基于通用训练集的三维表面纹理超分辨率研究

论文摘要

纹理度量了物体表面光强度的变化,定量表现了物体表面的光滑、粗糙和规则程度。它常被用于在图像分析和计算机视觉中进行区域描述,是展现真实世界的重要手段。二维表面纹理的表示、合成与编辑的研究在计算机视觉、虚拟现实、医学和航天等领域都发挥了重要的作用,引起了广泛的关注。实际上,一幅图像的清晰度（分辨率）取决于它所包含的细节信息的多少。为了提高纹理图像的分辨率,目前比较新颖的做法是运用超分辨率技术,预测出模糊图像所丢失的细节部分,从而提高图像的清晰度。尽管二维表面纹理的超分辨率技术已经取得了一定的成果,但是真实物体的表面往往具有丰富的光照信息和复杂的几何信息（即三维表面纹理）,以至于传统的二维纹理超分辨率技术在我们重建真实世界时显得力不从心,需要一种能够重建三维表面纹理的新方法。例如在对一只兔子进行建模时,如果仅用一幅兔子皮毛的二维纹理图像对一只兔子进行贴图就不能正确的反映出它在光线和视角改变时所发生的变化。因此对三维表面纹理的超分辨率技术的研究具有很强的现实性。本论文在前期简易的三维表面纹理超分辨率方法的基础上,选择了Freeman的方法,发展了自己的基于eigen-base图像的三维表面纹理的超分辨率方法。紧接着结合Textons和支持向量机的理论,提出了基于通用训练集的三维表面纹理超分辨率的理论和算法,使三维表面纹理的超分辨率技术更具有通用性。文章末尾用多组实验数据证明了本论文提出的基于通用训练集的三维表面纹理的超分辨率算法的有效性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.1.1 三维表面纹理的简介
• 1.1.2 超分辨率的研究意义
• 1.1.3 三维表面纹理超分辨率研究意义
• 1.2 本论文研究的工作
• 2 文献综述
• 2.1 关于三维表面纹理的表示方法和重光照技术
• 2.2 基于学习的超分辨率技术
• 2.3 Textons技术和支持向量机理论
• 2.3.1 Textons
• 2.3.2 支持向量机
• 3 三维表面纹理的表示和重光照方法
• 3.1 三维表面纹理的采集
• 3.2 三维表面纹理的表示方法和重光照
• 3.2.1 三维表面纹理表示的数学模型
• 3.2.2 基于3I的三维表面纹理的表示方法
• 3.2.3 基于Gradient的三维表面纹理的表示方法
• 3.2.4 基于Eigen的三维表面纹理的表示方法
• 3.3 结论
• 4 基于学习的三维表面纹理超分辨率
• 4.1 基于例子学习的超分辨率算法
• 4.1.1 训练集的生成和输入图像的预处理
• 4.1.2 马尔可夫网络模型
• 4.1.3 single-pass模型
• 4.2 三维表面纹理的超分辨率流程
• 4.3 基于3I和Gradient的三维表面纹理超分辨率
• 4.4 基于eigen-base图像的三维表面纹理超分辨率
• 5 基于Textons和SVM的二维纹理的超分辨率
• 5.1 Textons介绍
• 5.1.1 2D Textons
• 5.1.2 3D Textons
• 5.2 SVM简介
• 5.3 基于Textons和SVM的二维图像的超分辨率
• 6 基于通用训练集的三维表面纹理超分辨率
• 6.1 纹理图像的获取
• 6.2 基于通用训练集的三维表面纹理超分辨率算法描述
• 6.2.1 图像的预处理
• 6.2.2 生成通用训练集
• 6.2.3 使用SVM预测高频图像
• 6.2.4 三维表面纹理的重光照
• 6.3 三维表面纹理超分辨率处理的实验结果
• 6.3.1 基于3I表示方法的实验结果
• 6.3.2 基于Gradient方法表示的实验结果
• 7 总结与展望
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文
• 研究成果