【摘 要】
：
提出基于超像素分割,并联合自回归模型的深度复原方法。首先对已获取的场景彩色图进行过分割,得到彩色图中每个像素的标号,然后构建基于已分割彩色图像指导的自回归模型:根据像素标号对自回归模型系数进行预测,通过优化预测系数差错来实现深度图恢复。实验表明,该算法不仅能有效恢复出深度图,而且在结构边缘细节处更加突出,优于目前主流的方法。
【机 构】
：
天津大学 电子信息工程学院,天津大学计算机科学与技术学院
论文部分内容阅读
提出基于超像素分割,并联合自回归模型的深度复原方法。首先对已获取的场景彩色图进行过分割,得到彩色图中每个像素的标号,然后构建基于已分割彩色图像指导的自回归模型:根据像素标号对自回归模型系数进行预测,通过优化预测系数差错来实现深度图恢复。实验表明,该算法不仅能有效恢复出深度图,而且在结构边缘细节处更加突出,优于目前主流的方法。
其他文献
目的 评价经前列腺小囊输尿管镜下精囊镜检查在顽固性血精的诊断及治疗中的作用.方法 回顾性分析2011年1月～2012年6月间收治的11例顽固性血精患者的临床资料,均在完善前列腺和
选取场景中常见的门形结构为处理对象,提取门形结构中的三条直线,拟合直线方程,进而确定直线的交点及两条平行直线的消失点,根据消失点原理和垂直关系等先验知识确定摄像机坐标系和世界坐标系的映射。空间解析过程以直线方程为基本要素,参与解析运算的点特征均由直线方程确定,随机选取的点坐标仅用于方向一致性判定,减少了随机误差引入。仿真实验表明,本文的视觉定位方法对噪声有较高的鲁棒性,与融合线特征和随机点特征的方
提出一种基于不同微透镜阵列参数的集成成像微图像阵列生成方法。在该方法的拍摄过程中,首先通过微透镜阵列1拍摄三维场景获得微图像阵列1,再通过一个包括虚拟显示和虚拟拍摄两个步骤的像素映射算法,生成与微图像阵列1参数不同的微图像阵列2。在显示过程中使用的微透镜阵列2与拍摄时的微透镜阵列1具有不同的参数,微图像阵列2通过微透镜阵列2重建出全真的3D图像,重建的3D图像没有图像缩放和畸变。同时本文还推导了微
提出了一种基于AVI(Average Information Value)的立体图像合成算法。该方法对左右视图相同坐标位置的像素值进行线性加权得到中间视图;然后,将生成的中间视图与左右视图合成,生成合成图像。仿真和实验表明所提出的立体图像合成算法能够扩大3D手机的立体可视区域,并且降低非最优观看区串扰,对手机立体显示具有重要意义。
为准确反映人眼在观看立体视频过程中的视觉舒适程度,提出了一种基于特征区域分割的立体视频视觉舒适度评价方法。首先自适应地分割提取出立体视频序列中的人眼的感兴趣区域,以及相邻帧间的运动区域,然后结合深度感知理论和空间合并技术,对视觉舒适度这一特征量进行建模,最后实现对立体视频视觉舒适度的评定。实验结果表明,使用本文的方法对立体视频视觉舒适度进行评价,可以很好的模拟人眼直接观测的视觉感受,对于视觉舒适度
通过采集志愿者观看背景视差过大的3D影片前后的脑电数据,来研究该效应对人体健康的影响。实验共选取20例有效样本,利用快速傅里叶变换法(FFT)提取特征波段,计算出各频带的能量和功率,并由此得到功率谱和重心频率。此外还设计问卷定性了解志愿者的疲劳程度。根据主观疲劳问卷和对比看前看后的脑电参数,分析了观看背景视差过大的3D影片后人体脑电信号变化的关系。实验结果表明志愿者看前看后的各项脑电参数出现了改变
左右视图不协调是影响立体显示舒适度的重要因素之一,色度偏差是不协调性的重要指标之一。ERP(event-relation-potentials),即事件相关电位,与特定的物理事件或心理事件在时间上相关的电压波动,通过叠加技术从EEG(electroencephalography)中提取的信号。ERP时间分辨率高、客观性强,能够客观地实时地反应人类心理活动,可以用于舒适度方面的客观评价。本文结合行为
随着3D显示技术的发展,在显示技术中需要对人脸进行精确检测以及对五官进行精确定位。提出了将亮瞳效应、运动帧间差分投影和多模板ASM匹配集于一体的人脸检测方法。首先利用亮瞳效应找出可能包含的人脸区域;然后利用差影法对可能包含的区域进行进一步筛选缩小范围;最后利用多模板ASM方法进行精确定位。此方法发挥各种检测算法的优势,准确率较高,对姿态、表情、背景等变化情况下人脸的检测具有较好的鲁棒性。
根据人类视觉系统(Human Visual System,HVS)中双目视觉信息处理的过程,结合一系列图像特征,提出一种基于双目信息融合的立体图像质量评价模型。该模型通过复小波变换模拟HVS对立体图像的融合过程。提取结构活跃度(Structural Activity,SA)以及相位一致性(Phase Congruency,PC)作为图像特征。最后通过度量融合图像特征的改变程度获得立体图像客观质量。
采用Adaboost人脸检测算法,对输入样本进行Haar特征提取,从中选择出甄别效率最高的Haar特征,然后将训练得到的Haar特征转换为弱分类器,进一步将弱分类器组合成强分类器,通过肤色确定候选点,然后用强分类器进行人脸的检测,进一步利用混合投影峰分析检测人眼的位置。通过C++实现了该算法,完成了人脸检测算法的DSP程序移植。实验结果表明,该DSP系统可以有效的实现人眼检测。