基于散焦图像的深度估计的研究

论文摘要

在计算机视觉系统中,物体深度信息的测量一直是热点问题,它是三维重构技术的关键。近年来,基于散焦图像的物体深度估计算法受到越来越多的关注和研究,它属于单目视觉,避免了在双目视觉中尚未解决的特征点匹配与遮挡的问题,因此受到了很多领域的青睐,拥有更好的实用性。目前常见的散焦测距算法中采用的是两幅或两幅以上的图像,利用物体在不同散焦程度下的图像差异确定物体的深度信息。但是二次成像的约束增加了计算的复杂度,降低了应用的实时性。在本文的研究中,主要研究基于单目散焦图像的深度估计,根据在实际中的应用特点,以牺牲物体深度信息的精确度换取计算的运算速度和实时性。在本文的主要研究内容是在单幅散焦图像的基础上,对物体的深度信息进行估计。主要进行了一下工作:1、从理论上分析了散焦图像的光学原理,成像面上圆形模糊光斑半径与光学系统参数之间的关系。阐述了两种经典的散焦图像测距算法:Pentland算法和Subbarao算法。2、引入清晰度评价函数,在对图像进行复原时以清晰度评价函数为评价标准,求取恢复图像最清晰时的点扩散函数。通过实验数据对比,得出以拉普拉斯算子作为小区域图像的清晰度评价函数。3、首先分析了图像的退化模型及其数学模型,然后研究了散焦图像非盲复原过程中的两大难题:点扩散函数模型和滤波器的选择。最后通过仿真实验,证实了根据散焦图像的点扩散函数对其进行复原的可行性。4、提出新的方法即图像深度分层法,通过对图像的深度进行分层,根据点扩散函数参数与物距之间的关系,求得不同物距对应的点扩散函数参数,并对散焦图像进行复原,进而求出恢复图像最清晰时的物距,根据物距判断图像上两点间的相对位置。最后进行了仿真实验,求出了散焦图像中物体的深度信息。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景和意义
• 1.2 测距方法简介
• 1.2.1 主动测距方法
• 1.2.2 被动测距方法
• 1.3 国内外研究现状
• 1.4 散焦测距的主要应用
• 1.5 论文的主要研究内容
• 2 散焦测距算法的基本原理
• 2.1 散焦成像系统的模型
• 2.2 Pentland 的散焦测距算法
• 2.2.1 基于散焦图像的边缘检测法
• 2.2.2 两幅散焦程度不同的图像测距法
• 2.3 Subbarao 的散焦测距算法
• 2.3.1 Subbarao 算法的数学模型
• 2.3.2 相关函数和功率谱
• 2.3.3 大幅改变镜头参数实现物体深度信息的测量
• 2.3.4 微幅改变镜头参数实现物体深度信息的测量
• 2.4 本章小结
• 3 图像清晰度评价函数
• 3.1 图像清晰度评价函数的原理
• 3.2 清晰度评价函数的分类
• 3.2.1 灰度变化函数
• 3.2.2 梯度函数
• 3.2.3 图像灰度熵函数
• 3.2.4 频谱函数
• 3.2.5 图像自相关函数
• 3.3 清晰度评价函数的比较
• 3.4 本章小结
• 4 散焦模糊图像复原
• 4.1 图像退化的模型
• 4.2 散焦模糊图像复原算法
• 4.2.1 点扩散函数
• 4.2.2 滤波器
• 4.3 仿真实验
• 4.4 本章小结
• 5 利用图像深度分层确定实际成像位置的研究
• 5.1 光学原理
• 5.2 几种经典的散焦恢复形貌算法
• 5.3 朗伯体漫反射模型
• 5.4 图像深度分层算法
• 5.4.1 图像深度分层原理
• 5.4.2 图像中成像面的设定
• 5.4.3 实验分析
• 5.5 本章小结
• 6 总结与展望
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文