基于法向量与曲率结合的深度图像分割

论文摘要

随着信息科技的发展,准确描述事物三维信息的深度图像变的越来越重要,图像分割技术是图像处理的主要研究方向之一,它是其他图像处理的前提,也可以说图像分割的好坏直接影响着图像处理的结果以及最终的应用,在深度图像研究中图像的分割是其一个重要的环节。本文在分析了深度图像获取方法的基础上,采用了双目视觉测量系统获取深度图像。针对实验仪器和环境等因素产生的噪声,利用了改进的中值滤波方法进行滤波,实验结果表明,该方法既能有效地去除噪声又能保持边缘信息特征。根据深度图像自身的几何特性提出了基于法向量的深度图像分割方法。该方法不需要先对曲面拟合求取法向量,而是利用与法向量一一对应的梯度特征值来作为特征提取进行分割,以避免曲面拟合引入的大量噪声对分割的影响,通过实验验证,该方法有效地降低了噪声的影响,在边缘处出现了变形。为了进一步改善边缘检测质量,本文提出了基于法向量与曲率结合的深度图像分割方法,以深度图像的几何量(法向量,曲率)为特征进行边缘检测。先利用曲率的变化检测出图像的边缘并标记,再利用梯度进行分割最后融合得到深度图像分割结果。经实验验证和评价分析可知,此方法既减少了噪声影响,又可以准确的检测出图像的边缘。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 深度图像分割方法的发展与现状
• 1.2.1 深度图像边缘检测算法的发展现状
• 1.2.2 深度图像区域分割算法的研究现状
• 1.3 论文课题来源及主要研究内容
• 第2章 深度图像的获取与滤波
• 2.1 引言
• 2.2 深度图像获取原理及实验
• 2.2.1 深度图像获取的一般方法
• 2.2.2 双目视觉测量系统
• 2.2.3 实验步骤及结果
• 2.3 深度图像滤波
• 2.3.1 均值滤波
• 2.3.2 中值滤波
• 2.3.3 改进的中值滤波
• 2.3.4 滤波实验结果
• 2.4 本章小结
• 第3章 基于法向量的深度图像区域分割
• 3.1 引言
• 3.2 预备知识
• 3.2.1 欧式空间
• 3.2.2 法向量
• 3.2.3 梯度
• 3.3 法向量深度图像分割方案
• 3.3.1 梯度特征提取
• 3.3.2 区域分割
• 3.3.3 区域融合规则
• 3.3 实验结果和分析
• 3.4 本章小结
• 第4章 法向量结合曲率的深度图像分割方法
• 4.1 引言
• 4.2 法向量结合曲率的深度分割方案设计
• 4.3 曲率特征值的提取
• 4.4 基于曲率边缘检测
• 4.5 法向量与曲率的融合
• 4.5 算法流程
• 4.6 实验结果对比
• 4.7 深度图像分割评价
• 4.8 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论
• 致谢