CN111445507B - 一种非视域成像的数据处理方法 - Google Patents
一种非视域成像的数据处理方法 Download PDFInfo
- Publication number
- CN111445507B CN111445507B CN202010301596.4A CN202010301596A CN111445507B CN 111445507 B CN111445507 B CN 111445507B CN 202010301596 A CN202010301596 A CN 202010301596A CN 111445507 B CN111445507 B CN 111445507B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- pixel
- processor
- image data
- cloud 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 85
- 230000000007 visual effect Effects 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000007619 statistical method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 14
- 230000003287 optical effect Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种非视域成像的数据处理方法,包括非视域成像系统对目标场景进行图像采集生成点云图像数据,并将其发送给处理器;处理器根据点云图像数据构建点云图像矩阵,并对其各像素进行初始化,之后对第一预设数量个点云图像数据中的第一像素的强度值进行统计分析,得到对应的概率分布类型;在确定其符合第一预设概率分布类型时,对第一预设数量个点云图像数据中的第一像素对应的强度值和深度值分别进行第一拟合处理,得到第一像素的第一强度值和第一深度值;处理器根据第一像素确定点云图像矩阵中对应的第一点云像素,将第一点云像素的强度值设置为第一强度值和将深度值设置为第一深度值,根据点云图像矩阵生成目标点云图像数据。
Description
技术领域
本发明涉数据处理领域,尤其涉及一种非视域成像的数据处理方法。
背景技术
近年来,随着探测器技术的不断发展,激光成像技术在计算成像、机器视觉等领域都取得了重大进展。传统的激光成像技术对探测区域内的目标进行成像,其主要研究方向包括单光子信息成像、单像素探测器成像和光场信息关联成像等。然而当面临复杂场景或者有障碍物遮挡时,例如自动驾驶时在拐角处检测是否有驶近的车辆、灾难救援中定位隐藏区域的幸存者的位置、在医学胃镜中对难以触及到的地方成像等,传统的激光成像技术不能对这些场景进行成像。
在这种需求下,如何对特殊场景中的隐藏目标进行成像就成为了激光成像和计算成像技术的研究热点。这种对探测器视线范围外的隐藏目标成像的技术统称为非视域成像技术。非视域成像技术在无人驾驶、灾难救援、医学成像、军事反恐等领域都有巨大的应用潜力和研究意义。
随着飞行时间成像技术的发展,人们考虑将飞行时间成像技术用于非视域成像领域中,飞行时间成像能够为非视域成像带来新的发展,但是目前使用飞行时间成像技术采集到的图像数据清晰度较差,成像质量低。
发明内容
针对现有技术缺陷,本发明实施例的目的是提供一种非视域成像的数据处理方法,用于对基于飞行时间成像技术的非视域成像系统采集到的点云图像数据进行处理,以消除外界环境的影响,生成高质量的目标点云图像数据。
为解决上述问题,本发明提供了一种非视域成像的数据处理方法,所述方法包括:
非视域成像系统对目标场景进行图像采集,生成所述点云图像数据,并将所述点云图像数据发送给处理器;其中,所述图像数据中的每个像素包括深度值和强度值;
所述处理器根据所述点云图像数据构建点云图像矩阵;其中,所述点云图像矩阵的每个像素包括深度值和强度值;
所述处理器对所述点云图像矩阵中各像素的强度值和深度值均设置为第一预设值;
所述处理器调用预设概率分析模块根据第一预设数量个点云图像数据中的第一像素对应的强度值进行统计分析,得到所述第一像素的强度值对应的概率分布类型;
所述处理器判断所述概率分布类型是否与第一预设概率分布类型相同;
当所述概率分布类型与所述第一预设概率分布类型相同时,所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的强度值进行第一拟合处理,得到所述第一像素的第一强度值;
所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的深度值进行第一拟合处理,得到所述第一像素的第一深度值;
所述处理器根据所述第一像素确定所述点云图像矩阵中对应的第一点云像素;
所述处理器将所述第一点云像素的强度值设置为所述第一强度值;所述处理器将所述第一点云像素的深度值设置为所述第一深度值;
所述处理器根据所述点云图像矩阵生成目标点云图像数据。
优选的,在所述将所述点云图像数据发送给处理器之后,所述方法还包括:
所述处理器根据所述点云图像数据构建强度图像矩阵;其中,所述强度图像矩阵的每个像素包括强度值;
所述处理器对所述强度图像矩阵中各像素的强度值设置为所述第一预设值。
进一步优选的,在所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的强度值进行第一拟合处理,得到所述第一像素的第一强度值之后,所述方法还包括:
所述处理器根据所述第一像素确定所述强度图像矩阵中对应的第一强度像素;
所述处理器将所述第一强度像素的强度值设置为所述第一强度值;
所述处理器根据所述强度图像矩阵生成目标强度图像数据。
优选的,在所述将所述点云图像数据发送给处理器之后,所述方法还包括:
所述处理器根据所述点云图像数据构建深度图像矩阵;其中,所述深度图像矩阵的每个像素包括深度值;
所述处理器对所述深度图像矩阵中各像素的强度值设置为所述第一预设值。
进一步优选的,在所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的深度值进行第一拟合处理,得到所述第一像素的第一深度值之后,所述方法还包括:
所述处理器根据所述第一像素确定所述深度图像矩阵中对应的第一深度像素;
所述处理器将所述第一深度像素的深度值设置为所述第一深度值;
所述处理器根据所述深度图像矩阵生成目标深度图像数据。
优选的,在所述处理器根据所述点云图像矩阵生成目标点云图像数据之后,所述方法还包括:
所述处理器根据所述点云图像数据在显示设备上输出点云图像。
优选的,所述第一预设概率分布类型为高斯分布;
所述第一拟合处理为高斯拟合处理。
优选的,在非视域成像系统对目标场景进行图像采集之前,所述方法还包括:
所述非视域成像系统接收外部输入的图像采集指令;
所述非视域成像系统根据所述图像采集指令读取第一预设数量和时间间隔数据。
进一步优选的,所述非视域成像系统对目标场景进行图像采集,生成所述点云图像数据具体为:
所述非视域成像系统根据所述时间间隔对所述目标场景进行第一预设数量次图像采集,生成第一预设数量个点云图像数据。
优选的,在所述处理器判断所述概率分布类型是否与第一预设概率分布类型相同之后,所述方法还包括:
当所述概率分布类型与所述第一预设概率分布类型不相同时,所述处理器将所述第一像素确定为无效像素;
所述处理器根据所述第一预设值生成所述第一像素的第一强度值;所述处理器根据所述第一预设值生成所述第一像素的第一深度值。
本发明实施例提供的一种非视域成像的数据处理方法,对非视域成像系统获取的多个点云图像数据中的各像素进行数据统计分析,并各像素的强度值和深度值分别进行高斯拟合,并根据拟合得到的第一强度值和第一深度值进行图像重构,生成目标点云图像数据。本发明实施例提供的方法能够有效提高目标点云图像数据的信噪比,消除环境噪声的干扰,生成高质量的目标点云图像数据。
附图说明
图1为本发明实施例提供的一种非视域成像的数据处理方法流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种非视域成像的数据处理方法,用于对基于飞行时间成像技术的非视域成像系统采集到的点云图像数据进行处理,生成高质量的目标点云图像数据。
图1为本发明实施例提供的一种非视域成像的数据处理方法流程图,如图所示,包括:
步骤101,非视域成像系统对目标场景进行图像采集,生成点云图像数据,并将点云图像数据发送给处理器。
具体的,非视域成像系统为采用飞行时间成像技术设计的能够对隐蔽或者被障碍物遮挡的目标物体进行图像采集的成像系统。其中,目标物体所放置的区域为目标场景区域。
本发明实施例所采用的非视域成像系统包括:照明单元、探测单元和成像墙。
照明单元设置于目标场景区域内,用于发射频率为第一频率的调制光信号。本发明实施例的优选方案中,照明单元包括4个红外激光二极管,并且可以采用连续波振幅调制模式生成调制光信号,其中调制光信号的频率为第一频率。在本发明实施例的一个具体例子中,调制光信号的波长为850nm。
成像墙设置于探测单元的前方,用于对接收到的反射光信号进行散射,生成散射光信号。其中,反射光信号为调制光信号照射到目标物表面后,目标物对调制光源进行反射后生成的光信号。
探测单元设置于目标场景区外,用于采集成像墙发出的散射光信号,将各像素采集到的散射光信号转换为各像素的累计电荷数据,并对累计电荷数据进行处理,生成点云图像数据。其中,点云图像数据中的每个像素包括深度值和强度值。
本发明实施例的优选方案中的一个具体例子中,探测单元对散射光信号进行四次曝光,根据4次曝光的累计电荷数据按照四相步测量方法对采集到的散射光信号进行处理得到目标场景的点云图像数据。本发明实例的优选方案中,探测单元包括分辨率为MⅹN的互补金属氧化物半导体(Complementary Metal Oxide Semiconductor,CMOS)像素阵列。其中,M和N为正整数。也就是说,本发明实施例采集到的点云图像数据包括MⅹN像素。
本发明实施例的优选方案中,为了保证探测单元采集到的光信号为散射光信号,本发明实施例的非视域成像系统还包括滤光片,其设置于探测单元内,并处于探测单元与成像墙之间距探测单元第一距离的位置,例如,在本发明实施例的一个具体例子中,滤光片设置于距离探测单元的CMOS像素阵列2毫米的位置。滤光片用于透射成像墙发出的散射光信号,同时滤除环境光。这样能够保证探测单元采集到的光信号为成像墙散射的散射光信号,增加探测单元的非视域成像系统的信噪比。
本发明实施例的优选方案中,非视域成像系统的各组成单元之前的相对位置可以调节。在实际使用过程中,可以根据目标物的特点和位置,结合障碍物的特点和位置情况,对照明单元、成像墙和探测单元进行相对位置调节,以达到获取的图像数据能够达到最高的清晰度和完整度。
在本发明的优选方案中,非视域成像系统对目标场景进行图像采集之前,非视域成像系统接收外部输入的图像采集指令,非视域成像系统根据图像采集指令读取第一预设数量和时间间隔数据。第一预设数量和时间间隔数据为提前设置并保存在非视域成像系统的存储单元中。用户在需要进行对目标物体进行成像时,用户对非视域成像系统输入图像采集指令,可以是按下非视域成像系统的拍摄按钮。非视域成像系统在接收到图像采集指令后从内部存储单元中读取第一预设数量和时间间隔数据。其中,第一预设数量为需要对目标场景进行多少次拍摄的数量值,例如,本发明实施例的一个具体例子中,第一预设数量为1000。时间间隔数据表示每次拍摄目标场景的时间间隔,例如2毫秒。第一预设数量和时间间隔为在本发明实施例的实验阶段经过多次实验后得到的。
本发明实施例的可选方案中,非视域成像系统根据时间间隔对目标场景进行第一预设数量次图像采集,生成第一预设数量个点云图像数据。之后将第一预设数量个点云图像数据发送给处理器。其中,每个点云图像数据包括MⅹN个像素,每个像素都包括强度值和深度值。本发明实施例的一个具体例子中,点云图像数据包括176ⅹ220个像素。本发明实施例的另一个具体例子中点云图像数据包括320ⅹ240个像素。
本发明实施例的另一个可选方案中,非视域成像系统根据时间间隔对目标场景进行图像采集,每进行一次采集生成一个点云图像数据,并将点云图像发送给处理器,一共进行第一预设数量次采集,向处理器发送第一预设次数次点云图像数据。
步骤102,处理器根据点云图像数据构建点云图像矩阵。
其中,点云图像矩阵的每个像素包括深度值和强度值。
具体的,点云图像数据包括MⅹN像素,处理器生成一个具有MⅹN的点云图像矩阵,矩阵中的每个元素作为一个像素,具有深度值和强度值。
本发明实施例的一个具体例子中,点云图像数据包括176ⅹ220像素,那么处理器就生成一个176ⅹ220的点云图像矩阵,并且矩阵中的每个元素为一个像素,每个像素包括深度值和强度值。
本发明实施例的优选方案中,处理器根据点云图像数据构建强度图像矩阵;其中,强度图像矩阵的每个像素包括强度值。例如,点云图像数据包括176ⅹ220像素,那么处理器就生成一个176ⅹ220的强度图像矩阵,并且矩阵中的每个元素为一个像素,每个像素包括强度值。
本发明实施例的优选方案中,处理器根据点云图像数据构建深度图像矩阵;其中,深度图像矩阵的每个像素包括深度值。例如,点云图像数据包括176ⅹ220像素,那么处理器就生成一个176ⅹ220的深度图像矩阵,并且矩阵中的每个元素为一个像素。每个像素包括深度值。
步骤103,处理器对点云图像矩阵中各像素的强度值和深度值均设置为第一预设值。
具体的,处理器对生成的点云图像矩阵做初始化处理,将点云图像矩阵中每个像素的强度值设置为第一预设值,并将每个像素的深度值设置为第一预设值。本发明实施例中,第一预设值为0。
本发明实施例的优选方案中,如果处理器构建了强度图像矩阵,那么处理器对强度图像矩阵进行初始化,将强度图像矩阵的每个像素的强度值设置为第一预设值,其中,第一预设值为0。
本发明实施例的优选方案中,如果处理器构建了深度图像矩阵,那么处理器对深度图像矩阵进行初始化,将深度图像矩阵的每个像素的深度值设置为第一预设值。其中,第一预设值为0。
步骤104,处理器调用预设概率分析模块根据第一预设数量个点云图像数据中的第一像素对应的强度值进行统计分析,得到第一像素的强度值对应的概率分布类型。
具体的,预设概率分析模块可以对一组数据概率分布进行分析,确定数据的概率分布规律,并输出数据对应的概率分布类型。比如,调用预设概率分布模块对第一组数据进行统计分析后,确定第一组数据符合高斯分布规律,那么预设概率分析模块输出高斯分布。调用预设概率分布模块对第二组数据进行统计分析后,确定第二组数据符合伯努利分布规律,那么预设概率分析模块输出伯努利分布。
本发明实施例中,处理器对接收到的第一预设数量个点云图像数据中的第一像素的强度值进行分析。例如,第一预设数量为1000,第一像素的像素坐标为(i,j),其中,i表示像素横坐标值,i的取值范围为0≤i<M,j表示像素纵坐标值,j的取值范围为0≤j<N。处理器接收的每个点云图像数据都有一个像素坐标为(i,j)的第一像素。处理器将调用预设概率分布模块对1000个点云图像数据中像素坐标为(i,j)的第一像素的强度值进行统计分析。也就是说,处理器调用预设概率分析模块对第一像素对应的1000个强度值进行统计分析。在分析后,预设概率分析模块输出第一像素的强度值满足的概率分布类型。例如,高斯分布、伯努利分布或二项分布等。
步骤105,处理器判断概率分布类型与第一预设概率分布类型是否相同。
具体的,第一预设概率分布类型为高斯分布,处理器判断概率分布类型是否为高斯分布,当概率分布类型与第一预设概率分布类型相同时,说明第一预设数量个点云图像数据中第一像素的强度值满足高斯分布规律,此时,执行步骤106-步骤107及之后的步骤,当概率分布类型与第一预设概率分布类型不相同时,说明第一预设数量个点云图像数据中第一像素的强度值不满足高斯分布规律,执行步骤108-步骤109。
步骤106,处理器对第一预设数量个点云图像数据中的第一像素对应的强度值进行第一拟合处理,得到第一像素的第一强度值。
具体的,第一预设数量个点云图像数据中的第一像素的强度值满足高斯分布,处理器对第一预设个第一像素的强度值进行直方图统计,之后进行高斯拟合处理,得到强度值对应的高斯期望值,并将高斯期望值确定为第一强度值。
步骤107,处理器对第一预设数量个点云图像数据中的第一像素对应的深度值进行第一拟合处理,得到第一像素的第一深度值;
具体的,第一预设数量个点云图像数据中的第一像素的强度值满足高斯分布,说明第一预设数量个点云图像数据中的第一像素的深度值也应该满足高斯分布,此时处理器对第一预设个第一像素的深度值进行直方图统计,再进行高斯拟合处理,得到深度值对应的高斯期望值,并将高斯期望值确定为第一深度值。之后继续执行步骤110。
步骤108,处理器将第一像素确定为无效像素。
具体的,本发明实施例采用的是基于飞行时间成像技术的非视域成像技术,所以其采集得到的有效数据都应该符合高斯分布,当第一预设数量个点云图像数据中的第一像素的强度值符合高斯分布规律时,说明第一像素对应的强度数据偏离正常范围,此时,将第一像素确定为无效像素。也可以说是将第一像素确定为噪点。
步骤109,处理器根据第一预设值生成第一像素的第一强度值;处理器根据第一预设值生成第一像素的第一深度值。
具体的,第一像素被确定为无效像素,处理器不能对第一像素的强度值和深度值进行高斯拟合处理。为了之后的处理方便,本发明实施例中,处理器直接将第一预设值作为第一像素的第一强度值和第一深度值。然后继续执行步骤110。
步骤110,处理器根据第一像素确定点云图像矩阵中对应的第一点云像素。
具体的,由步骤104可知第一像素的像素坐标为(i,j),处理器在新构建的点云图像中查找到坐标为(i,j)的像素,将其确定为第一点云像素。
本发明实施例的优选方案中,处理器在新构建的强度图像矩阵中查找到坐标为(i,j)的像素,并将其确定为第一强度像素。
本发明实施例的优选方案中,处理器在新构建的深度图像矩阵中查找到坐标为(i,j)的像素,并将其确定为第一深度像素。
步骤111,处理器将第一点云像素的强度值设置为第一强度值;处理器将第一点云像素的深度值设置为第一深度值。
具体的,处理器对点云图像矩阵中的与第一像素对应的像素,也即是第一点云像素设置强度值和深度值,将第一点云像素的强度值设置为第一强度值,将第一点云像素的深度值设置为第一深度值。
本发明实施例的优选方案中,处理器还对强度图像矩阵中第一强度像素的强度值进行设置,将其设置为第一强度值。
本发明实施例的优选方案中,处理器还对深度图像矩阵中第一深度像素的深度值进行设置,将其设置为第一深度值。
步骤112,处理器根据点云图像矩阵生成目标点云图像数据。
具体的,经过上述过程,处理器对点云图像矩阵中的每个像素都进行了强度值和深度值的设置,也即是点云图像矩阵中的每个像素都包括了具体的强度值和深度值,处理器将点云图像矩阵确定为目标点云图像数据,也可以是处理器根据点云图像矩阵重新生成一个目标点云图像数据。本发明实施例的优选方案中,处理器根据点云图像数据在显示设备上输出点云图像。
本发明实施例的优选方案中,处理器直接将强度图像矩阵确定为目标强度图像数据,或者根据强度图像矩阵生成目标强度图像数据,并在显示设备上输出强度图像。
本发明实施例的优选方案中,处理器直接将深度图像矩阵确定为目标深度图像数据,或者根据深度图像矩阵生成目标深度图像数据,并在显示设备上输出深度图像。
本发明实施例提供的一种非视域成像的数据处理方法,对非视域成像系统获取的多个点云图像数据中的各像素进行数据统计分析,并各像素的强度值和深度值分别进行高斯拟合,并根据拟合得到的第一强度值和第一深度值进行图像重构,生成目标点云图像数据。本发明实施例提供的方法能够有效提高目标点云图像数据的信噪比,消除环境噪声的干扰,生成高质量的目标点云图像数据。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种非视域成像的数据处理方法,其特征在于,所述方法包括:
非视域成像系统对目标场景进行图像采集,生成点云图像数据,并将所述点云图像数据发送给处理器;其中,所述图像数据中的每个像素包括深度值和强度值;
所述处理器根据所述点云图像数据构建点云图像矩阵;其中,所述点云图像矩阵的每个像素包括深度值和强度值;
所述处理器对所述点云图像矩阵中各像素的强度值和深度值均设置为第一预设值;
所述处理器调用预设概率分析模块根据第一预设数量个点云图像数据中的第一像素对应的强度值进行统计分析,得到所述第一像素的强度值对应的概率分布类型;
所述处理器判断所述概率分布类型与第一预设概率分布类型是否相同;
当所述概率分布类型与所述第一预设概率分布类型相同时:
所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的强度值进行第一拟合处理,得到所述第一像素的第一强度值;
所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的深度值进行第一拟合处理,得到所述第一像素的第一深度值;当所述概率分布类型与所述第一预设概率分布类型不相同时:
所述处理器将所述第一像素确定为无效像素;
所述处理器根据所述第一预设值生成所述第一像素的第一强度值;
所述处理器根据所述第一预设值生成所述第一像素的第一深度值;
所述处理器根据所述第一像素确定所述点云图像矩阵中对应的第一点云像素;
所述处理器将所述第一点云像素的强度值设置为所述第一强度值;所述处理器将所述第一点云像素的深度值设置为所述第一深度值;
所述处理器根据所述点云图像矩阵生成目标点云图像数据。
2.根据权利要求1所述非视域成像的数据处理方法,其特征在于,在所述将所述点云图像数据发送给处理器之后,所述方法还包括:
所述处理器根据所述点云图像数据构建强度图像矩阵;其中,所述强度图像矩阵的每个像素包括强度值;
所述处理器对所述强度图像矩阵中各像素的强度值设置为所述第一预设值。
3.根据权利要求2所述非视域成像的数据处理方法,其特征在于,在所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的强度值进行第一拟合处理,得到所述第一像素的第一强度值之后,所述方法还包括:
所述处理器根据所述第一像素确定所述强度图像矩阵中对应的第一强度像素;
所述处理器将所述第一强度像素的强度值设置为所述第一强度值;
所述处理器根据所述强度图像矩阵生成目标强度图像数据。
4.根据权利要求1所述非视域成像的数据处理方法,其特征在于,在所述将所述点云图像数据发送给处理器之后,所述方法还包括:
所述处理器根据所述点云图像数据构建深度图像矩阵;其中,所述深度图像矩阵的每个像素包括深度值;
所述处理器对所述深度图像矩阵中各像素的强度值设置为所述第一预设值。
5.根据权利要求4所述非视域成像的数据处理方法,其特征在于,在所述处理器对所述第一预设数量个点云图像数据中的第一像素对应的深度值进行第一拟合处理,得到所述第一像素的第一深度值之后,所述方法还包括:
所述处理器根据所述第一像素确定所述深度图像矩阵中对应的第一深度像素;
所述处理器将所述第一深度像素的深度值设置为所述第一深度值;
所述处理器根据所述深度图像矩阵生成目标深度图像数据。
6.根据权利要求1所述非视域成像的数据处理方法,其特征在于,在所述处理器根据所述点云图像矩阵生成目标点云图像数据之后,所述方法还包括:
所述处理器根据所述点云图像数据在显示设备上输出点云图像。
7.根据权利要求1所述非视域成像的数据处理方法,其特征在于,所述第一预设概率分布类型为高斯分布;
所述第一拟合处理为高斯拟合处理。
8.根据权利要求1所述非视域成像的数据处理方法,其特征在于,在非视域成像系统对目标场景进行图像采集之前,所述方法还包括:
所述非视域成像系统接收外部输入的图像采集指令;
所述非视域成像系统根据所述图像采集指令读取第一预设数量和时间间隔数据。
9.根据权利要求8所述非视域成像的数据处理方法,其特征在于,所述非视域成像系统对目标场景进行图像采集,生成所述点云图像数据具体为:
所述非视域成像系统根据所述时间间隔对所述目标场景进行第一预设数量次图像采集,生成第一预设数量个点云图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010301596.4A CN111445507B (zh) | 2020-04-16 | 2020-04-16 | 一种非视域成像的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010301596.4A CN111445507B (zh) | 2020-04-16 | 2020-04-16 | 一种非视域成像的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445507A CN111445507A (zh) | 2020-07-24 |
CN111445507B true CN111445507B (zh) | 2023-07-18 |
Family
ID=71653287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010301596.4A Active CN111445507B (zh) | 2020-04-16 | 2020-04-16 | 一种非视域成像的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445507B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113630560B (zh) * | 2021-08-12 | 2023-01-17 | 哈尔滨工业大学 | 主动照明非视域二次半影成像方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087707A (zh) * | 2009-12-03 | 2011-06-08 | 索尼株式会社 | 图像处理设备和图像处理方法 |
CN104156972A (zh) * | 2014-08-25 | 2014-11-19 | 西北工业大学 | 基于激光扫描测距仪与多相机融合的透视成像方法 |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN106651801A (zh) * | 2016-12-23 | 2017-05-10 | Tcl集团股份有限公司 | 一种光斑定位时去除噪声的方法及系统 |
CN109416835A (zh) * | 2016-06-29 | 2019-03-01 | 皇家飞利浦有限公司 | 医学图像中的变化检测 |
CN109886936A (zh) * | 2019-01-28 | 2019-06-14 | 深圳大学 | 一种低对比度缺陷检测方法和装置 |
CN109945856A (zh) * | 2019-02-18 | 2019-06-28 | 天津大学 | 基于惯性/雷达的无人机自主定位与建图方法 |
CN110517303A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于双目相机和毫米波雷达的融合slam方法及系统 |
CN110554404A (zh) * | 2019-08-08 | 2019-12-10 | 华中科技大学 | 一种强背景噪声下Gm-APD阵列激光雷达成像方法及系统 |
CN110609299A (zh) * | 2019-10-12 | 2019-12-24 | 合肥泰禾光电科技股份有限公司 | 一种基于tof的三维成像系统 |
CN110766739A (zh) * | 2018-07-25 | 2020-02-07 | 真玫智能科技(深圳)有限公司 | 一种构建人体点云的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9953246B2 (en) * | 2014-12-16 | 2018-04-24 | The Regents Of The University Of California | Feature-preserving noise removal |
-
2020
- 2020-04-16 CN CN202010301596.4A patent/CN111445507B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087707A (zh) * | 2009-12-03 | 2011-06-08 | 索尼株式会社 | 图像处理设备和图像处理方法 |
CN104156972A (zh) * | 2014-08-25 | 2014-11-19 | 西北工业大学 | 基于激光扫描测距仪与多相机融合的透视成像方法 |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN109416835A (zh) * | 2016-06-29 | 2019-03-01 | 皇家飞利浦有限公司 | 医学图像中的变化检测 |
CN106651801A (zh) * | 2016-12-23 | 2017-05-10 | Tcl集团股份有限公司 | 一种光斑定位时去除噪声的方法及系统 |
CN110766739A (zh) * | 2018-07-25 | 2020-02-07 | 真玫智能科技(深圳)有限公司 | 一种构建人体点云的方法及装置 |
CN109886936A (zh) * | 2019-01-28 | 2019-06-14 | 深圳大学 | 一种低对比度缺陷检测方法和装置 |
CN109945856A (zh) * | 2019-02-18 | 2019-06-28 | 天津大学 | 基于惯性/雷达的无人机自主定位与建图方法 |
CN110554404A (zh) * | 2019-08-08 | 2019-12-10 | 华中科技大学 | 一种强背景噪声下Gm-APD阵列激光雷达成像方法及系统 |
CN110517303A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于双目相机和毫米波雷达的融合slam方法及系统 |
CN110609299A (zh) * | 2019-10-12 | 2019-12-24 | 合肥泰禾光电科技股份有限公司 | 一种基于tof的三维成像系统 |
Non-Patent Citations (2)
Title |
---|
Ibrahim Halfaoui.Improving BM3D on non-stationary Gaussian models for real image noise.《 2015 International Conference on Image Processing Theory, Tools and Applications (IPTA)》.2016,全文. * |
朱宏宇.大视场超分辨定位显微成像方法研究.《中国博士学位论文全文数据库 信息科技辑》.2014,I138-27. * |
Also Published As
Publication number | Publication date |
---|---|
CN111445507A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kirmani et al. | Looking around the corner using transient imaging | |
CN102763420B (zh) | 深度相机兼容性 | |
CN111344647A (zh) | 具有低延时运动规划更新的智能激光雷达系统 | |
CN110709722B (zh) | 飞行时间摄像机 | |
EP2333481B1 (fr) | Système optronique et procédé d'élaboration d'images en trois dimensions dédiés à l'identification | |
CN1707250A (zh) | 光学增强的微波成像系统和方法 | |
CN109814128B (zh) | 时间飞行与关联成像相结合的高分辨快速成像系统及方法 | |
WO2015184308A1 (en) | Motion contrast depth scanning | |
JP6467776B2 (ja) | 測距システム、情報処理装置、情報処理方法及びプログラム | |
CN114424022B (zh) | 测距设备,测距方法,程序,电子装置,学习模型生成方法,制造方法和深度图生成方法 | |
US11670083B2 (en) | Vision based light detection and ranging system using dynamic vision sensor | |
JP6435661B2 (ja) | 物体識別システム、情報処理装置、情報処理方法及びプログラム | |
CN111487648A (zh) | 一种基于飞行时间的非视域成像方法和系统 | |
CN111445507B (zh) | 一种非视域成像的数据处理方法 | |
CN113393548A (zh) | 基于深度残差神经网络的非视域成像方法 | |
JP2005156199A (ja) | 車両検知方法及び車両検知装置 | |
US20130021342A1 (en) | Noise reduction and focusing algorithms for gmapd | |
CN114460805B (zh) | 一种基于高通滤波的遮挡物散射成像系统 | |
WO2020235458A1 (ja) | 画像処理装置、方法及び電子機器 | |
CN114627522A (zh) | 深度相机 | |
RU2794167C1 (ru) | Устройство для видения подводных объектов | |
CN117289288A (zh) | 一种基于猫眼效应的无人机探测方法及装置 | |
Wu et al. | An Infrared Target Images Recognition and Processing Method Based on the Fuzzy Comprehensive Evaluation | |
CN117764839A (zh) | 一种基于飞行时间相机的图像复原方法 | |
KR101138222B1 (ko) | 전방향 거울 및 차영상 적분 알고리즘을 이용한 구조광 기반 전방향 거리측정 장치 및 방법 |
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 |