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。     

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.     

激光自动对焦中离焦量的探测与计算方法

根据激光光线聚焦状态不同对应被测面上激光光斑形状不同的特点,通过引入辅助激光束,分析了调焦CCD采集的激光光斑图像信息,进而根据光斑形状及半径等信息确定被测面对焦状态。针对实验中每隔相同离焦距离采集的一系列光斑图像,提出了相应的图像处理方案,以提取所需光斑半径信息,进而进行光斑半径与离焦量转换。实验结果表明,光斑半径与离焦量呈线性关系,最大线性范围灵敏度为2.342像素/μm,最高可实现0.43μm分辨率。     

基于离焦估计的对焦速度的提高方法

提出一种新的自动对焦准焦点定位方法。首先在3个位置估算离焦量,直接驱动镜头至准焦位置附近,用小步长进行搜索,找到最佳对焦位置。实验结果表明,该方法不需要对成像系统进行精确校准,在保持对焦深度(DFF)法的精度优势的同时,将对焦速度提高了37%。     

基于深度学习的显微离焦图像法颗粒深度测量

显微成像条件下的三维流场测量是微通道流动等研究的基础,其难点在于颗粒深度位置的测量。由于显微镜头景深极小,成像时通道内大部分颗粒处于离焦状态。本文首先基于几何光学原理分析了显微成像前后离焦 不对称的特点,随后基于Inception V3卷积神经网络搭建了颗粒深度预测模型,并通过光线追踪方法生成粒径 1~10μm的10种颗粒在深度范围-50～50μm内的仿真显微图像,应用深度预测模型对其进行训练及预测,颗粒深度预测结果显示1～3μm颗粒的相对误差在±13%以内,4～10μm颗粒的相对误差小于±5%。最后在微通道中拍摄粒径分别为2.6μm和5μm的聚苯乙烯微球在深度范围-50～50μm内的显微图像,应用同一深度预测模型进行训练及预测,两种颗粒深度预测结果的相对误差分别为小于±15%和±5%。结果表明,所提出的基于深度学习的显微离焦图像法能够有效测量微通道内颗粒深度位置,为图像法流场测量技术增加了新的思路。     

集成成像技术的像质评价分析

为了研究集成成像非共轭面的成像质量,根据光线追迹原理分析透镜阵列的成像过程,指出三维成像原理并给出不同离焦量下的轴截面成像分辨率;从波动光学角度分析包含离焦波像差的透镜阵列光学传递(OTF),得到集成成像系统的非共轭面调制传递函数(MTF)并指出与单透镜共轭面成像的联系.根据非共轭面分辨率给出符合视觉要求的显示深度计算方法.采用投影仪与菲涅尔透镜搭建显示面积为100×750 mm2的集成成像显示系统,实验结果表明,集成成像轴截面成像分辨率在离焦量增大的情况下迅速下降,非共轭面像质是制约集成成像显示效果的重要因素之一.     

BaMBNet: A Blur-Aware Multi-Branch Network for Dual-Pixel Defocus Deblurring

Reducing the defocus blur that arises from the finite aperture size and short exposure time is an essential problem in computational photography. It is very challenging because the blur kernel is spatially varying and difficult to estimate by traditional methods. Due to its great breakthrough in low-level tasks, convolutional neural networks (CNNs) have been introduced to the defocus deblurring problem and achieved significant progress. However, previous methods apply the same learned kernel for different regions of the defocus blurred images, thus it is difficult to handle nonuniform blurred images. To this end, this study designs a novel blur-aware multi-branch network (BaMBNet), in which different regions are treated differentially. In particular, we estimate the blur amounts of different regions by the internal geometric constraint of the dual-pixel (DP) data, which measures the defocus disparity between the left and right views. Based on the assumption that different image regions with different blur amounts have different deblurring difficulties, we leverage different networks with different capacities to treat different image regions. Moreover, we introduce a meta-learning defocus mask generation algorithm to assign each pixel to a proper branch. In this way, we can expect to maintain the information of the clear regions well while recovering the missing details of the blurred regions. Both quantitative and qualitative experiments demonstrate that our BaMBNet outperforms the state-of-the-art (SOTA) methods. For the dual-pixel defocus deblurring (DPD)-blur dataset, the proposed BaMBNet achieves 1.20 dB gain over the previous SOTA method in term of peak signal-to-noise ratio (PSNR) and reduces learnable parameters by 85%. The details of the code and dataset are available at https://github.com/junjun-jiang/BaMBNet.      

由粗到精的多尺度散焦模糊检测

目的 散焦模糊检测致力于区分图像中的清晰与模糊像素，广泛应用于诸多领域，是计算机视觉中的重要研究方向。待检测图像含复杂场景时，现有的散焦模糊检测方法存在精度不够高、检测结果边界不完整等问题。本文提出一种由粗到精的多尺度散焦模糊检测网络，通过融合不同尺度下图像的多层卷积特征提高散焦模糊的检测精度。方法 将图像缩放至不同尺度，使用卷积神经网络从每个尺度下的图像中提取多层卷积特征，并使用卷积层融合不同尺度图像对应层的特征；使用卷积长短时记忆（convolutional long-short term memory，Conv-LSTM）层自顶向下地整合不同尺度的模糊特征，同时生成对应尺度的模糊检测图，以这种方式将深层的语义信息逐步传递至浅层网络；在此过程中，将深浅层特征联合，利用浅层特征细化深一层的模糊检测结果；使用卷积层将多尺度检测结果融合得到最终结果。本文在网络训练过程中使用了多层监督策略确保每个Conv-LSTM层都能达到最优。结果 在DUT （Dalian University of Technology）和CUHK （The Chinese University of Hong Kong）两个公共的模糊检测数据集上进行训练和测试，对比了包括当前最好的模糊检测算法BTBCRL （bottom-top-bottom network with cascaded defocus blur detection map residual learning），DeFusionNet （defocus blur detection network via recurrently fusing and refining multi-scale deep features）和DHDE （multi-scale deep and hand-crafted features for defocus estimation）等10种算法。实验结果表明：在DUT数据集上，本文模型相比于DeFusionNet模型，MAE （mean absolute error）值降低了38.8%，F_0.3值提高了5.4%；在CUHK数据集上，相比于LBP （local binary pattern）算法，MAE值降低了36.7%，F_0.3值提高了9.7%。通过实验对比，充分验证了本文提出的散焦模糊检测模型的有效性。结论 本文提出的由粗到精的多尺度散焦模糊检测方法，通过融合不同尺度图像的特征，以及使用卷积长短时记忆层自顶向下地整合深层的语义信息和浅层的细节信息，使得模型在不同的图像场景中能得到更加准确的散焦模糊检测结果。     

离焦量对农机深松铲Ni60表面熔覆层质量的影响

研究激光熔覆过程中离焦量对农机深松铲表面熔覆层质量的影响。在扫描速度和送粉电压不变的情况下,分析不同的离焦量对熔覆层的维氏硬度和金相组织的影响,确定离焦量的最优值。结果显示:离焦量为360 mm时,熔覆组织均匀,晶体细小的熔覆层、细小、高硬度、耐磨性、耐腐蚀性均良好。适宜的离焦量有利于获得最佳性能。     

Defocus Hyperspectral Image Deblurring with Adaptive Reference Image and Scale Map

Journal of Computer Science and Technology - Defocus blur is one of the primary problems among hyperspectral imaging systems equipped with simple lenses. Most of the previous deblurring methods...