CN103927717A - 基于改进型双边滤波的深度图像恢复方法 - Google Patents
基于改进型双边滤波的深度图像恢复方法 Download PDFInfo
- Publication number
- CN103927717A CN103927717A CN201410122870.6A CN201410122870A CN103927717A CN 103927717 A CN103927717 A CN 103927717A CN 201410122870 A CN201410122870 A CN 201410122870A CN 103927717 A CN103927717 A CN 103927717A
- Authority
- CN
- China
- Prior art keywords
- image
- depth
- depth image
- pixel
- edge
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进型双边滤波的深度图像恢复方法,该方法先使用局部自适应双边滤波对原始深度图像进行平滑去噪,然后对深度图像中的错误深度像素进行校正,最后结合于深度图像对应的RGB图像,采用选择性联合双边滤波对深度图像进行空洞填充,最终恢复的深度图像中的噪音得到了有效地抑制,错误深度像素得到了有效地校正,并且有清晰的深度边界。本发明能有效地抑制深度图中的局部不均匀噪音和填充深度图像中的空洞,同时能使得恢复后的深度图像中的边缘清晰整齐,有利于后续的诸如三维场景识别和重建等处理。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及RGB-D图像,即与之对应的RGB图像的深度图像恢复方法。
背景技术
随着新的深度测量技术的诞生,获得场景深度图像已经变得非常容易,且测量装置也很便宜,并可同时获得与深度图像相对应的场景的RGB图像,与深度图像合起来被称作RGB-D图像。然而这类装置由于测量原理简单,因此得到的深度图像质量也存在问题,主要包括:局部不均匀噪音,空洞现象和错误深度像素。目前对这类装置获得的深度图像恢复的方法主要包括两大类:(1)只利用深度图像信息进行恢复,(2)结合深度图像和与之对应的RGB图像信息进行的恢复,这两大类方法又可以根据只使用当前帧信息和使用多帧信息两种情况各分为两类。
下面对现有的部分RGB-D深度图像恢复算法按上述分类方法进行简要介绍。M.Andrew等人与2012年提出(“Enhanced personal autostereoscopic telepresence system usingcommodity depth cameras”)使用两个改进型中值滤波器近利用当前帧深度信息进行深度图像恢复;W.Jakob等人与2011年提出(“Real-time preprocessing for dense3-d rangeimaging on the GPU:defect interpolation,bilateral temporal averaging and guided filtering”)考虑多帧相邻帧深度信息,采用归一化卷积技术和导向滤波器(guided filter)。上述两种方法虽然运算速度很高,但是只使用了深度信息,因此对深度图像恢复效果很有限,只适用于对深度图像质量要求不高的算法,可作为简单预处理算法。Y.Jingyu等人与2012年提出(“Depth recovery using an adaptive color-guided auto-regressive model”)使用能量最小化方法,先对图像中的空洞进行插值填充,然后迭代优化能量函数,达到空洞填充和去噪的效果,该方法使用了当前帧的RGB-D图像信息,其缺陷是恢复后的深度图像边缘很模糊;Massimo Camplani等人与2012年提出(“Accurate depth-color scenemodeling for3d contents generation with low cost depth cameras”)使用多帧RGB-D图像建立场景模型,并用该模型进行深度图像恢复,但是该方法要求图像中的场景为静态的,因此很大程度限制了其应用性。
然而上述方法还有一个共同的缺陷就是没有强调错误深度像素问题和提出很好的解决方法。
发明内容
针对现有技术中的缺陷,本发明目的是提供一种基于改进型双边滤波的深度图像恢复方法,该方法提出了错误深度像素的概念,能有效地抑制深度图中的噪音和填充深度图像中的空洞,同时使得恢复后的深度图像中的深度边缘清晰整齐。
为实现上述目的,本发明提供一种基于改进型双边滤波的深度图像恢复方法,该方法先使用局部自适应双边滤波对原始深度图像进行平滑去噪,然后对深度图像中的错误深度像素进行校正,最终结合于深度图像对应的彩色RGB图像,采用选择性联合双边滤波对深度图像进行空洞填充。最终恢复的深度图像噪音得到了有效地抑制,错误深度像素得到了有效地校正,并且有清晰的深度边界。
本发明具体包括以下步骤:
(1)对原始深度图像进行局部自适应双边滤波,对深度图像中的区域不均匀噪声进行平滑;
(2)对深度图像和与该深度图像相对应的RGB图像分别进行边缘检测,分别得到相应的边缘图像;
(3)然后对深度图像的边缘图像进行形态学膨胀,将膨胀后的边缘图像与RGB图像的边缘图像进行逻辑交运算,得到深度边界图像的初始图像;
(4)再对深度边界图像初始图像中的边界像素进行校正,去掉伪边界的边界像素,最终的到真正深度边界图像的近似图像;
(5)结合校正后的深度边界图像,对平滑后的深度图像中错误深度值像素进行校正;
(6)利用深度图像边缘与RGB图像纹理边缘之间的联系,采用选择性联合双边滤波并结合(4)中得到的校正的深度边界图像,对校正后的深度图像中的空洞进行填充。
与现有技术相比,本发明具有如下收益效果:
本发明不同于背景技术中所有的方法,提出了错误深度像素的概念,并提出了相应的解决方案。同时本发明有效地使用双边滤波的变型——局部自适应双边滤波和选择性联合双边滤波两种滤波器分别对深度图像进行去噪和空洞填充,能有效地恢复深度图像,并且与Y.Jingyu等人的方法(“Depth recovery using an adaptive color-guidedauto-regressive model”)相比,本发明恢复后的深度图像错误深度像素更少,深度边缘清晰。
本发明能有效地抑制深度图中的噪音和填充深度图像中的空洞,同时使得恢复后的深度图像中的深度边缘清晰整齐,有利于后续的诸如三维场景识别和重建等处理。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例原始深度图像(左)和与之对应的RGB彩色图像(右);
图2为本发明一实施例原始深度图像的边缘图像(左),深度边界图像初始图像(中)和校正后的深度边界图像(右);
图3为本发明一实施例原始深度图像的部分方法图(左),该部分中的错误深度像素用粉红色标记(中)和经过错误深度像素校正后的深度图像(右);
图4为本发明一实施例所恢复的结果(左)和Y.Jingyu等人的方法恢复的结果(右)。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1显示了一张深度图像和与之对应的RGB彩色图像,即RGB-D图像,其中深度图像中黑色区域为无深度信息像素点,为深度图像的“空洞”。图3中显示了将图1中深度图像部分放大图(图2左),并将该放大图覆盖到与之对应的彩色图像部分(图2中),可以看出,粉色部分应该属于人体后面的墙,但是其深度值为人体所在位置的深度,这样的像素即为错误深度像素。然而深度图像同时还有区域不均匀噪音,即靠近深度图像边缘部分的深度值有较高的噪音,而远离深度图像边缘部分的深度值的噪音早相对较小,因此对给定的RGB-D图像做如下处理。
(1)采用局部自适应双边滤波对输入深度图像中的噪音进行平滑,得到噪音相对较小的深度图像。
本步骤中:对原始深度图像进行边缘检测得到边缘图像,对边缘图像进行形态学膨胀,对于原始深度图像中被膨胀后的边缘所覆盖的深度图像像素,当平滑这些像素时,其双边滤波的方差设为一常数,对于不在覆盖范围内的,双边滤波的方差设为另一常数,公式如下:
其中i,j表示像素坐标,为归一化因子,Ni表示以Di为中心的w×w的图像块,a,b为常数,f(θ)为局部自适应方差,其定义如下:
θ表示被平滑像素到最近深度边缘的距离,单位为像素,r表示膨胀深度图像边缘图像中圆形基本元素的半径,单位为像素。
本实施例中,上述参数可做如下选择:b=2a=2,C1=1.3,C2=0.8,r=10~15像素,w=11~15像素。
(2)分别对RGB图像和平滑后的深度图像进行边缘检测,得到相应的边缘图像;
(3)将原始深度图像的边缘图像进行形态学膨胀后与RGB图像的边缘图像进行二值交运算,得到深度边界图像的初始图像;
(4)对初始图像进行校正以去除该图像中伪深度边界。图2分别显示了原始深度图像的边缘图像(左),深度边界图像的初始图像(中)和校正后的深度边界图像(右)。
本步骤中:校正公式如下:
其中:Λ为深度边界图像初始图像中二值像素值为1的坐标的集合。Ei表示该初始图像中坐标i处的像素。sgn(·)为符号函数,当x<0时有sgn(x)=0,当x≥0时有sgn(x)=1。TΔ为给定阈值。为经过平滑去噪后深度图像的Laplacian图像在坐标j处的值。Ωi是平滑后的深度图像中通过坐标i并垂直于在i处的深度边界的长度为[-R,R]的直线段,其中-R和R表示该线段在深度边界两侧。对深度边界图像初始图像中所有Ei(i∈Λ)计算上式,当g(Ei)=0时表示Ei属于伪深度边界,将Ei去掉,即Ei←0;当g(Ei)=1时表示Ei属于深度边界,将Ei保留。
上述参数可做如下选择:TΔ=0.08,R=5~10像素。
最终经过上述计算,得到校正的深度边界图像的校正图像,并将该图像作为真正深度边界图像的近似图像。
(5)结合校正后的深度边界图像,对平滑后深度图像中的错误深度像素进行校正。图3显示了部分深度图像(左),并将该图像中的错误深度像素用粉红色标记(中)和校正错误深度像素后的深度图像(右)。
本步骤中:对于步骤(4)中如果g(Ei)=1时,将对平滑处理后的深度图像中的错误深度像素进一步校正。令则对平滑后的深度图像中Ωi中的深度像素做如下校正:对所有s∈Ωi,并且s在i和j之间,令Ds←Dk。其中Ds和Dk是平滑后深度图像中与和所在位置相对应的深度像素的值。
(6)利用深度图像边缘与RGB图像纹理边缘之间的联系,采用选择性联合双边滤波并结合校正的深度边界图像,对校正后的深度图像中的空洞进行填充,最终的到恢复后的深度图像,结果如图4(左)所示。
本步骤中:具体公式如下:
其中i,j表示像素坐标,为归一化因子,c,d为常数,表示与深度图像相对应的彩色图像中位于i,j处像素z通道的像素值z∈{R,G,B}。SNi表示在以Di为中心的w×w的图像块中的像素经下述公式选择后的像素的集合:
其中为深度图像中位置i处的8近邻深度值的均值,T为给定阈值,衡量所选择的Dj与Di的相似度。
上述参数可做如下选择:d=2c=2,T=0.1~0.15。
将使用本发明方法恢复的深度图像与Y.Jingyu等人的方法恢复的深度图像(图4右)相比,本发明恢复后的深度图像边缘整齐清晰,同时在肘部下方可以看出,本发明恢复的深度图像明显比Y.Jingyu等人的错误深度像素少。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (5)
1.一种基于改进型双边滤波的深度图像恢复方法,其特征在于,所使用的局部自适应双边滤波能有效的抑制深度图像中的区域不均匀噪音,同时结合与深度图像相对应的RGB图像,采用选择性联合双边滤波对深度图像进行空洞填充,并利用深度图像边缘与RGB图像纹理边缘之间的联系,使得恢复后的深度图像边缘清晰整齐;
所述方法具体包括如下步骤:
第一步,对原始深度图像进行局部自适应双边滤波,对深度图像中的区域不均匀噪声进行平滑;
第二步,对深度图像和与该深度图像相对应的RGB图像分别进行边缘检测,分别得到相应的边缘图像;
第三步,对深度图像的边缘图像进行形态学膨胀,将膨胀后的边缘图像与RGB图像的边缘图像进行逻辑交运算,得到深度边界图像的初始图像;
第四步,对深度边界图像初始图像中的边界像素进行校正,去掉伪边界的边界像素,最终的到真正深度边界图像的近似图像;
第五步,结合校正后的深度边界图像,对平滑后的深度图像中错误深度像素进行校正;
第六步,利用深度图像边缘与RGB图像纹理边缘之间的联系,采用选择性联合双边滤波并结合第四步中得到的校正的深度边界图像,对校正后的深度图像中的空洞进行填充。
2.根据权利要求1所述的基于双边滤波的深度图像恢复方法,其特征在于,所述第一步中对深度图像中的区域不均匀噪音进行局部自适应双边滤波平滑,其具体为:
对原始深度图像进行边缘检测得到边缘图像,对边缘图像进行形态学膨胀,对于原始深度图像中被膨胀后的边缘所覆盖的深度图像像素,当平滑这些像素时,双边滤波的方差设为常数,对于不在覆盖范围内的,双边滤波的方差设为另一常数,公式如下:
其中i,j表示像素在深度图像中的坐标,为归一化因子,Ni表示以Di为中心的w×w图像块,a,b为常数,f(θ)为局部自适应方差,其定义如下:
θ表示被平滑像素到最近深度边缘的距离,单位为像素,r表示膨胀深度图像边缘图像中圆形基本元素的半径,单位为像素。
3.根据权利要求1所述的基于改进型双边滤波的深度图像恢复方法,其特征在于,所述第四步中,校正公式如下:
其中Λ为深度边界图像初始图像中二值像素值为1的坐标的集合,Ei表示该初始图像中坐标i处的像素;sgn(·)为符号函数,当x<0时有sgn(x)=0,当x≥0时有sgn(x)=1;TΔ为给定阈值;为经过平滑去噪后深度图像的Laplacian图像在坐标j处的值;Ωi是平滑后的深度图像中通过坐标i并垂直于在i处的深度边界的长度为[-R,R]的直线段,其中-R和R表示该线段在深度边界两侧;对深度边界图像初始图像中所有Ei(i∈Λ)计算上式,当g(Ei)=0时表示Ei属于伪深度边界,将Ei去掉,即Ei←0;当g(Ei)=1时表示Ei属于深度边界,将Ei保留。
4.根据权利要求3所述的基于改进型双边滤波的深度图像恢复方法,其特征在于,所述第五步中:如果g(Ei)=1时,对平滑处理后的深度图像中的错误深度像素进一步校正,令则对平滑后的深度图像中Ωi中的深度像素做如下校正:
对所有s∈Ωi,并且s在i和j之间,令Ds←Dk;
其中Ds和Dk是平滑后深度图像中与和所在位置相对应的深度像素的值。
5.根据权利要求1-4任一项所述的基于改进型双边滤波的深度图像恢复方法,其特征在于,所述第六步中:利用深度图像边缘与RGB图像纹理边缘之间的联系,采用选择性联合双边滤波对深度图像中的空洞进行填充,公式如下:
其中i,j表示像素坐标,为归一化因子,c,d为常数,表示与深度图像相对应的RGB图像中位于i,j处像素z通道的像素值,其中z∈{R,G,B};SNi表示在以Di为中心的w×w图像块中的像素经下述公式选择后的像素的集合:
其中为深度图像中位置i处的8近邻深度值的均值,T为给定阈值,衡量所选择的Dj与Di的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410122870.6A CN103927717B (zh) | 2014-03-28 | 2014-03-28 | 基于改进型双边滤波的深度图像恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410122870.6A CN103927717B (zh) | 2014-03-28 | 2014-03-28 | 基于改进型双边滤波的深度图像恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927717A true CN103927717A (zh) | 2014-07-16 |
CN103927717B CN103927717B (zh) | 2017-03-15 |
Family
ID=51145929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410122870.6A Active CN103927717B (zh) | 2014-03-28 | 2014-03-28 | 基于改进型双边滤波的深度图像恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927717B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156720A (zh) * | 2014-07-26 | 2014-11-19 | 佳都新太科技股份有限公司 | 基于噪声评估模型的人脸图像去噪方法 |
CN104780355A (zh) * | 2015-03-31 | 2015-07-15 | 浙江大学 | 一种视点合成中基于深度的空洞修复方法 |
CN106504294A (zh) * | 2016-10-17 | 2017-03-15 | 浙江工业大学 | 基于扩散曲线的rgbd图像矢量化方法 |
CN106559659A (zh) * | 2015-09-25 | 2017-04-05 | 台达电子工业股份有限公司 | 立体影像深度图产生装置及方法 |
CN106910242A (zh) * | 2017-01-23 | 2017-06-30 | 中国科学院自动化研究所 | 基于深度相机进行室内完整场景三维重建的方法及*** |
CN106998460A (zh) * | 2017-05-16 | 2017-08-01 | 合肥工业大学 | 一种基于深度过渡和深度项整体变分的空洞填补算法 |
CN107633490A (zh) * | 2017-09-19 | 2018-01-26 | 北京小米移动软件有限公司 | 图像处理方法、装置及存储介质 |
CN107895353A (zh) * | 2017-11-09 | 2018-04-10 | 武汉大学 | 一种交互式的深度图纹理拷贝瑕疵去除方法 |
CN107993201A (zh) * | 2017-11-24 | 2018-05-04 | 北京理工大学 | 一种保留边界特征的深度图像增强方法 |
CN108141593A (zh) * | 2015-07-31 | 2018-06-08 | 港大科桥有限公司 | 用于针对深度视频的高效帧内编码的基于深度不连续的方法 |
US10165168B2 (en) | 2016-07-29 | 2018-12-25 | Microsoft Technology Licensing, Llc | Model-based classification of ambiguous depth image data |
CN110097507A (zh) * | 2018-01-29 | 2019-08-06 | 舜宇光学(浙江)研究院有限公司 | 深度图优化***和优化方法 |
CN110400272A (zh) * | 2019-07-11 | 2019-11-01 | Oppo广东移动通信有限公司 | 深度数据的滤波方法、装置、电子设备和可读存储介质 |
WO2020001149A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 用于在深度图像中提取物体的边缘的方法、装置和计算机可读存储介质 |
CN110992359A (zh) * | 2019-12-20 | 2020-04-10 | 姜通渊 | 一种混凝土裂缝检测方法、装置及电子设备 |
CN111242855A (zh) * | 2020-01-04 | 2020-06-05 | 西安交通大学 | 基于rgb-d的ssim结构相似度的迭代深度图结构修复方法 |
CN111415310A (zh) * | 2020-03-26 | 2020-07-14 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、存储介质 |
CN111696057A (zh) * | 2020-05-25 | 2020-09-22 | 北京的卢深视科技有限公司 | 一种深度图像去噪方法及装置 |
CN112446836A (zh) * | 2019-09-05 | 2021-03-05 | 浙江舜宇智能光学技术有限公司 | 用于tof深度相机的数据处理方法及其*** |
US11216962B2 (en) | 2017-04-13 | 2022-01-04 | Ultra-D Coöperatief U.A. | Efficient implementation of joint bilateral filter |
WO2022116397A1 (zh) * | 2020-12-04 | 2022-06-09 | 北京大学深圳研究生院 | 虚拟视点深度图处理方法、设备、装置及存储介质 |
WO2023070421A1 (en) * | 2021-10-28 | 2023-05-04 | Intel Corporation | Methods and apparatus to perform mask-based depth enhancement for multi-view systems |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102769746A (zh) * | 2012-06-27 | 2012-11-07 | 宁波大学 | 一种多视点深度视频处理方法 |
KR20130067449A (ko) * | 2011-12-14 | 2013-06-24 | 한국전자통신연구원 | 3차원 실 환경 복원 및 상호작용 방법과 그 장치 |
-
2014
- 2014-03-28 CN CN201410122870.6A patent/CN103927717B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130067449A (ko) * | 2011-12-14 | 2013-06-24 | 한국전자통신연구원 | 3차원 실 환경 복원 및 상호작용 방법과 그 장치 |
CN102769746A (zh) * | 2012-06-27 | 2012-11-07 | 宁波大学 | 一种多视点深度视频处理方法 |
Non-Patent Citations (2)
Title |
---|
PENG-FEI JIN等: "Fast Stereo Matching Based on Adaptive Window and Bilateral Filtering with GPU Implementation", 《PROCEEDINGS OF SPIE 2011 INTERNATIONAL CONFERENCE ON PHOTONICS, 3D-IMAGING, AND VISUALIZATION》 * |
徐欢等: "Kinect深度图像修复算法", 《微电子学与计算机》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156720A (zh) * | 2014-07-26 | 2014-11-19 | 佳都新太科技股份有限公司 | 基于噪声评估模型的人脸图像去噪方法 |
CN104780355A (zh) * | 2015-03-31 | 2015-07-15 | 浙江大学 | 一种视点合成中基于深度的空洞修复方法 |
CN104780355B (zh) * | 2015-03-31 | 2017-01-04 | 浙江大学 | 一种视点合成中基于深度的空洞修复方法 |
CN108141593A (zh) * | 2015-07-31 | 2018-06-08 | 港大科桥有限公司 | 用于针对深度视频的高效帧内编码的基于深度不连续的方法 |
CN106559659A (zh) * | 2015-09-25 | 2017-04-05 | 台达电子工业股份有限公司 | 立体影像深度图产生装置及方法 |
CN106559659B (zh) * | 2015-09-25 | 2018-07-10 | 台达电子工业股份有限公司 | 立体影像深度图产生装置及方法 |
US10165168B2 (en) | 2016-07-29 | 2018-12-25 | Microsoft Technology Licensing, Llc | Model-based classification of ambiguous depth image data |
CN106504294B (zh) * | 2016-10-17 | 2019-04-26 | 浙江工业大学 | 基于扩散曲线的rgbd图像矢量化方法 |
CN106504294A (zh) * | 2016-10-17 | 2017-03-15 | 浙江工业大学 | 基于扩散曲线的rgbd图像矢量化方法 |
CN106910242A (zh) * | 2017-01-23 | 2017-06-30 | 中国科学院自动化研究所 | 基于深度相机进行室内完整场景三维重建的方法及*** |
CN106910242B (zh) * | 2017-01-23 | 2020-02-28 | 中国科学院自动化研究所 | 基于深度相机进行室内完整场景三维重建的方法及*** |
RU2767512C2 (ru) * | 2017-04-13 | 2022-03-17 | Ултра-Д Коператиф У.А. | Эффективная реализация объединенного билатерального фильтра |
US11216962B2 (en) | 2017-04-13 | 2022-01-04 | Ultra-D Coöperatief U.A. | Efficient implementation of joint bilateral filter |
CN106998460A (zh) * | 2017-05-16 | 2017-08-01 | 合肥工业大学 | 一种基于深度过渡和深度项整体变分的空洞填补算法 |
CN107633490A (zh) * | 2017-09-19 | 2018-01-26 | 北京小米移动软件有限公司 | 图像处理方法、装置及存储介质 |
CN107633490B (zh) * | 2017-09-19 | 2023-10-03 | 北京小米移动软件有限公司 | 图像处理方法、装置及存储介质 |
CN107895353A (zh) * | 2017-11-09 | 2018-04-10 | 武汉大学 | 一种交互式的深度图纹理拷贝瑕疵去除方法 |
CN107895353B (zh) * | 2017-11-09 | 2021-05-25 | 武汉大学 | 一种交互式的深度图纹理拷贝瑕疵去除方法 |
CN107993201B (zh) * | 2017-11-24 | 2021-11-16 | 北京理工大学 | 一种保留边界特征的深度图像增强方法 |
CN107993201A (zh) * | 2017-11-24 | 2018-05-04 | 北京理工大学 | 一种保留边界特征的深度图像增强方法 |
CN110097507B (zh) * | 2018-01-29 | 2021-09-03 | 舜宇光学(浙江)研究院有限公司 | 深度图优化***和优化方法 |
CN110097507A (zh) * | 2018-01-29 | 2019-08-06 | 舜宇光学(浙江)研究院有限公司 | 深度图优化***和优化方法 |
US11379988B2 (en) | 2018-06-29 | 2022-07-05 | Boe Technology Group Co., Ltd. | Method and apparatus for extracting edge of object in depth image and computer readable storage medium |
WO2020001149A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 用于在深度图像中提取物体的边缘的方法、装置和计算机可读存储介质 |
CN110400272A (zh) * | 2019-07-11 | 2019-11-01 | Oppo广东移动通信有限公司 | 深度数据的滤波方法、装置、电子设备和可读存储介质 |
CN110400272B (zh) * | 2019-07-11 | 2021-06-18 | Oppo广东移动通信有限公司 | 深度数据的滤波方法、装置、电子设备和可读存储介质 |
CN112446836A (zh) * | 2019-09-05 | 2021-03-05 | 浙江舜宇智能光学技术有限公司 | 用于tof深度相机的数据处理方法及其*** |
CN112446836B (zh) * | 2019-09-05 | 2023-11-03 | 浙江舜宇智能光学技术有限公司 | 用于tof深度相机的数据处理方法及其*** |
CN110992359A (zh) * | 2019-12-20 | 2020-04-10 | 姜通渊 | 一种混凝土裂缝检测方法、装置及电子设备 |
CN110992359B (zh) * | 2019-12-20 | 2020-12-08 | 泗县智来机械科技有限公司 | 一种基于深度图的混凝土裂缝检测方法、装置及电子设备 |
CN111242855A (zh) * | 2020-01-04 | 2020-06-05 | 西安交通大学 | 基于rgb-d的ssim结构相似度的迭代深度图结构修复方法 |
CN111242855B (zh) * | 2020-01-04 | 2022-06-07 | 西安交通大学 | 基于rgb-d的ssim结构相似度的迭代深度图结构修复方法 |
CN111415310B (zh) * | 2020-03-26 | 2023-06-30 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、存储介质 |
CN111415310A (zh) * | 2020-03-26 | 2020-07-14 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、存储介质 |
CN111696057A (zh) * | 2020-05-25 | 2020-09-22 | 北京的卢深视科技有限公司 | 一种深度图像去噪方法及装置 |
CN111696057B (zh) * | 2020-05-25 | 2023-06-30 | 合肥的卢深视科技有限公司 | 一种深度图像去噪方法及装置 |
WO2022116397A1 (zh) * | 2020-12-04 | 2022-06-09 | 北京大学深圳研究生院 | 虚拟视点深度图处理方法、设备、装置及存储介质 |
WO2023070421A1 (en) * | 2021-10-28 | 2023-05-04 | Intel Corporation | Methods and apparatus to perform mask-based depth enhancement for multi-view systems |
Also Published As
Publication number | Publication date |
---|---|
CN103927717B (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927717A (zh) | 基于改进型双边滤波的深度图像恢复方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN103914863B (zh) | 一种彩色图像抽象化绘制方法 | |
CN107622480B (zh) | 一种Kinect深度图像增强方法 | |
CN103914813B (zh) | 彩色雾霾图像去雾与光照补偿的复原方法 | |
WO2020001149A1 (zh) | 用于在深度图像中提取物体的边缘的方法、装置和计算机可读存储介质 | |
CN103914820B (zh) | 一种基于图像分层增强的图像去雾方法及*** | |
CN103942758A (zh) | 基于多尺度融合的暗通道先验图像去雾方法 | |
CN105488758A (zh) | 一种基于内容感知的图像缩放方法 | |
CN103996198A (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN104850847B (zh) | 具有自动瘦脸功能的图像优化***和方法 | |
CN104036479A (zh) | 一种基于非负矩阵分解的多聚焦图像融合方法 | |
CN103826032A (zh) | 深度图后期处理方法 | |
CN103578085A (zh) | 基于可变块的图像空洞区域修补方法 | |
CN103955945A (zh) | 基于双目视差和活动轮廓的自适应彩色图像分割方法 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN104036481A (zh) | 一种基于深度信息提取的多聚焦图像融合方法 | |
Maltezos et al. | Automatic detection of building points from LiDAR and dense image matching point clouds | |
Wang et al. | Depth map enhancement based on color and depth consistency | |
Pushpalwar et al. | Image inpainting approaches-a review | |
CN104966274A (zh) | 一种采用图像检测与区域提取的局部模糊复原方法 | |
CN104778673A (zh) | 一种改进的高斯混合模型深度图像增强算法 | |
CN104732530A (zh) | 一种图像边缘的检测方法 | |
CN103413332A (zh) | 基于两通道纹理分割主动轮廓模型的图像分割方法 | |
CN103065302B (zh) | 一种基于离群数据挖掘的图像显著性检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |