利用图像灰度信息重构物体三维表面(简称SFS,Shape from Shading)的方法是一种重要的非接触曲面测量手段,在遥感、工业测量、模式识别、产品监控、显微测量等领域都有着广阔的应用前景,近年来成为基于视觉的曲面测量领域研究的热点和难点问题。但是现有的SFS方法仍存在曲面重构精度较低、在图像辐射度方程的迭代求解过程中容易发散以及光照方向参数测量过程复杂等难以解决的问题,整个理论体系还不完善。本文详细介绍了SFS方法与其它测量方法相比所具有的优势、现有的SFS方法曲面重构原理及其国内外研究现状。分析了现有的SFS方法中存在的问题,针对这些问题提出了相应的解决方法,并通过实验验证了本文所提出的算法,力求对SFS方法理论的完善做出贡献,希望能够推动SFS方法从理论研究转化到实际应用中。 现有的SFS方法集中研究基于Lambert光照模型的图像辐照度方程逆向求解算法,Lambert光照模型是一个经验模型,未能考虑观察方向和物体表面粗糙度对光反射强度的影响,无法客观地描述光反射现象的物理过程。因此,近年来虽然提出各种SFS方法所对应的非线性偏微分方程组的求解算法,但是曲面重构结果的精度始终未能获得较大突破。本文针对光反射现象进行了详细分析,忽略了一些对SFS方法影响较小的光反射分量,将反射光分为漫反射分量和镜面反射分量,以基于光度学和辐照度学理论推导得到的高精度物理光照模型Oren-Nayar模型为基础,根据SFS方法的特点简化了Oren-Nayar光照漫反射模型,并对其增加了镜面反射分量,将光的漫反射分量和镜面反射分量加权相加构成适用于SFS方法的光照模型。该光照模型比传统的几何光照模型精度高,对物体表面粗糙度没有限制,并具有相对简单的数学表达形式,满足了SFS方法的需要。 本文针对改进的光照模型提出了相应的SFS方法的最小化算法。由于SFS方法本身是对一个病态的非线性偏微分方程进行求解,所以在求解过程中需要增加光强约束条件、表面光滑约束条件和表面可积性约束条件,使之转变为可以迭代求解的问题。在迭代求解过程中给出了边界条件和收敛判据,分别基于Lambert光照模型和改进的光照模型对已知形状曲面图像进行重构,通过对重构精度的比较验证了改进的光照模型可以提高重构曲面的精度。同时,本文利用改进的光照模型及其相应的图像辐照度方程逆向求解算法对不同类型的曲面图像进行重构,验证了该光照模型及其相应的SFS算法具有普遍适用性。 由于非线性偏微分方程的迭代求解算法复杂,在迭代过程中经常收敛到极小值。因此,本文提出一种基于神经网络模型间接求解曲面高度的方法,将神经网络模型看作是光照模型及辐照度方程逆向求解的非线性逼近函数,将形状已知的曲面图像中某一点的灰度、其邻域内点的灰度以及该点的光照条件参数作为输入参数对网络模型进行训练,