基于引导采样的Kinect深度图修补算法

针对Kinect采集到的深度图带有大量的结构性缺失,提出了一种新的深度图空洞噪声修补算法。算法首先将深度图所对应的彩色图片转化为灰度图,然后用Kmeans算法将彩色图转化而来的灰度图进行聚类处理,将生成的聚类图作为引导图。联合引导图对深度图空洞噪声边缘深度值采样,采集多个深度值并计算深度均值,最后使用深度均值来作为空洞的深度估计值。通过与MC-UE算法相比较,由于有引导图的矫正作用,边缘细节更加清晰准确。对于处理较小面积的空洞噪声,处理结果相较于MC-UE算法,均方误差仅降低4%左右。但对于处理较大面积的空洞噪声,均方误差较MC-UE算法降低了9.65%~14.32%。     

基于全卷积神经网络的锈蚀钢筋截面检测方法

锈蚀钢筋检测的传统方法对试验仪器的精度要求高、人为因素对检测结果的影响大,不便于应用推广.基于全卷积神经网络提出了一种锈蚀钢筋截面的检测方法,通过对锈蚀钢筋截面图像样本进行像素分割以实现截面区域的检测.神经网络设计时采用了VGG19-FCN及U-Net两种架构,并对二者的识别性能进行了对比分析.图像样本采用从实际工程中...