FRFCM聚类与深度优化的RGBD场景流计算

针对现有RGBD场景流计算模型在复杂场景、非刚性运动和运动遮挡等情况下易产生场景过度平滑和运动边缘模糊的问题,提出一种基于FRFCM（Fast and Robust Fuzzy C-Means）聚类与深度优化的RGBD场景流计算方法.首先以图像序列连续帧间光流信息为基准,利用FRFCM聚类算法对输入图像进行初始分割,然后根据深度图像的运动边缘信息优化初始分割结果,提取高置信度的运动分层信息.最后设计基于图像分割的RGBD场景流能量函数,采用金字塔变形策略计算精确的场景流结果.分别采用Middlebury和MPI-Sintel数据库所提供的测试图像集对本文方法和现有的RGBD场景流算法进行综合对比分析,实验结果表明本文方法相对于其他方法具有更好的场景流估计精度和鲁棒性,有效改善了场景过度平滑和运动边缘模糊问题.     

融合一致性与差异性约束的光场深度估计

光场图像深度估计是光场三维重建、目标检测、跟踪等应用中十分关键的技术.虽然光场图像的重聚焦特性为深度估计提供了非常有用的信息,但是在处理遮挡区域、边缘区域、噪声干扰等情况时,光场图像深度估计仍然存在很大的挑战.因此,提出了一种基于极平面图(Epipolar plane image,EPI)斜线像素一致性和极平面图区域差异性的深度估计算法用于解决遮挡和噪声问题.EPI斜线像素的一致性采用旋转线性算子(Spinning linear operator,SLO)的颜色熵度量,能够提高深度图边缘的准确性以及抗噪能力;EPI区域的差异性采用旋转平行四边形算子(Spinning parallelogram operator,SPO)的卡方x2度量,能够提高深度图深度渐变区域的准确性,并使用置信度加权的方法将两种度量进行融合,可以减少遮挡区域和噪声的干扰.另外,充分利用像素邻域的颜色相似性,使用引导保边滤波器和马尔科夫随机场(Markov random field,MRF)全局优化策略进行后处理,进一步减少深度图的边缘错误,得到遮挡边缘准确的深度图.在HCI光场数据集上进行了实验,并与经典光场深度估计算法进行了对比,结果表明该算法在主观质量和客观指标两方面都有明显提升.     

融合一致性与差异性约束的光场深度估计

光场图像深度估计是光场三维重建、目标检测、跟踪等应用中十分关键的技术.虽然光场图像的重聚焦特性为深度估计提供了非常有用的信息,但是在处理遮挡区域、边缘区域、噪声干扰等情况时,光场图像深度估计仍然存在很大的挑战.因此,提出了一种基于极平面图(Epipolar plane image,EPI)斜线像素一致性和极平面图区域差异性的深度估计算法用于解决遮挡和噪声问题.EPI斜线像素的一致性采用旋转线性算子(Spinning linear operator,SLO)的颜色熵度量,能够提高深度图边缘的准确性以及抗噪能力;EPI区域的差异性采用旋转平行四边形算子(Spinning parallelogram operator,SPO)的卡方x2度量,能够提高深度图深度渐变区域的准确性,并使用置信度加权的方法将两种度量进行融合,可以减少遮挡区域和噪声的干扰.另外,充分利用像素邻域的颜色相似性,使用引导保边滤波器和马尔科夫随机场(Markov random field,MRF)全局优化策略进行后处理,进一步减少深度图的边缘错误,得到遮挡边缘准确的深度图.在HCI光场数据集上进行了实验,并与经典光场深度估计算法进行了对比,结果表明该算法在主观质量和客观指标两方面都有明显提升.     

基于光场结构特性与多视点匹配的深度估计

针对现有光场图像深度估计技术无法均衡地对主要对象和背景进行深度估计的问题,提出了一种基于光场结构特性与多视点匹配的深度估计方法。该方法在光场结构特性引导的深度估计的基础上,为了实现光场图像深度变化区域的平滑过渡,同时又考虑光场图像具有多视点子孔径图像阵列的特点,采用多视点匹配优化光场图像深度估计。在马尔可夫随机域中,基于光场结构特性构建深度估计平滑项,同时联合多视点匹配构建深度估计数据项,并进行全局深度迭代优化,从而有效平衡对象深度边界和背景深度估计,提高光场图像深度估计的性能。实验结果表明,所提出的方法能够得到更加清晰的深度边界,同时可以修正背景中不准确的深度值,获得高质量的深度估计结果。     

基于多级残差融合的复杂纹理光场图像深度估计

光场的深度信息可以通过深度学习的光场深度估计算法计算,在图像视差、光场图像边缘以及光场图像的复杂纹理区域,获取高精度深度值仍然具有一定局限性。本文提出了一种用于光场图像深度估计的多级残差融合网络,通过组合残差模块提取多层次的残差特征,在保持网络深度的同时提升了网络对特征的表征能力。利用多级残差融合模块对多层次的残差特征进行融合,以获得包含浅层纹理信息和深层语义信息的融合特征。利用本文方法对HCI4D光场数据集进行处理,图像深度估计的均方误差指标达到1.471,不良像素率指标达到4.208,该实验结果表明本文方法在处理具有复杂遮挡的光场图像区域方面具有良好的处理效果。     

基于边缘引导的光场图像显著性检测

针对光场图像显著性检测存在检测目标不完整、边缘模糊的问题，本文提出了一种基于边缘引导的光场图像显著性检测方法。利用边缘增强网络提取全聚焦图像的主体图和边缘增强图，结合主体图和焦堆栈图像所提取的特征获得初始显著图，以提高检测结果的准确性和完整性；将初始显著图和边缘增强图通过特征融合模块进一步学习边缘特性的信息，突出边缘细节信息；最后，使用边界混合损失函数优化以获得边界更为清晰的显著图。实验结果表明，本文所提出的网络在最新的光场图像数据集上，F-measure和MAE分别为0.88和0.046，表现均优于现有的RGB图像、RGB-D图像和光场图像显著性检测算法。所提方法能够更加精确地从复杂场景中检测出完整的显著对象，获得边缘清晰的显著图。     

基于立体视觉的人体头部目标识别研究

使用立体视觉系统可确定任意物体的三维轮廓及其表面任意点的位置信息和深度信息。本文将立体视觉运用于人体头部目标检测,设计了一种基于图像深度信息处理的人体头部识别系统。系统采用Xtion摄像机采集场景的深度图像,并对其进行特征分析,根据深度图像的特点以及头部的特征确定头部目标区域。再对目标区域采用Mean Shift算法进行聚类处理,得到清晰的图像边缘。最后通过基于动态阈值的一维熵函数分割法实现头部的分割识别。该系统可快速锁定目标区域,减少了算法的计算量,大大提高了系统的识别速度。此外,采集深度图像的xtion摄像机悬挂在目标场景的正上方,因而较好的解决了目前人体目标检测受遮挡的问题。经实验论证,该系统有较高的识别精度。     

基于光场成像的双弹丸重合成像识别方法

针对双弹丸之间存在部分遮挡引起成像重合,导致传统相机对目标参数识别困难的问题,提出了一种基于光场成像的双弹丸重合成像识别方法.采用光场相机作为探测装置,根据光场相机保存的光线四维参数,应用焦点堆栈法实现对目标成像中每个像素点的深度估计.通过对双弹丸部分遮挡时成像特征的分析,发现成像重合边缘处相邻像素点间存在深度差值变化较大的特点,结合卡尔曼滤波方程,建立基于深度变化趋势的边缘检测算法模型,解决了弹丸成像的重合问题.通过对光场相机进行模拟实验发现:目标间存在遮挡现象时,光场相机能有效检测成像的重合边缘,为光场相机准确识别目标数目及位置奠定了基础.     

基于ontology抽取优化初始选择的检索结果聚类

 本文针对互联网的数据量的不断增加,准确搜索引擎的作用日益困难的问题,为了提高搜索引擎返回结果结构化聚类的效果,让信息的定位更迅速,本文采用基于标签的聚类算法,并使用自然语言处理技术中的依存句法分析和词典资源,深度挖掘语义结构,提出基于优化初始选择的K均值聚类方法.本文深入分析K均值聚类算法特点,并利用类别标签技术对该算法进行有效改进.实验证明该算法不仅在效果上优于一般聚类算法,对结果描述也有很大帮助,在效率上也得到很大提高.     

基于改进的K-means聚类算法水下图像边缘检测

边缘检测被广泛用于图像分析与处理中,由于水的吸收和散射效应,传统的边缘检测算法对于水下图像得不到较好的效果。在此应用一种新的方法来得到较准确的水下图像边缘,首先,将原始图像使用暗原色先验算法进行处理得到较清晰的水下图像;然后,使用梯度幅值边缘检测算法检测出初始边缘,在初始边缘上检测出端点,使用改进的K-means聚类算法对端点进行分类,从而确定背景和目标灰度值接近的区域作为窗口;最后,在窗口内使用梯度幅值检测边缘,通过多个窗口的并集得到最终边缘。实验结果表明,边缘检测效果得到明显的改善。     

Study of single image dehazing algorithm based on propagated filtering and minimum color channels

To solve the challenging problem that the edge regions of image have some remained hazes and blackspots,a novel image dehazing algorithm was proposed based on the minimal color channel and propagated filtering.Firstly,an initial atmospheric transmission map was obtained by double-area filtering,then a minimal channel color was introduced as a reference image,and the propagated filtering was combined to optimize the initial atmospheric transmission map.Optimized transmission have the similar edge characteristics as the referenced image,so the deviation of transmission estimation can be effectively avoided for the edge pixels in the depth mutated regions,and the redundant texture information were removed in the initial transmission map.Finally,L-BFGS was used to restore atmospheric light,and the haze-free image can be recovered based on the atmospheric scattering model.Experimental results show that proposed algorithm has the more accurate transmission estimation for the depth mutated edge regions of image,so the recovered image effectively preserves the edges and details in the depth mutated regions,and has better spatial smoothness in the uniform depth regions.The recovered haze-free image with proposed method has a better sharpness and richer color degree.     

Light field all-in-focus image fusion based on spatially-guided angular information

Compared to traditional 2D images, light field images record both spatial and angular information of the scene, which can provide more data for image fusion. In this paper, a light field all-in-focus image fusion algorithm based on spatially-guided angular information is proposed. In the proposed method, the initial weight maps carrying the angular information are calculated by comparing the block variance of the 4D light field data. The initial weight maps are then guided by digital refocused images carrying the spatial information to obtain the refined weight maps. In the refocused image multi-scale decomposition, the micro-lens calibration error is considered and the additional edge layers are extracted to suppress the edge artifacts. Experiments demonstrate the effectiveness of the proposed algorithm. Quantitative evaluation results show that the proposed algorithm performs the best in the feature-based index and structural similarity-based index without sacrificing the information and perceptual sharpness of the fused image.     

基于语义导向的光场图像深度估计

光场图像的深度估计是3维重建、自动驾驶、对象跟踪等应用中的关键技术。然而,现有的深度学习方法忽略了光场图像的几何特性,在边缘、弱纹理等区域表现出较差的学习能力,导致深度图像细节的缺失。该文提出了一种基于语义导向的光场图像深度估计网络,利用上下文信息来解决复杂区域的不适应问题。设计了语义感知模块的编解码结构来重构空间信息以更好地捕捉物体边界,空间金字塔池化结构利用空洞卷积增大感受野,挖掘多尺度的上下文内容信息;通过无降维的自适应特征注意力模块局部跨通道交互,消除信息冗余的同时有效融合多路特征;最后引入堆叠沙漏串联多个沙漏模块,通过编解码结构得到更加丰富的上下文信息。在HCI 4D光场数据集上的实验结果表明,该方法表现出较高的准确性和泛化能力,优于所比较的深度估计的方法,且保留较好的边缘细节。     

一种自适应分裂与合并的运动目标聚类分割算法

针对智能监控系统中多个运动目标进行图像分割这一问题,该文提出一种自适应分裂与合并的多运动目标聚类分割算法。该算法首先利用视频图像的时域信息,通过样本方差进行背景建模,分割出包含多个运动目标的前景图像。然后定义了像素点的空间连通率,并设计一种利用中垂线分割法,对初始聚类进行自适应分裂与合并。在无需事先设定聚类分割数目的条件下,自组织迭代聚类算法能完成多运动目标的分割。实验结果证明该算法对多运动目标分割效果好,分割结果与人眼视觉的判断一致。利用空间连通信息使得算法迭代收敛速度快,具有良好的实时性。     

结合线性景深和自适应雾浓度的去雾算法

针对图像去雾中由于景深和大气光估计不准确等问题,导致军事监测、目标检测、导航、无人驾驶等系统成像设备获取到的图像质量下降,提出一种结合线性景深估计和自适应雾浓度估计的去雾算法。首先,依照景深与亮度分量和饱和度的关系,利用双滤波优化二者高亮区域,结合线性转换建立线性模型估计景深。然后,提取纹理特征构造雾浓度模型求取自适应散射系数,通过所求景深与自适应散射系数得到透射率。最后,根据对雾图是否含有天空区域的判决,采用两种不同的大气光估计方法。实验结果通过与不同去雾算法定性和定量分析,所提出的方法在保留深度边缘、颜色质量及细节方面具有良好的有效性和鲁棒性,图像恢复质量也相对较佳。     

Obtaining depth map from segment-based stereo matching using graph cuts

In the paper, the algorithm of segment-based stereo matching using graph cuts is developed for extracting depth information from the stereo image pairs. The first step of the algorithm employs the mean-shift algorithm to segment the reference image, which ensures our method to correctly estimate in large untextured regions and precisely localize depth boundaries, followed by the use of Adaptive Support Weighted Self-Adaptation dissimilarity algorithm (ASW-SelfAd) for the estimation of initial disparity. This is followed by application of Singular Value Decomposition (SVD) in solving the robust disparity plane fitting. In order to ensure reliable pixel sets for the segment, we filter out outliers which contain occlusion region through three main rules, namely; cross-checking, judging reliable area and disparity distance measurement. Lastly, we apply improved clustering algorithm to merge the neighboring segments. The geometrical relationship of adjacent planes such as parallelism and intersection is employed for determination of whether two planes shall be merged. A new energy function is subsequently formulated with the use of graph cuts for the refinement of the disparity map. Finally, the depth information is extracted from the final disparity map. Experimental results on the Middlebury dataset demonstrate that our approach is effective in improving the state of the art.     

基于无监督学习的ToF点云目标提取方法

飞行时间(Time of Flight,ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会受到背景界面多次反射产生的多路径干扰,因此在复杂环境中目标物体深度测量数据会受到侧面和背景界面的多次反射的回波信号影响,降低边缘处深度测量的精度水平,因此需要对原始点云数据进行目标提取和多路径去除的预处理。本文针对该问题提出一种多界面场景中基于点云矢量的目标提取方法,能够实现复杂多目标的快速提取和多路径强干扰的去除。首先基于kmeans提出一种FVPkmeans算法,完成目标点云数据的全局全矢量提取处理。再基于K NN提出一种迭代滤波算法,实现局部多路径干扰数据的滤除。通过与其它方法的比较研究,该方法能够有效去除TOF点云目标数据的多路径干扰,目标提取性能提高了40,实验表明本文提出的全局点云数据全矢量目标提取和多路径干扰去除算法能够实现对目标点云数据的无监督学习智能提取与滤波要求。     

基于边缘增强引导滤波的光场全聚焦图像融合

受光场相机微透镜几何标定精度的影响,4D光场在角度方向上的解码误差会造成积分后的重聚焦图像边缘信息损失,从而降低全聚焦图像融合的精度。该文提出一种基于边缘增强引导滤波的光场全聚焦图像融合算法,通过对光场数字重聚焦得到的多幅重聚焦图像进行多尺度分解、特征层决策图引导滤波优化来获得最终全聚焦图像。与传统融合算法相比,该方法对4D光场标定误差带来的边缘信息损失进行了补偿,在重聚焦图像多尺度分解过程中增加了边缘层的提取来实现图像高频信息增强,并建立多尺度图像评价模型实现边缘层引导滤波参数优化,可获得更高质量的光场全聚焦图像。实验结果表明,在不明显降低融合图像与原始图像相似性的前提下,该方法可有效提高全聚焦图像的边缘强度和感知清晰度。