初始化;选择Floyd-Steinberg抖动算法产生的条纹,作为遗传算法中某些染色体的初值;
3)适应度评价;个体的适应度值通过公式(4)来计算;
4)选择;选择函数是指个体被选为当作父代的概率;
5)交叉;交叉用来交换信息,父代通过交叉操作产生子代;
6)变异;
7)遗传算法迭代;判断终止条件,如果未满足,跳转到步骤3);
8)个体维度改变;Sy=Sy+1,Sy≤15,跳转到步骤1);
9)最优二值块选择;选择使公式(4)最小的个体,产生最优二值块;
10)产生完整的二值条纹图案;利用周期性和对称性,将最优二值块拼成一个完整的二值条纹图案。
4.根据权利要求3所述的所述的基于多目标优化抖动算法的高质量二值条纹产生方法,其特征在于,所述的步骤2)中,种群初始化的过程如下:产生4张Floyd-Steinberg抖动图案,算法的起始点分别为左上、右上、左下和右下,从同一个位置提取出4个Sy×Sx的二值块信息作为种群中的4个染色体的初始值,其他染色体随机初始化。
5.根据权利要求3所述的所述的基于多目标优化抖动算法的高质量二值条纹产生方法,其特征在于,所述的步骤3)中,所选择模板大小为5×5或6×6或…...15×15的高斯滤波器,作为G(x,y)。
6.根据权利要求3所述的基于多目标优化抖动算法的高质量二值条纹产生方法,其特征在于,所述的步骤4)中,所述的选择的策略是轮盘赌选择法或随机遍历抽样法或锦标赛选择法。
7.根据权利要求3所述的基于多目标优化抖动算法的高质量二值条纹产生方法,其特征在于,所述的步骤6)中,所设置的变异率为0.2%~3%,误差大的位置有20%~80%的更高可能性发生变异。
8.根据权利要求3所述的基于多目标优化抖动算法的高质量二值条纹产生方法,其特征在于,所述的步骤7)中,所述的终止条件为最优值为10-7<=E<=10-5,或者迭代次数为1000<=N<=5000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911321483.4A CN111141232A (zh) | 2019-12-20 | 2019-12-20 | 一种基于多目标优化抖动算法的高质量二值条纹产生方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911321483.4A CN111141232A (zh) | 2019-12-20 | 2019-12-20 | 一种基于多目标优化抖动算法的高质量二值条纹产生方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111141232A true CN111141232A (zh) | 2020-05-12 |
Family
ID=70519018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911321483.4A Pending CN111141232A (zh) | 2019-12-20 | 2019-12-20 | 一种基于多目标优化抖动算法的高质量二值条纹产生方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111141232A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649692A (zh) * | 2020-05-22 | 2020-09-11 | 浙江四点灵机器人股份有限公司 | 一种基于频域优化的二值离焦编码结构光方法 |
CN113358065A (zh) * | 2021-06-24 | 2021-09-07 | 四川大学 | 一种基于二值编码的三维测量方法及电子设备 |
CN114526692A (zh) * | 2022-04-24 | 2022-05-24 | 广东工业大学 | 一种基于离焦度解包裹的结构光三维测量方法及装置 |
CN114913332A (zh) * | 2022-07-15 | 2022-08-16 | 中国科学技术大学 | 一种生成二值图像的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000152004A (ja) * | 1998-11-10 | 2000-05-30 | Sharp Corp | 多値ディザマトリックス最適化装置 |
CN1323978A (zh) * | 2000-05-17 | 2001-11-28 | 四川大学 | 用二元编码模板产生正弦结构光场的方法 |
JP2006217543A (ja) * | 2005-02-07 | 2006-08-17 | Ricoh Co Ltd | ディザマトリクス最適化装置、画像形成装置およびディザマトリクス最適化方法 |
CN102914276A (zh) * | 2012-08-03 | 2013-02-06 | 南京理工大学 | 三维光学测量中基于三灰阶空间脉冲宽度调制的正弦光栅构造方法 |
CN103575237A (zh) * | 2013-11-12 | 2014-02-12 | 南昌航空大学 | 一种相移编码方法 |
CN105157614A (zh) * | 2015-06-05 | 2015-12-16 | 四川大学 | 基于二值相移图案的三维测量方法 |
-
2019
- 2019-12-20 CN CN201911321483.4A patent/CN111141232A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000152004A (ja) * | 1998-11-10 | 2000-05-30 | Sharp Corp | 多値ディザマトリックス最適化装置 |
CN1323978A (zh) * | 2000-05-17 | 2001-11-28 | 四川大学 | 用二元编码模板产生正弦结构光场的方法 |
JP2006217543A (ja) * | 2005-02-07 | 2006-08-17 | Ricoh Co Ltd | ディザマトリクス最適化装置、画像形成装置およびディザマトリクス最適化方法 |
CN102914276A (zh) * | 2012-08-03 | 2013-02-06 | 南京理工大学 | 三维光学测量中基于三灰阶空间脉冲宽度调制的正弦光栅构造方法 |
CN103575237A (zh) * | 2013-11-12 | 2014-02-12 | 南昌航空大学 | 一种相移编码方法 |
CN105157614A (zh) * | 2015-06-05 | 2015-12-16 | 四川大学 | 基于二值相移图案的三维测量方法 |
Non-Patent Citations (2)
Title |
---|
NING CAI等: "Multi-objective strategy to optimize dithering technique for high-quality three-dimensional shape measurement", 《CHIN. PHYS. B》 * |
蔡宁: "基于遗传算法相位抖动优化的高质量二值条纹产生方法", 《光子学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649692A (zh) * | 2020-05-22 | 2020-09-11 | 浙江四点灵机器人股份有限公司 | 一种基于频域优化的二值离焦编码结构光方法 |
CN113358065A (zh) * | 2021-06-24 | 2021-09-07 | 四川大学 | 一种基于二值编码的三维测量方法及电子设备 |
CN113358065B (zh) * | 2021-06-24 | 2022-11-15 | 四川大学 | 一种基于二值编码的三维测量方法及电子设备 |
CN114526692A (zh) * | 2022-04-24 | 2022-05-24 | 广东工业大学 | 一种基于离焦度解包裹的结构光三维测量方法及装置 |
CN114526692B (zh) * | 2022-04-24 | 2022-08-09 | 广东工业大学 | 一种基于离焦度解包裹的结构光三维测量方法及装置 |
US11741660B2 (en) | 2022-04-24 | 2023-08-29 | Guangdong University Of Technology | Structured light three-dimensional measurement device and method based on defocus-degree-based unwrapping |
CN114913332A (zh) * | 2022-07-15 | 2022-08-16 | 中国科学技术大学 | 一种生成二值图像的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111141232A (zh) | 一种基于多目标优化抖动算法的高质量二值条纹产生方法 | |
CN109242897B (zh) | 一种结构光测量系统的二值图案离焦投影方法 | |
US11340437B2 (en) | Increased calculation efficiency for structured illumination microscopy | |
CN107908071B (zh) | 一种基于神经网络模型的光学邻近校正方法 | |
Sun et al. | Improved intensity-optimized dithering technique for 3D shape measurement | |
WO2015100105A1 (en) | Improving plenoptic camera resolution | |
JP4499331B2 (ja) | 波面の位相情報を回復するためのシステムおよび方法 | |
CN113358065B (zh) | 一种基于二值编码的三维测量方法及电子设备 | |
CN106600559A (zh) | 模糊核获取以及图像去模糊方法及装置 | |
CN113607085B (zh) | 一种基于半截断正弦条纹的二值离焦三维测量方法及装置 | |
CN111650738A (zh) | 一种基于深度学习的傅里叶叠层显微图像重构方法及装置 | |
Lu et al. | Optimized dithering technique for three-dimensional shape measurement with projector defocusing | |
Xiao et al. | High-quality binary fringe generation via joint optimization on intensity and phase | |
CN111141230A (zh) | 一种基于频率优化抖动算法的三维深度数据获取方法 | |
CN110244523A (zh) | 一体化光刻方法及光刻系统 | |
CN109581849B (zh) | 一种同轴全息重建方法及系统 | |
CN110796268A (zh) | 确定业务处理模型超参数的方法和装置 | |
US20200092529A1 (en) | Image processing apparatus and 2d image generation program | |
CN117252913B (zh) | 基于等间距的二值条纹编码投影方法及系统 | |
CN116774428A (zh) | 一种基于非对称误差扩散核函数的结构光编码方法 | |
CN106918906A (zh) | 基于双振幅型衍射元件的强激光艾里光束调制方法及装置 | |
CN112802084A (zh) | 基于深度学习的三维形貌测量方法、系统和存储介质 | |
Zhu et al. | High-efficiency and robust binary fringe optimization for superfast 3D shape measurement | |
CN111649692A (zh) | 一种基于频域优化的二值离焦编码结构光方法 | |
CN102376093B (zh) | 一种摄像机标定方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |