CN113313743B - 一种基于rgb-d传感器的深度信息优化方法 - Google Patents
一种基于rgb-d传感器的深度信息优化方法 Download PDFInfo
- Publication number
- CN113313743B CN113313743B CN202110607897.4A CN202110607897A CN113313743B CN 113313743 B CN113313743 B CN 113313743B CN 202110607897 A CN202110607897 A CN 202110607897A CN 113313743 B CN113313743 B CN 113313743B
- Authority
- CN
- China
- Prior art keywords
- pixel
- target
- confidence
- map
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000002146 bilateral effect Effects 0.000 claims abstract description 19
- 238000009966 trimming Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Images
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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Measurement Of Optical Distance (AREA)
Abstract
本发明公开了一种基于RGB‑D传感器的深度信息优化方法，所述方法包括以下四点：一是将利用RGB‑D传感器获得的RGB图和视差或深度图，分别作为引导图和目标图；二是用一定大小的滤波窗口对目标图进行像素局域方差计算并对目标图进行无效像素提取后得到置信度图；三是采用利用遮挡关系改进的基于置信度引导的双边滤波方法，设定目标函数；在置信度引导双边滤波方法的基础上，基于近景物体和远景物体相互遮挡的关系对目标函数公式引入遮挡修整项；遮挡修整项由目标图中的像素值计算得到；四是将引导图、目标图、置信度图作为输入，采用利用遮挡关系改进的基于置信度引导的双边滤波方法进行处理，输出优化后的目标图。
Description
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种基于RGB-D传感器的深度信息优化方法。
背景技术
目前RGB-D传感器已经有成熟的应用，从原理上可分为双目测量、结构光、TOF、激光雷达等，不同型号其成像质量和效果差异很大。
因为场景中物体间的遮挡、物体表面的弱纹理、反光、透明材料等，RGB-D传感器在这些区域不能获得准确的距离信息，导致深度信息不完整或有很多错误数据，不能直接用于距离测量或表面重建。
近年来兴起了用深度学习来进行深度预测或补全深度信息的方法，但是需要匹配硬件或大量的计算资源，且对不同场景的泛化能力较弱。由此，本申请提出一个简便易行的方法来补全RGB-D传感器的深度信息，对计算资源消耗较小，且无需根据场景修改算法。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于RGB-D传感器的深度信息优化方法。
本申请采用的方法其输入包括目标图和引导图，输出为补全后的目标图。方法中以RGB-D传感器获得的视差图或深度图作为目标图，以其对应的RGB图作为引导图。置信度图是计算过程的中间产物，根据目标图中的信息来生成。在置信度图的生成中，利用了一个经验性的事实：视差或深度数据中数值准确的区域往往数值相对平滑，而数值不准确的区域往往数值剧烈变化，所以置信度图可以按照像素周围区域的平滑度来构造。
针对上述想法，被申请内容对目标图计算像素局域方差，计算公式如下：
Var(x)＝E[x2]-(E[x])2 (1)
其中E为均值滤波操作。首先设定尺寸与目标图宽度成正比的滤波窗口，进行局域方差计算，然后截取局域方差较大的像素，与数值缺失的像素一起，作为置信度图中值为X的点，其余点的值设为Y。另一可选方案是，进行局域方差计算后，把归一化后的方差直接作为置信度图中的值，数值缺失的像素在置信度图中值为X，其余点的值设为Y。
基于上述的像素局域方差计算，可由目标图得到置信度图。现根据引导图、目标图、置信度图，被申请内容采用利用遮挡关系改进的基于置信度引导的双边滤波方法来补全RGB-D传感器数据中深度数据缺失的部分。
利用遮挡关系改进的基于置信度引导的双边滤波方法以引导图为参考来对目标图中的像素进行保边去噪。其输入包括三张图，第一张图提供像素值(目标图)，第二张图提供像素的分布(引导图)，第三张图提供像素值的保真程度(置信度图)。
本申请内容涉及的利用遮挡关系改进的基于置信度引导的双边滤波方法描述具体如下。
首先，引入基于置信度引导的双边滤波方法方程，如下两个表达式：
基于上述(2)与(3)所示表达式，通过最小化目标函数，即可确定输出图像中每一点
的像素值
表达式(2)中第一项是平滑项，第二项是保真项。保真项使置信度大的点在输出图像中的值和在目标图中的值接近。设目标图中
点的像素坐标为(a,b),
为
点的像素值，ci为置信度图中像素坐标同样为(a,b)的点
的置信度值，
为输出图像中像素坐标同样为(a,b)的点
的像素值。数据平滑项的作用是根据引导图中某像素pi和邻域像素(欧氏距离在固定范围内的像素)之间距离、亮度和色度的接近程度，来对目标图中同样位置的像素
的邻域像素进行加权平均，从而决定输出图中同样位置的像素
的值
在数据平滑项中，
为输出图像中点
的像素值，像素坐标为(a,b)，
为目标图像中点
的像素值，
为目标图中点
的邻域像素，
在目标图中的像素坐标也为(a,b)。输出图中像素坐标位为(a,b)的点
的像素值
是由目标图中像素坐标为(a,b0的点
的邻域点
的值加权得到，每个邻域点的权重Wi,j是由引导图中像素坐标为(a,b)的点pi和其邻域点pj的距离、亮度、色度的接近程度来决定，由公式(3)计算。
公式(3)描述根据引导图中每一像素点pi与其邻域点pj计算权重Wi,j的方式，其计算过程依次遍历引导图中每一个点，并对每一个点依次遍历它的邻域点。即如果总点数为M，邻域大小为N个点，那么计算完成的Wi,j共有M*N项。对于引导图中每一点pi，e指数中的三项分别代表点pi和邻域点pj之间的距离、亮度和色度差异。
中
为pi点坐标，
为它的邻域点pj坐标，σxy用来控制pi与不同距离的pj对Wi,j贡献的弥散程度，σxy较小时，只有pi近距离的pj对应的Wi,j较大，随着距离的增加，pj对应的Wi,j消减迅速；σxy较大时，随着距离的增加pj对应的Wi,j消减缓慢。
中
为pi点的亮度，
为它的邻域点pj的亮度，σi用来控制pi与不同亮度差异的pj对Wi,j的贡献，σι较小时，只有与pi亮度差异小的pj对应的Wi,j较大，随着亮度差异的增加，pj对应的Wi,j消减迅速；σι较大时，随着亮度差异的增加pj对应的Wi,j消减缓慢。
中
为pi点的色度，即在色度图中的色度坐标，
为它的邻域点pj的色度，σuv用来控制pi与不同色度差异的pj对Wi,j的贡献，σuv较小时，只有与pi色度差异小的pj对应的Wi,j较大，随着亮度差异的增加，pj对应的Wi,j消减迅速，σuv较大时，随着色度差异的增加pj对应的Wi,j消减缓慢。
考虑目标图中因为近景物体和远景物体相互遮挡而缺失的区域，其像素值往往和远景物体的像素值接近。因此，在通用的基于置信度引导的双边滤波方法基础上，本申请内容在目标函数第二个求和项中增加了遮挡修整项
具体见以下公式(4)和公式(5)。
其作用是增加引导图中像素坐标为(a,b)的点pi邻域内远景像素的权重，使输出图中同样像素坐标(a,b)的点
的像素值
与其邻域内远景部分的像素值更接近。其中q是系数，幂指数n为任意有理数，Tj为目标图中点
的视差值。目标图中点
的像素坐标与引导图中点pj的像素坐标相同。当目标图是视差图时，
当目标图是深度图时，要把深度值转换为视差值再进行计算，例如当目标图是8位深度图时，
当目标图是16位深度图时，
其中
为目标图中点
的像素值，
为
的邻域点，
为引导图中像素坐标为(a,b)的点。注意到Wi,j的第一项根据引导图计算，第二项根据目标图计算，而涉及到的引导图中的点pi和目标图中点
的像素坐标相同，引导图中的点pj和目标图中点
的像素坐标相同。最终的计算公式变为上面两个公式(4)和公式(5)。下文将此方法称为基于遮挡关系改进的置信度引导双边滤波方法。
将目标图、引导图和置信度图作为输入，即可用基于遮挡关系改进的置信度引导双边滤波方法进行处理，生成优化后的目标图。
本发明的是通过以下技术方案得以实现的：
一种基于RGB-D传感器的深度信息优化方法，所述方法包括：
将利用RGB-D传感器获得的RGB图和视差或深度图，分别作为引导图和目标图；
基于作为目标图的视差或深度图，设定尺寸与目标图宽度成正比的滤波窗口，以滤波窗口为单位，依次对目标图中每个像素点进行局域方差计算；
设定局域方差阈值，截取像素局域方差大于局域方差阈值的像素点与数值缺失的无效像素点，作为置信度图中值为X的点，置信度图中其余点的值设为Y，以获得置信度图；或者把归一化后的像素局域方差直接作为置信度图中每点的值，数值缺失的无效像素点在置信度图中的值设为X，以获得置信度图；
采用基于置信度引导的双边滤波方法，设定目标函数，所述目标函数的计算公式利用近景物体和远景物体相互遮挡的关系引入遮挡修整项，所基于目标图为视差或深度图，遮挡修整项由目标图中的像素值计算而得；
将引导图、目标图、置信度图作为输入，采用利用遮挡关系改进的基于置信度引导的双边滤波方法进行处理，生成优化后的目标图。
进一步优选为，所述像素局域方差计算方法包括：
以滤波窗口为单位，对目标图中尺寸等于滤波窗口大小的区域内的所有像素点进行像素平方的均值滤波值的计算，以及像素均值滤波后的平方值计算，再将像素平方的均值滤波值与像素均值滤波后的平方值两者相减，获得像素局域方差，作为滤波窗口中心位置像素的局域方差值。
计算完成后，将滤波窗口偏移一个像素再次计算，直到覆盖目标图的所有像素。
进一步优选为，如果目标图是视差图，所述遮挡修整项的值由系数与目标图中视差值的幂指数相乘而得。如果目标图是深度图，则先需要把深度值转换为视差值，再进行计算。
综上所述，本发明对比于现有技术的有益效果为：本申请内容视差或深度数据中数值准确的区域往往数值相对平滑，而数值不准确的区域往往数值剧烈变化，所以置信度图可以按照像素周围区域的平滑度的特点，设定滤波窗口，将目标图进行像素局域方差计算和无效像素提取，最终获得置信度图，再配合使用利用遮挡关系改进的基于置信度引导的双边滤波方法，对RGB-D传感器采集的视差图或深度图进行处理，以补全缺失或错误的数据，获得完整的深度信息。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1为实施例的流程图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。说明书中的“实施例”或“实施方式”既可表示一个实施例或一种实施方式，也可表示一些实施例或一些实施方式的情况。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种基于RGB-D传感器的深度信息优化方法。
需要说明的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
一种基于RGB-D传感器的深度信息优化方法，参照图1所示，所述方法包括：
将利用RGB-D传感器获得的RGB图和视差或深度图，分别作为引导图和目标图；如果视差或深度信息的表达为RGB-D传感器特定的格式，可先进行格式转换，再进行下一步处理；
基于作为目标图的视差或深度图，设定与目标图宽度成正比的滤波窗口，如设定滤波窗口的大小为目标图宽度的百分之一，以滤波窗口为单位，对目标图中尺寸等于滤波窗口大小的区域内的所有像素点进行像素局域方差计算；
具体地，像素局域方差计算包括：
以滤波窗口为单位，对目标图中尺寸等于滤波窗口大小的区域内的所有像素点进行像素平方的均值滤波值的计算，以及像素均值滤波后的平方值计算，再将像素平方的均值滤波值与像素均值滤波后的平方值两者相减，获得像素局域方差，作为滤波窗口中心位置像素的局域方差值。
计算完成后，将滤波窗口偏移一个像素再次计算，直到覆盖目标图的所有像素。
接着设定局域方差阈值，截取像素局域方差大于局域方差阈值的像素点与数值缺失的无效像素点，作为置信度图中值为X的点，置信度图中其余点的值设为Y，以获得置信度图；或者把归一化后的像素局域方差直接作为置信度图中每点的值，数值缺失的无效像素点在置信度图中的值设为X，其余点的值设为Y，以获得置信度图；
如本实施例使用的目标图，其像素值为0-255之间的浮点数，截取局域方差为234以上的像素，作为置信度值为0的像素，除此之外，无效像素点对应的置信度值也为0，其他位置置信度值为255。
采用利用遮挡关系改进的基于置信度引导的双边滤波方法，设定目标函数，如下述两个公式所示：
目标函数的计算公式在基于置信度引导的双边滤波基础上，利用近景物体和远景物体相互遮挡的关系引入遮挡修整项
其中q是系数，本实施例取q＝1，幂指数n为任意有理数，本实施例取n＝2，Tj是视差值，本实施例中的目标图是视差图，因此Tj取目标图中像素的值；当目标图是深度图时，需要把深度值转换为视差值；
将引导图、目标图、置信度图作为输入，一并送入编译好的程序，采用利用遮挡关系改进的基于置信度引导的双边滤波方法进行处理，生成优化后的目标图。
上述全部流程皆可在嵌入式板端运行，可以方便的移植到各种嵌入式系统中运行，部署简单，对计算资源消耗较小，适用于各种场景，无需根据场景修改算法。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (3)
1.一种基于RGB-D传感器的深度信息优化方法，其特征在于，所述方法包括：
将利用RGB-D传感器获得的RGB图和视差或深度图，分别作为引导图和目标图；
基于作为目标图的视差或深度图，设定与目标图宽度成正比的滤波窗口，以滤波窗口为单位，对目标图中所有像素点进行局域方差计算；
设定局域方差阈值，截取像素局域方差大于局域方差阈值的像素点与数值缺失的无效像素点，作为置信度图中值为X的点，置信度图中其余点的值设为Y，以获得置信度图；或者把归一化后的像素局域方差直接作为置信度图中每点的值，数值缺失的无效像素点在置信度图中的值设为X，其余点设为Y，以获得置信度图；
采用利用遮挡关系改进的基于置信度引导的双边滤波方法，设定目标函数，所述目标函数的计算公式在基于置信度引导的双边滤波方法基础上，利用近景物体和远景物体相互遮挡的关系引入遮挡修整项，所基于目标图为视差或深度图，遮挡修整项由目标图中的像素值计算而得，并赋予权重；
将引导图、目标图、置信度图作为输入，采用利用遮挡关系改进的基于置信度引导的双边滤波方法进行处理，生成优化后的目标图。
2.根据权利要求1所述的一种基于RGB-D传感器的深度信息优化方法，其特征在于，所述像素局域方差计算方法包括：
以滤波窗口为单位，对目标图中尺寸等于滤波窗口大小的区域内的所有像素点进行像素平方的均值滤波值的计算，以及像素均值滤波后的平方值计算，再将像素平方的均值滤波值与像素均值滤波后的平方值两者相减，作为滤波窗口中心位置像素的局域方差值；
计算完成后，将滤波窗口偏移一个像素再次计算，直到覆盖目标图的所有像素。
3.根据权利要求1所述的一种基于RGB-D传感器的深度信息优化方法，其特征在于，如果目标图是视差图，所述遮挡修整项的值由权重与目标图中视差值的幂指数相乘而得； 如果目标图是深度图，则先需要把深度值转换为视差值，再进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110607897.4A CN113313743B (zh) | 2021-06-01 | 2021-06-01 | 一种基于rgb-d传感器的深度信息优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110607897.4A CN113313743B (zh) | 2021-06-01 | 2021-06-01 | 一种基于rgb-d传感器的深度信息优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113313743A CN113313743A (zh) | 2021-08-27 |
| CN113313743B true CN113313743B (zh) | 2022-05-10 |
Family
ID=77376826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110607897.4A Active CN113313743B (zh) | 2021-06-01 | 2021-06-01 | 一种基于rgb-d传感器的深度信息优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313743B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069808A (zh) * | 2015-08-31 | 2015-11-18 | 四川虹微技术有限公司 | 基于图像分割的视频图像深度估计方法 |
| CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
| US10580158B1 (en) * | 2017-11-03 | 2020-03-03 | Zoox, Inc. | Dense depth estimation of image data |
| CN111354031A (zh) * | 2020-03-16 | 2020-06-30 | 浙江一木智能科技有限公司 | 基于深度学习的3d视觉引导系统 |
| CN112800905A (zh) * | 2021-01-19 | 2021-05-14 | 浙江光珀智能科技有限公司 | 一种基于rgbd相机姿态估计的引体向上计数方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9355123B2 (en) * | 2013-07-19 | 2016-05-31 | Nant Holdings Ip, Llc | Fast recognition algorithm processing, systems and methods |
-
2021
- 2021-06-01 CN CN202110607897.4A patent/CN113313743B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069808A (zh) * | 2015-08-31 | 2015-11-18 | 四川虹微技术有限公司 | 基于图像分割的视频图像深度估计方法 |
| US10580158B1 (en) * | 2017-11-03 | 2020-03-03 | Zoox, Inc. | Dense depth estimation of image data |
| CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
| CN111354031A (zh) * | 2020-03-16 | 2020-06-30 | 浙江一木智能科技有限公司 | 基于深度学习的3d视觉引导系统 |
| CN112800905A (zh) * | 2021-01-19 | 2021-05-14 | 浙江光珀智能科技有限公司 | 一种基于rgbd相机姿态估计的引体向上计数方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Depth enhancement using RGB-D guided filtering";Tak-Wai Hui.et al;《ResearchGate》;20150131;全文 * |
| "彩色图像引导的深度图像增强";刘俊毅;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20140615;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113313743A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446694B (zh) | 一种目标检测方法及装置 | |
| JP6613605B2 (ja) | 深度画像の深度値復元方法及びシステム | |
| CN108381549B (zh) | 一种双目视觉引导机器人快速抓取方法、装置及存储介质 | |
| CN111402170B (zh) | 图像增强方法、装置、终端及计算机可读存储介质 | |
| CN113077476B (zh) | 一种高度测量方法、终端设备以及计算机存储介质 | |
| CN109117806B (zh) | 一种手势识别方法和装置 | |
| CN113269689B (zh) | 一种基于法向量和高斯权重约束的深度图像补全方法及系统 | |
| CN115330940B (zh) | 一种三维重建方法、装置、设备和介质 | |
| CN109214996A (zh) | 一种图像处理方法及装置 | |
| CN113313743B (zh) | 一种基于rgb-d传感器的深度信息优化方法 | |
| CN109615590B (zh) | 基于模糊算法与分数阶微分算法的声呐图像增强方法 | |
| CN114331919B (zh) | 深度恢复方法、电子设备及存储介质 | |
| CN113808185B (zh) | 图像深度恢复方法、电子设备及存储介质 | |
| CN116129069A (zh) | 平面区域面积的计算方法、装置、电子设备和存储介质 | |
| JP7429666B2 (ja) | 点群ノイズ除去装置及びプログラム | |
| CN111695552B (zh) | 多特征融合的水下目标建模及优化方法 | |
| TW201816725A (zh) | 擴充實境中基於深度攝影機之遮蔽邊緣品質改善方法 | |
| CN111382834B (zh) | 一种置信度比较方法及装置 | |
| CN112766338A (zh) | 一种计算距离图像的方法、系统及计算机可读存储介质 | |
| CN114255268A (zh) | 视差图处理、深度学习模型训练方法及相关设备 | |
| CN111968139B (zh) | 基于初级视觉皮层固视微动机制的轮廓检测方法 | |
| CN113610964B (zh) | 一种基于双目视觉的三维重建方法 | |
| CN112700532B (zh) | 一种用于三维重建的神经网络训练方法和系统 | |
| CN117576180B (zh) | 基于自适应多尺度窗口的多视图深度估计方法及应用 | |
| CN114820349B (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 |