基于景物散焦图像的距离测量

计算机视觉中,景物三维重建的关键是从景物的图像中计算出景物目标到摄像机的距离,提出了一种基于散焦图像计算景物距离的新方法。该方法利用远心光学镜头拍摄景物图像,通过改变像检测到镜头的距离获得同一景物的两幅散焦程度不同的图像,将获得灰度图像转换成梯度图像。利用矩不变原理计算梯度图像中边缘区的大小与整个图像匹配大小的比Pe,根据两幅图像的Pe值计算出景物的深度。实验结果表明了该方法的有效性,并对该方法产生的误差进行了分析。     

一种离焦模糊图像的复原方法

图像复原是一种去除或减轻在获取数字图像过程中发生的图像质量下降的方法.为了获得更好的离焦图像复原质量,在通过对离焦模糊图像复原进行了较为系统的研究后,提出了一种基于维纳滤波频域的复原方法,结果表明该方法具有较好的改善图像复原效果和较快的速度.图像散焦信息的干扰得到有效排除,噪声得到有效抑制,信噪比得到明显改善.     

基于图像散焦测深方式的深度估计方法研究

基于图像散焦特征测深的基本原理是通过X-Y平面上的散焦图像特征而获得Z方向上的深度信息。散焦量的计算有多种方法，本文提出一种优化的方法，使其对噪声的敏感性大大降低，提高了深度估计的精度。     

一种基于清晰度的显微浮雕轮廓术

提出了一种基于清晰度的显微浮雕轮廓术。 采用5倍显微物镜,将正弦条纹通过投影仪从显 微镜目镜瞳口处耦合投射到载物台上,按照一个合适的步长移动Z轴,用CCD采集一系列不同 离焦量下 的条纹图像,用variance清晰度评价函数计算清晰度与离焦量之间的归一化曲线图,由此建 立清晰度与高 度的查找表;然后,放入待测浮雕物体,用CCD采集对应的条纹图像,采用图像分割分解不 同浮雕高度的 区域,再计算各区域内条纹的清晰度,根据查找表查找相应的高度,从而得到待测浮雕物体 不同区域的高 度信息,以此来重构浮雕物体的三维形貌。实验仿真分析证明了该方法的可行性,硬币上数 字为“0”的浮雕 物体表面三维形貌重建结果证明了该方法的有效性,其误差范围在[－2μm,2μm]之间 。     

基于散斑图像的远程振动频率提取方法研究

为了得到远程物体的微米级振动的频率信息,采用基于散斑图像的远程振动频率提取方法,以波长为532nm连续激光器作为光源照射50m远处被测物体表面,通过高速摄像机记录物体表面反射空间内的散斑图样提取物体的微振动频率。采用激光散斑图像的数据处理方法,进行了研究分析和实验验证,利用长焦镜头对远程散斑图像进行适当散焦处理,然后提取视频散斑图像间互相关系数峰值点与原点之间的矢量大小来获取散斑的变化信息,同时对一定宽频率范围内的振动频率进行提取。结果表明,用该方法得到的激光散斑远程微振动频率的提取准确度达99.22%。该数据结果为激光散斑应用于远程频率振动检测提供了一定的论证依据。     

离焦和球差效应对高分辨率电镜性能参数的影响

从离焦效应和球差效应出发，分析了它们对高分辨率电子显微镜分辨率和通带宽度的影响。得出了最佳欠焦量下分辨率与球差系数和电子波长的关系．在最佳欠焦条件下，分辩率与球差系数的-1/4次方成正比，与电子波长的-3/4次方成正比，通带宽度随欠焦量绝对值的增大而减小．     

部分模糊核已知的混合模糊图像复原算法

真实环境中得到的图像常会受到多种模糊降质过程的影响,导致成像质量下降,为此提出一种图像退化模型及相应的复原算法.与传统的级联方式不同,该算法假定模糊核函数是散焦与运动模糊的加权和形式;在散焦模糊给定的情况下,使用广义拉普拉斯分布作为运动模糊的统计模型,并在期望最大化(EM)算法框架下估计模糊核函数;最后利用估计的模糊核函数进行图像复原.实验结果表明,采用文中的复原算法能够较为准确地辨识出模糊核,提升了图像复原的效果.     

“场发花”现象研究

随着半导体技术的不断发展,特征尺寸也不断缩小,光刻对条宽的控制能力在整个半导体技术中显得十分重要,而场发花现象对光刻来说是个较为严重的质量问题,它严重影响了光刻对条宽的控制能力,同时还造成硅片的大量返工,使生产成本增加、产量降低,也使生产的圆片质量可靠性受到置疑。文章对造成场发花现象的原因,场发花造成的影响以及如何避免场发花现象做了一定的解释。     

基于散焦图像特征的微装配机器人深度运动显微视觉伺服

为了描述微操作手深度运动，采用灰度方差聚焦评价算子计算机械手散焦图像特征．散焦特征曲线理论上为单峰分布，峰值点对应显微光学焦平面深度位置．实际提取的散焦特征含有大量随机噪声，利用非线性跟踪微分器抑制噪声实现对机械手散焦图像特征及其微分信号的无颤振光滑逼近．依据散焦微分信号设计粗—精两级自寻优视觉控制器，完成微操作手对装配平面深度的精确定位．微装配深度运动实验验证了本文方法的有效性，机械手深度伺服误差为75 μm．     

Rational Filters for Passive Depth from Defocus

A fundamental problem in depth from defocus is the measurement of relative defocus between images. The performance of previously proposed focus operators are inevitably sensitive to the frequency spectra of local scene textures. As a result, focus operators such as the Laplacian of Gaussian result in poor depth estimates. An alternative is to use large filter banks that densely sample the frequency space. Though this approach can result in better depth accuracy, it sacrifices the computational efficiency that depth from defocus offers over stereo and structure from motion. We propose a class of broadband operators that, when used together, provide invariance to scene texture and produce accurate and dense depth maps. Since the operators are broadband, a small number of them are sufficient for depth estimation of scenes with complex textural properties. In addition, a depth confidence measure is derived that can be computed from the outputs of the operators. This confidence measure permits further refinement of computed depth maps. Experiments are conducted on both synthetic and real scenes to evaluate the performance of the proposed operators. The depth detection gain error is less than 1%, irrespective of texture frequency. Depth accuracy is found to be 0.51.2% of the distance of the object from the imaging optics.