CN107689050A - 一种基于彩色图像边缘引导的深度图像上采样方法 - Google Patents
一种基于彩色图像边缘引导的深度图像上采样方法 Download PDFInfo
- Publication number
- CN107689050A CN107689050A CN201710699025.9A CN201710699025A CN107689050A CN 107689050 A CN107689050 A CN 107689050A CN 201710699025 A CN201710699025 A CN 201710699025A CN 107689050 A CN107689050 A CN 107689050A
- Authority
- CN
- China
- Prior art keywords
- depth
- edge
- pixel
- image
- unreliable
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010408 sweeping Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004040 coloring Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于彩色图像边缘引导的深度图像上采样方法,一方面,利用基于深度学习的边缘检测技术提取高分辨率彩色图像的纹理边缘,并利用初始化深度图像提供的深度信息得到正确深度边缘;另一方面,对真实深度边缘与错误深度边缘间的不可信区域采用迭代的联合双边滤波器进行插值填充。通过以上两个方面的处理,本发明方法可以有效地修正上采样后深度图像的不准确深度边缘,抑制边缘模糊,从而提高上采样后高分辨率深度图像的质量。
Description
技术领域
本发明涉及一种深度图像的处理方法,尤其涉及一种基于彩色图像边缘引导的深度图像上采样方法。
背景技术
近几年,RGB-D传感器,如微软kinect深度相机的出现让3D场景中深度信息的获取更加便捷。RGB-D传感器能同时获取同一场景的彩色信息和深度信息,与二维视频相比,RGB-D格式的三维视频增加了深度信息,能为用户提供立体视觉感受,在虚拟现实、3D场景重建、三维电视等领域有广泛的应用。然而,由于深度传感器尤其是kinect深度相机内在硬件的限制,与RGB传感器获取的高分辨率的彩色图像相比,深度相机采集的深度图像分辨率很低,这给3D场景重建等很多应用带来了极大的限制。
目前,提高深度图分辨率的方法可分为两类:基于学习的方法和基于滤波的方法。基于学习的方法以马尔可夫随机场MRF为代表,其缺点是复杂度高、实时性差。基于滤波的方法最典型的是联合双边上采样JBU以及其各种变形形式。但是,基于滤波的方法容易造成深度图边缘模糊,而且kinect深度图本身存在边缘不准确的问题,上采样会进一步加重深度图边缘的错误。
发明内容
本发明所要解决的技术问题是提供一种基于彩色图像边缘引导的深度图像上采样方法,其能够修正深度图上采样后的错误边缘,抑制边缘模糊现象,使上采样后深度图的边缘与对应高分辨率图像边缘对齐。
本发明解决上述技术问题所采用的技术方案为,一种基于彩色图像边缘引导的深度图像上采样方法,包括以下步骤:
步骤1,获取同一场景的高分辨率彩色图像以及低分辨率深度图像;
步骤2,对低分辨率深度图像初始化上采样,使得上采样后的深度图像与彩色图像的分辨率一致;
步骤3,利用基于深度学习的边缘检测方法提取符合人眼视觉特性的彩色图像的边缘,并结合上采样后的深度图像去除彩色图像中存在于对象内部的纹理边缘,得到彩色图像对应的深度图像的正确深度边缘;
步骤4,对上采样后的深度图像进行边缘提取,得到上采样后深度图像的边缘,即错误深度边缘;
步骤5,找出步骤3的正确深度边缘与步骤4的错误深度边缘之间的区域,组成上采样后深度图像的不可靠区域,标记该区域内的像素点标记为不可靠像素点,其余点标记为可靠像素点;
步骤6,对不可靠区域的像素点采用迭代的联合双边滤波方法重新插值修正,直到错误深度边缘与正确深度边缘重合。
进一步的,所述步骤3的具体实现方式如下,
步骤3.1,利用结构化随机森林的方法对原始的彩色图像,四倍分辨率的彩色图像和四分之一分辨率的彩色图像分别进行结构化边缘检测,并将3者的边缘图像的平均作为彩色图像最终的边缘;
步骤3.2,将彩色图像边缘映射到上采样后的深度图像中,再对上采样后的深度图像分割成大小为w×w的窗口,判断该窗口内最大深度值与最小深度值的差值,如果差值小于某一阈值,将窗口内的边缘去除,否则,该区域内的边缘是正确深度边缘。
进一步的,所述步骤5的实现方式如下,
将步骤3的正确深度边缘映射到上采样后深度图像中,以该边缘上的任一像素点作为起始点,在该起始像素点的上下左右四个方向逐像素递进一定的像素个数进行扫描,若扫描过程中遇到上采样后深度图像的错误深度边缘点,则扫描停止,并将扫描过程中所有扫描到的像素点标记为不可靠像素点,扫描正确深度边缘上的每一个像素点,组成上采样深度图像不可靠区域。
进一步的,所述步骤6的实现方式如下,
(1)读取上采样后的深度图像;
(2)对不可靠区域,从左往右,从上到下遍历不可靠像素点;
(3)判断不可靠像素点8邻域内是否有可靠像素点,是则执行步骤(4),否则跳过该像素点执行步骤(3);
(4)判断不可靠像素点是否为正确深度边缘点,是则执行步骤(7),否则执行步骤(5);
(5)判断不可靠像素点8邻域内是否存在正确深度边缘点,是则执行步骤(6),否则执行步骤(8);
(6)判断不可靠像素点4邻域内是否存在可靠像素点,是则执行步骤(9),否则跳过该点执行步骤(3);
(7)判断不可靠像素点8邻域内是否除正确深度边缘像素点外均为可靠像素点,是则执行步骤(8),否则跳过该像素点执行步骤(3);
(8)采用联合双边滤波的方法对8邻域内可靠像素点加权求和计算该不可靠像素点的深度值,跳转步骤(10);
(9)采用联合双边滤波的方法对4邻域内可靠像素加权求和计算该不可靠像素深度值,跳转步骤(10);
(10)判断是否完成所有不可靠像素点的遍历,是则执行步骤(11),否则执行步骤(3);
(11)更新不可靠像素点的深度值,并将不可靠像素点更新为可靠像素点;
(12)判断是否存在不可靠像素点,是则执行步骤(2),否则执行(13);
(13)结束。
进一步的,所述步骤1中利用RGB-D传感器获取同一场景的高分辨率彩色图像以及低分辨率深度图像。
进一步的,所述步骤2中采用双三次插值算法或双线性插值算法对低分辨率深度图像进行初始化上采样。
进一步的,所述步骤3.2中窗口大小为9×9,阈值为10。
进一步的,所述步骤4中采用canny算子对上采样后的深度图像提取边缘。
与现有技术相比,本发明的优点在于:一方面,利用基于深度学习的边缘检测技术提取高分辨率彩色图像的纹理边缘,并利用初始化深度图像提供的深度信息得到正确深度边缘;另一方面,对正确深度边缘与错误深度边缘间的不可信区域采用迭代的联合双边滤波器进行插值填充。通过以上两个方面的处理,本发明方法可以有效地修正上采样后深度图像的不准确深度边缘,抑制边缘模糊,从而提高上采样后高分辨率深度图像的质量。
附图说明
图1为本发明实施例的主流程示意图;
图2为本发明实施例中对不可靠区域修复的流程示意图。
具体实施方式
下面将结合附图以及具体实施例对本发明作进一步详细描述。
本发明提出了一种基于彩色图像边缘引导的低分辨率深度图像上采样方法,其总体实现框图如图1所示,其包括以下步骤:
步骤1、利用RGB-D传感器获取同一场景的高分辨率彩色图像以及低分辨率深度图像;
步骤2、对低分辨率深度图像初始化上采样,使得上采样后的深度图像与彩色图像的分辨率一致;
在此具体实施例中,步骤2中的上采样方法可以是时间复杂度较低的经典插值算法,例如:双三次插值算法、双线性插值算法等等。
步骤3、利用基于深度学习的边缘检测方法提取符合人眼视觉特性的彩色图像的边缘,然后结合上采样后的深度图像去除彩色图像中存在于对象内部的纹理边缘,得到正确深度边缘;
在此具体实施例中,步骤3的具体过程为:
步骤3.1,利用结构化随机森林的方法提取符合人眼视觉特性的彩色图像边缘。对彩色图像进行学***均作为最后的边缘检测结果。
步骤3.2,得到彩色图像边缘后,再利用上采样后的深度图像在3D空间提供的距离信息(也称为像素的深度值,即场景中各点到图像采集器的距离)来提取RGB-D数据的边缘,即彩色图像对应的深度图像的正确深度边缘。将彩色图像边缘映射到上采样后的深度图像中,再对上采样后的深度图像分割成大小为w×w的窗口,判断该窗口内最大深度值与最小深度值的差值,如果差值小于某一阈值,那么认为该窗口区域是平滑区域,该窗口内的边缘就要去除;否则,该窗口区域是边缘区域,该区域内的边缘是正确深度边缘,该过程用公式描述为:
其中,dmax和dmin分别是窗口内的最大深度值与最小深度值,Ep=1表示边缘区域,Ep=0表示平滑区域,实验中阈值T设置为10,窗口的大小选取为9×9的窗口。
步骤4、对上采样后的深度图像进行边缘提取,得到上采样后深度图像的边缘,即错误深度边缘;
在此具体实施例中,对上采样后的深度图像的边缘提取可以采用canny算子等传统的边缘检测算子。
步骤5、找出步骤3的正确深度边缘与步骤4的错误深度边缘之间的区域,标记该区域内的像素点标记为不可靠像素点,其余点标记为可靠像素点,从而获得上采样后深度图像的不可靠区域,;
在此实施例中,步骤5的具体过程为:
将步骤3的正确深度边缘映射到上采样后深度图像中,以该边缘上的任一像素点作为起始点,在该起始像素点的上下左右四个方向逐像素递进一定的像素个数(小于10个像素)进行扫描,若扫描过程中遇到上采样后深度图像的错误深度边缘点,则扫描停止,并将扫描过程中所有扫描到的像素点标记为不可靠像素点,也就是在正确的边缘和错误边缘之间区域的像素都是不可靠的像素,即深度图像上采样过程中产生错误的深度值。扫描正确深度边缘上的每一个像素点,组成上采样深度图像不可靠区域。
步骤6、对不可靠区域的像素点采用迭代的联合双边滤波方法重新插值修正,直到错误深度边缘与正确深度边缘重合;
下面结合图2,对此实施例中步骤6的具体过程作详细说明:
(1)读取上采样后的深度图像;
(2)对不可靠区域,从左往右,从上到下遍历不可靠像素点;
(3)判断不可靠像素点8邻域内是否有可靠像素点,是则执行步骤(4),否则跳过该像素点执行步骤(3);
(4)判断不可靠像素点是否为正确深度边缘点,是则执行步骤(7),否则执行步骤(5);
(5)判断不可靠像素点8邻域内是否存在正确深度边缘点,是则执行步骤(6),否则执行步骤(8);
(6)判断不可靠像素点4邻域内是否存在可靠像素点,是则执行步骤(9),否则跳过该点执行步骤(3);
(7)判断不可靠像素点8邻域内是否除正确深度边缘像素点外均为可靠像素点,是则执行步骤(8),否则跳过该像素点执行步骤(3);
(8)采用联合双边滤波的方法对8邻域内可靠像素点加权求和计算该不可靠像素点的深度值,跳转步骤(10);
(9)采用联合双边滤波的方法对4邻域内可靠像素加权求和计算该不可靠像素深度值,跳转步骤(10);
(10)判断是否完成所有不可靠像素点的遍历,是则执行步骤(11),否则执行步骤(3);
(11)更新不可靠像素点的深度值,并将不可靠像素点更新为可靠像素点;
(12)判断是否存在不可靠像素点,是则执行步骤(2),否则执行(13);
(13)结束。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于,包括如下步骤:
步骤1,获取同一场景的高分辨率彩色图像以及低分辨率深度图像;
步骤2,对低分辨率深度图像初始化上采样,使得上采样后的深度图像与彩色图像的分辨率一致;
步骤3,利用基于深度学习的边缘检测方法提取符合人眼视觉特性的彩色图像的边缘,并结合上采样后的深度图像去除彩色图像中存在于对象内部的纹理边缘,得到彩色图像对应的深度图像的正确深度边缘;
步骤4,对上采样后的深度图像进行边缘提取,得到上采样后深度图像的边缘,即错误深度边缘;
步骤5,找出步骤3的正确深度边缘与步骤4的错误深度边缘之间的区域,组成上采样后深度图像的不可靠区域,标记该区域内的像素点标记为不可靠像素点,其余点标记为可靠像素点;
步骤6,对不可靠区域的像素点采用迭代的联合双边滤波方法重新插值修正,直到错误深度边缘与正确深度边缘重合。
2.如权利要求1所述的一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于:所述步骤3的具体实现方式如下,
步骤3.1,利用结构化随机森林的方法对原始的彩色图像,四倍分辨率的彩色图像和四分之一分辨率的彩色图像分别进行结构化边缘检测,并将3者的边缘图像的平均作为彩色图像最终的边缘;
步骤3.2,将彩色图像边缘映射到上采样后的深度图像中,再对上采样后的深度图像分割成大小为w×w的窗口,判断该窗口内最大深度值与最小深度值的差值,如果差值小于某一阈值,将窗口内的边缘去除,否则,该区域内的边缘是正确深度边缘。
3.如权利要求2所述的一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于:所述步骤5的实现方式如下,
将步骤3的正确深度边缘映射到上采样后深度图像中,以该边缘上的任一像素点作为起始点,在该起始像素点的上下左右四个方向逐像素递进一定的像素个数进行扫描,若扫描过程中遇到上采样后深度图像的错误深度边缘点,则扫描停止,并将扫描过程中所有扫描到的像素点标记为不可靠像素点,扫描正确深度边缘上的每一个像素点,组成上采样深度图像不可靠区域。
4.如权利要求3所述的一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于:所述步骤6的实现方式如下,
(1)读取上采样后的深度图像;
(2)对不可靠区域,从左往右,从上到下遍历不可靠像素点;
(3)判断不可靠像素点8邻域内是否有可靠像素点,是则执行步骤(4),否则跳过该像素点执行步骤(3);
(4)判断不可靠像素点是否为正确深度边缘点,是则执行步骤(7),否则执行步骤(5);
(5)判断不可靠像素点8邻域内是否存在正确深度边缘点,是则执行步骤(6),否则执行步骤(8);
(6)判断不可靠像素点4邻域内是否存在可靠像素点,是则执行步骤(9),否则跳过该点执行步骤(3);
(7)判断不可靠像素点8邻域内是否除正确深度边缘像素点外均为可靠像素点,是则执行步骤(8),否则跳过该像素点执行步骤(3);
(8)采用联合双边滤波的方法对8邻域内可靠像素点加权求和计算该不可靠像素点的深度值,跳转步骤(10);
(9)采用联合双边滤波的方法对4邻域内可靠像素加权求和计算该不可靠像素深度值,跳转步骤(10);
(10)判断是否完成所有不可靠像素点的遍历,是则执行步骤(11),否则执行步骤(3);
(11)更新不可靠像素点的深度值,并将不可靠像素点更新为可靠像素点;
(12)判断是否存在不可靠像素点,是则执行步骤(2),否则执行(13);
(13)结束。
5.如权利要求1或2或3或4所述的一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于:所述步骤1中利用RGB-D传感器获取同一场景的高分辨率彩色图像以及低分辨率深度图像。
6.如权利要求1或2或3或4所述的一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于:所述步骤2中采用双三次插值算法或双线性插值算法对低分辨率深度图像进行初始化上采样。
7.如权利要求2或3或4所述的一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于:所述步骤3.2中窗口大小为9×9,阈值为10。
8.如权利要求1或2或3或4所述的一种基于彩色图像边缘引导的深度图像上采样方法,其特征在于:所述步骤4中采用canny算子对上采样后的深度图像提取边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710699025.9A CN107689050B (zh) | 2017-08-15 | 2017-08-15 | 一种基于彩色图像边缘引导的深度图像上采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710699025.9A CN107689050B (zh) | 2017-08-15 | 2017-08-15 | 一种基于彩色图像边缘引导的深度图像上采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107689050A true CN107689050A (zh) | 2018-02-13 |
CN107689050B CN107689050B (zh) | 2020-11-17 |
Family
ID=61153388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710699025.9A Expired - Fee Related CN107689050B (zh) | 2017-08-15 | 2017-08-15 | 一种基于彩色图像边缘引导的深度图像上采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107689050B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460795A (zh) * | 2018-03-05 | 2018-08-28 | 成都通甲优博科技有限责任公司 | 倒金字塔式双目立体匹配方法及*** |
CN109544490A (zh) * | 2018-10-17 | 2019-03-29 | 北京达佳互联信息技术有限公司 | 图像增强方法、装置和计算机可读存储介质 |
CN110930311A (zh) * | 2018-09-19 | 2020-03-27 | 杭州萤石软件有限公司 | 一种提高红外图像与可见光图像融合的信噪比方法与装置 |
CN111353982A (zh) * | 2020-02-28 | 2020-06-30 | 贝壳技术有限公司 | 一种深度相机图像序列筛选方法及装置 |
CN111489383A (zh) * | 2020-04-10 | 2020-08-04 | 山东师范大学 | 基于深度边缘点与彩色图像的深度图像上采样方法及*** |
CN112040214A (zh) * | 2019-06-04 | 2020-12-04 | 万维科研有限公司 | 双摄像机三维立体成像***和处理方法 |
CN113469916A (zh) * | 2021-07-13 | 2021-10-01 | 郑州轻工业大学 | 一种彩色图像边缘提取的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070103731A1 (en) * | 2005-11-07 | 2007-05-10 | Xerox Corporation | Method and system for generating contone encoded binary print data streams |
US20090091567A1 (en) * | 2004-06-30 | 2009-04-09 | Accuray, Inc. | Image enhancement method and system for fiducial-less tracking of treatment targets |
CN102262773A (zh) * | 2010-05-29 | 2011-11-30 | 深圳宝嘉电子设备有限公司 | 双阈值的图像无损数据嵌入方法 |
CN102663752A (zh) * | 2012-04-11 | 2012-09-12 | 南京理工大学 | 一种sam加权kest高光谱异常检测算法 |
CN104143179A (zh) * | 2014-07-04 | 2014-11-12 | 中国空间技术研究院 | 一种多线列时差扫描扩展采样的运动目标增强方法 |
CN104809698A (zh) * | 2015-03-18 | 2015-07-29 | 哈尔滨工程大学 | 一种基于改进三边滤波的Kinect深度图像修复方法 |
CN106651938A (zh) * | 2017-01-17 | 2017-05-10 | 湖南优象科技有限公司 | 一种融合高分辨率彩色图像的深度图增强方法 |
-
2017
- 2017-08-15 CN CN201710699025.9A patent/CN107689050B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090091567A1 (en) * | 2004-06-30 | 2009-04-09 | Accuray, Inc. | Image enhancement method and system for fiducial-less tracking of treatment targets |
US20070103731A1 (en) * | 2005-11-07 | 2007-05-10 | Xerox Corporation | Method and system for generating contone encoded binary print data streams |
CN102262773A (zh) * | 2010-05-29 | 2011-11-30 | 深圳宝嘉电子设备有限公司 | 双阈值的图像无损数据嵌入方法 |
CN102663752A (zh) * | 2012-04-11 | 2012-09-12 | 南京理工大学 | 一种sam加权kest高光谱异常检测算法 |
CN104143179A (zh) * | 2014-07-04 | 2014-11-12 | 中国空间技术研究院 | 一种多线列时差扫描扩展采样的运动目标增强方法 |
CN104809698A (zh) * | 2015-03-18 | 2015-07-29 | 哈尔滨工程大学 | 一种基于改进三边滤波的Kinect深度图像修复方法 |
CN106651938A (zh) * | 2017-01-17 | 2017-05-10 | 湖南优象科技有限公司 | 一种融合高分辨率彩色图像的深度图增强方法 |
Non-Patent Citations (2)
Title |
---|
HUIPING DENG等: ""Texture edge-guided depth recovery for structured light-based depth sensor"", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
涂义福等: ""基于边缘特征引导的深度图像超分率重建"", 《计算机应用与软件》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460795A (zh) * | 2018-03-05 | 2018-08-28 | 成都通甲优博科技有限责任公司 | 倒金字塔式双目立体匹配方法及*** |
CN110930311A (zh) * | 2018-09-19 | 2020-03-27 | 杭州萤石软件有限公司 | 一种提高红外图像与可见光图像融合的信噪比方法与装置 |
CN110930311B (zh) * | 2018-09-19 | 2023-04-25 | 杭州萤石软件有限公司 | 一种提高红外图像与可见光图像融合的信噪比方法与装置 |
CN109544490A (zh) * | 2018-10-17 | 2019-03-29 | 北京达佳互联信息技术有限公司 | 图像增强方法、装置和计算机可读存储介质 |
CN109544490B (zh) * | 2018-10-17 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 图像增强方法、装置和计算机可读存储介质 |
CN112040214A (zh) * | 2019-06-04 | 2020-12-04 | 万维科研有限公司 | 双摄像机三维立体成像***和处理方法 |
WO2020244273A1 (zh) * | 2019-06-04 | 2020-12-10 | 万维科研有限公司 | 双摄像机三维立体成像***和处理方法 |
CN111353982A (zh) * | 2020-02-28 | 2020-06-30 | 贝壳技术有限公司 | 一种深度相机图像序列筛选方法及装置 |
CN111353982B (zh) * | 2020-02-28 | 2023-06-20 | 贝壳技术有限公司 | 一种深度相机图像序列筛选方法及装置 |
CN111489383A (zh) * | 2020-04-10 | 2020-08-04 | 山东师范大学 | 基于深度边缘点与彩色图像的深度图像上采样方法及*** |
CN111489383B (zh) * | 2020-04-10 | 2022-06-10 | 山东师范大学 | 基于深度边缘点与彩色图像的深度图像上采样方法及*** |
CN113469916A (zh) * | 2021-07-13 | 2021-10-01 | 郑州轻工业大学 | 一种彩色图像边缘提取的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107689050B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107689050A (zh) | 一种基于彩色图像边缘引导的深度图像上采样方法 | |
CN110349132B (zh) | 一种基于光场相机深度信息提取的织物瑕疵检测方法 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN108257139B (zh) | 基于深度学习的rgb-d三维物体检测方法 | |
CN100470452C (zh) | 一种实现三维增强现实的方法及*** | |
CN101520904B (zh) | 带有现实环境估算的增强现实的方法及其*** | |
CN110738676A (zh) | 一种结合RGBD数据的GrabCut自动分割算法 | |
CN102436671B (zh) | 一种基于深度值非线性变换的虚拟视点绘制方法 | |
CN105069808A (zh) | 基于图像分割的视频图像深度估计方法 | |
CN112801074B (zh) | 一种基于交通摄像头的深度图估计方法 | |
CN103996198A (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN110096920A (zh) | 一种面向视觉伺服的高精度高速定位标签和定位方法 | |
US11727628B2 (en) | Neural opacity point cloud | |
CN111899295A (zh) | 一种基于深度学习的单目场景深度预测方法 | |
Kuo et al. | Depth estimation from a monocular view of the outdoors | |
CN109801212A (zh) | 一种基于sift特征的鱼眼图像拼接方法 | |
CN104268893A (zh) | 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法 | |
Schmeing et al. | Depth image based rendering | |
KR101785203B1 (ko) | 깊이 이미지를 이용한 다시점 객체 분리 방법 및 시스템 | |
CN111105350B (zh) | 大视差场景下基于自身单应性变换的实时视频拼接方法 | |
He et al. | A novel way to organize 3D LiDAR point cloud as 2D depth map height map and surface normal map | |
CN112949755B (zh) | 一种基于图像结构信息的ocr数据合成方法 | |
Fan et al. | Collaborative three-dimensional completion of color and depth in a specified area with superpixels | |
CN201374082Y (zh) | 基于图像特征点提取与随机树分类的增强现实*** | |
CN103888749B (zh) | 一种双目视频转换多目视频的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201117 |