CN112907748B - 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 - Google Patents
一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 Download PDFInfo
- Publication number
- CN112907748B CN112907748B CN202110345048.6A CN202110345048A CN112907748B CN 112907748 B CN112907748 B CN 112907748B CN 202110345048 A CN202110345048 A CN 202110345048A CN 112907748 B CN112907748 B CN 112907748B
- Authority
- CN
- China
- Prior art keywords
- equal
- image
- depth image
- shear wave
- class
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract 2
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 5
- 239000010749 BS 2869 Class C1 Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 9
- 238000012876 topography Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法。包括:步骤1,采集待测场景的图像序列;步骤2,设置非降采样剪切波变换与聚类算法的参数;步骤3,运用非降采样剪切波变换将图像序列变换为多个不同尺度与方向的高频系数;步骤4,所有高频系数映射为多幅深度图像;步骤5,分别将每幅深度图像的灰度共生矩阵的对比度、相关性、能量、逆方差和熵五维向量作为深度图像的纹理特征;步骤6,运用K均值聚类算法得到K个聚类结果;步骤7,选择不同聚类结果中深度图像平均梯度最小的类;步骤8,计算平均梯度最小类中深度图像的均值得到待测场景的三维形貌重建结果。本发明能够根据场景实现最优的三维形貌重建结果。
Description
技术领域
本发明属于三维重建领域,具体涉及一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法。
背景技术
基于图像聚焦信息测量待测场景三维形貌的方法普遍具有硬件设备依赖性低、三维重建算法易于并行、重建***可移植性强等优势,已被广泛应用于微细制造领域的零件缺陷检测与移动成像设备的智能变焦等领域。
现阶段基于图像聚焦信息的三维形貌重建方法主要集中在图像聚焦评价指标的设计与形貌重建算法的构建两方面。图像聚焦评价指标作为三维形貌重建方法的核心环节,其对图像聚焦信息提取的准确性直接决定三维重建结果的好坏,典型的图像聚焦评价指标可以分为空间域和频率域两大类,其中空间域方法主要利用时域变换方法从图像像素的层面确定当前像素点是否处于聚焦区域范围,然后通过聚合全部聚焦像素的位置信息得到待测场景的三维形貌重建结果,此类指标可以大体分为拉普拉斯变换、梯度变换以及统计量估计三大类;频率域类方法则首先将图像变换为高低频分量,然后通过挖掘高低频分量与深度图像间的关联关系得到三维形貌重建结果,这类方法主要包括傅里叶变换和小波变换两大类。而形貌重建算法主要用于克服图像序列的采样间隔给重建结果带来的非连续性影响,主要代表性方法为高斯拟合。
通过了解研究现状,我们认为该领域方法主要面临以下挑战:现有的三维形貌重建方法通常仅能对单一场景进行三维重建,无法适用于其他场景的三维重建任务,即不同场景三维形貌重建效果的好坏取决于三维形貌重建方法中图像聚焦评价指标选择的准确性。因此,如何提出一种场景自适应的图像聚焦评价指标是三维形貌重建领域面临的一个重要难题。
综上可知,我们认为如何根据场景中图像特性选择图像聚焦评价指标是解决上述问题的关键。本专利引入非降采样剪切波变换克服传统三维形貌重建方法的聚焦评价指标的单一性问题,通过非降采样剪切波变换可以得到覆盖图像中任意方向与尺度的多个图像聚焦评价指标,基于上述评价指标得到不同尺度与方向的多个深度图像,然后提出一种基于深度图像纹理特征的聚类方法得到表征待测场景的最优三维重建结果。
发明内容
为克服上述技术中存在的问题,本发明的目的是提供一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法。
本发明所采取的技术方案是:一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法,包括以下步骤:
步骤2,将非降采样剪切波变换的最大分解尺度设置为J,最大方向数设置为L,设置非降采样剪切波变换的滤波器,在聚类算法中设置聚类个数K,距离度量标准为欧式距离;
其中j代表尺度数其取值范围是1≤j≤J,l代表方向数其取值范围是1≤l≤L,表示第i幅图像在尺度j和方向l的高频分解系数,ihigh表示高频系数的下标其取值范围为1≤ihigh≤N,NSST表示非降采样剪切波变换;
步骤5,计算每幅深度图像的灰度共生矩阵,并根据式(3)将灰度共生矩阵的对比度rCon、相关性rCor、能量rEne、逆方差rHom和熵rEnt作为深度图像的五维特征向量,J×L幅深度图像共得到J×L个五维特征向量;
其中GLCM(·)表示灰度共生矩阵的计算函数,Vj,l(·)表示第j个尺度l个方向的深度图像的特征向量;
步骤6,对步骤5得到的J×L个五维特征向量根据式(4)的K均值聚类算法进行聚类,得到K个聚类结果{C1,C2,…,CK};
步骤7,计算步骤6中得到的所有深度图像类中的平均梯度,并按照式(5)选择平均梯度最小的类Cs作为最终的深度图像类;
本发明的方法能够根据不同待测场景得到适合场景的最佳三维形貌重建结果。
附图说明
图1是一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法的流程图;
图2是一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法的示意图。
具体实施方式
如图1、图2所示,本实施例所述一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法,包括以下步骤:
步骤2,将非降采样剪切波变换的最大分解尺度设置为J,最大方向数设置为L,设置非降采样剪切波变换的滤波器,在聚类算法中设置聚类个数K,距离度量标准为欧式距离;
其中j代表尺度数其取值范围是1≤j≤J,l代表方向数其取值范围是1≤l≤L,表示第i幅图像在尺度j和方向l的高频分解系数,ihigh表示高频系数的下标其取值范围为1≤ihigh≤N,NSST表示非降采样剪切波变换;
步骤5,计算每幅深度图像的灰度共生矩阵,并根据式(3)将灰度共生矩阵的对比度rCon、相关性rCor、能量rEne、逆方差rHom和熵rEnt作为深度图像的五维特征向量,J×L幅深度图像共得到J×L个五维特征向量;
其中GLCM(·)表示灰度共生矩阵的计算函数,Vj,l(·)表示第j个尺度l个方向的深度图像的特征向量;
步骤6,对步骤5得到的J×L个五维特征向量根据式(4)的K均值聚类算法进行聚类,得到K个聚类结果{C1,C2,…,CK};
步骤7,计算步骤6中得到的所有深度图像类中的平均梯度,并按照式(5)选择平均梯度最小的类Cs作为最终的深度图像类;
Claims (1)
1.一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法,其特征包括以下步骤:
(2)将非降采样剪切波变换的最大分解尺度设置为J,最大方向数设置为L,设置非降采样剪切波变换的滤波器,在聚类算法中设置聚类个数K,距离度量标准为欧式距离;
其中j代表尺度数其取值范围是1≤j≤J,l代表方向数其取值范围是1≤l≤L,表示第i幅图像在尺度j和方向l的高频分解系数,ihigh表示高频系数的下标其取值范围为1≤ihigh≤N,NSST表示非降采样剪切波变换;
(5)计算每幅深度图像的灰度共生矩阵,并根据式(3)将灰度共生矩阵的对比度rCon、相关性rCor、能量rEne、逆方差rHom和熵rEnt作为深度图像的五维特征向量,J×L幅深度图像共得到J×L个五维特征向量;
其中GLCM(·)表示灰度共生矩阵的计算函数,Vj,l(·)表示第j个尺度l个方向的深度图像的特征向量;
(6)对步骤5得到的J×L个五维特征向量根据式(4)的K均值聚类算法进行聚类,得到K个聚类结果{C1,C2,L,CK};
(7)计算步骤6中得到的所有深度图像类中的平均梯度,并按照式(5)选择平均梯度最小的类Cs作为最终的深度图像类;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345048.6A CN112907748B (zh) | 2021-03-31 | 2021-03-31 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345048.6A CN112907748B (zh) | 2021-03-31 | 2021-03-31 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907748A CN112907748A (zh) | 2021-06-04 |
CN112907748B true CN112907748B (zh) | 2022-07-19 |
Family
ID=76109565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110345048.6A Active CN112907748B (zh) | 2021-03-31 | 2021-03-31 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907748B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971717A (zh) * | 2021-10-25 | 2022-01-25 | 杭州图谱光电科技有限公司 | 一种基于马尔科夫随机场约束的显微三维重建方法 |
CN116012607B (zh) * | 2022-01-27 | 2023-09-01 | 华南理工大学 | 图像弱纹理特征提取方法及装置、设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354804A (zh) * | 2015-10-23 | 2016-02-24 | 广州高清视信数码科技股份有限公司 | 一种基于最大化自相似性质的图像超分辨率重建方法 |
CN106228601A (zh) * | 2016-07-21 | 2016-12-14 | 山东大学 | 基于小波变换的多尺度锥束ct图像快速三维重建方法 |
CN107240073A (zh) * | 2017-05-12 | 2017-10-10 | 杭州电子科技大学 | 一种基于梯度融合与聚类的三维视频图像修复方法 |
CN108038905A (zh) * | 2017-12-25 | 2018-05-15 | 北京航空航天大学 | 一种基于超像素的目标重建方法 |
CN109903372A (zh) * | 2019-01-28 | 2019-06-18 | 中国科学院自动化研究所 | 深度图超分辨率补全方法及高质量三维重建方法与*** |
US10405005B1 (en) * | 2018-11-28 | 2019-09-03 | Sherman McDermott | Methods and systems for video compression based on dynamic vector wave compression |
CN112489196A (zh) * | 2020-11-30 | 2021-03-12 | 太原理工大学 | 一种多尺度三维频域变换的颗粒物三维形貌重建方法 |
-
2021
- 2021-03-31 CN CN202110345048.6A patent/CN112907748B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354804A (zh) * | 2015-10-23 | 2016-02-24 | 广州高清视信数码科技股份有限公司 | 一种基于最大化自相似性质的图像超分辨率重建方法 |
CN106228601A (zh) * | 2016-07-21 | 2016-12-14 | 山东大学 | 基于小波变换的多尺度锥束ct图像快速三维重建方法 |
CN107240073A (zh) * | 2017-05-12 | 2017-10-10 | 杭州电子科技大学 | 一种基于梯度融合与聚类的三维视频图像修复方法 |
CN108038905A (zh) * | 2017-12-25 | 2018-05-15 | 北京航空航天大学 | 一种基于超像素的目标重建方法 |
US10405005B1 (en) * | 2018-11-28 | 2019-09-03 | Sherman McDermott | Methods and systems for video compression based on dynamic vector wave compression |
CN109903372A (zh) * | 2019-01-28 | 2019-06-18 | 中国科学院自动化研究所 | 深度图超分辨率补全方法及高质量三维重建方法与*** |
CN112489196A (zh) * | 2020-11-30 | 2021-03-12 | 太原理工大学 | 一种多尺度三维频域变换的颗粒物三维形貌重建方法 |
Non-Patent Citations (2)
Title |
---|
"Three-dimensional Video Inpainting Combined with Gradient Fusion and Cluster";Lai Yili等;《Journal of Computer Aided Design & Computer Graphics》;20180331;第30卷(第3期);477-484 * |
"医学图像中血管的三维重建的研究与应用";胡泽龙;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20160215(第02期);I138-1716 * |
Also Published As
Publication number | Publication date |
---|---|
CN112907748A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907748B (zh) | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 | |
Starovoytov et al. | Comparative analysis of the SSIM index and the pearson coefficient as a criterion for image similarity | |
CN104933678B (zh) | 一种基于像素强度的图像超分辨率重建方法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN113259288B (zh) | 基于特征融合与轻量化混合模型的水声调制方式识别方法 | |
CN110070574B (zh) | 一种基于改进PSMNet的双目视觉立体匹配方法 | |
CN112308873B (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN112598711B (zh) | 一种基于联合光谱降维和特征融合的高光谱目标跟踪方法 | |
CN107944497A (zh) | 基于主成分分析的图像块相似性度量方法 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN104268833A (zh) | 基于平移不变剪切波变换的图像融合新方法 | |
CN113033602B (zh) | 一种基于张量低秩稀疏表示的图像聚类方法 | |
CN111260776B (zh) | 一种自适应正态分析的三维形貌重建方法 | |
Jin et al. | Perceptual Gradient Similarity Deviation for Full Reference Image Quality Assessment. | |
CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
CN110223331B (zh) | 一种大脑mr医学图像配准方法 | |
CN114331989A (zh) | 基于点特征直方图测地距离的全参考3d点云质量评估方法 | |
JP3507083B2 (ja) | 高次相関および多入力情報統合用の多項式フィルタ | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
CN112348255A (zh) | 基于小波时频图像化的超短期风电功率预测方法 | |
CN112489196B (zh) | 一种多尺度三维频域变换的颗粒物三维形貌重建方法 | |
CN116167947A (zh) | 一种基于噪声水平估计的图像降噪方法 | |
CN102298768A (zh) | 基于稀疏样本的高分辨率图像重建方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231120 Address after: East Area, 6th Floor, Qilian Building, No. 200 Nanzhonghuan Street, Xiaodian District, Taiyuan City, Shanxi Province, 030000 Patentee after: Chuangbai technology transfer (Shanxi) Co.,Ltd. Address before: 030006, No. 92, Hollywood Road, Xiaodian District, Shanxi, Taiyuan Patentee before: SHANXI University |
|
TR01 | Transfer of patent right |