基于聚焦堆栈单体数据子集架构的全局成像

来源 :激光与光电子学进展 | 被引量 : 0次 | 上传用户:cxxxcs
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
提出基于聚焦堆栈单体数据子集架构的全局成像方法,该方法可以提高单体内部的重建精度,减少由物体边界深度跳跃带来的重建误差。首先采用Alpha Matting算法获取物体的边界信息,按照物体的边界信息在(x,y)空间中对聚焦堆栈进行精确划分,在深度方向上对聚焦堆栈数据进行筛选,获得聚焦堆栈单体数据子集。然后根据聚焦测度对单体数据子集进行深度重建和全聚焦成像,利用全变差正则化优化计算结果。最后将优化后的聚焦堆栈单体数据子集的重建结果进行全局融合,得到全局场景的深度图和全聚焦图。实验结果表明,提出的基于聚焦
其他文献
基于全局特征的行人重识别算法主要使用交叉熵损失函数和三元组损失函数来监督网络的学习。然而,原始三元组损失函数在增大类间距离的同时并未很好地优化类内距离,为了解决这个问题,提出一种基于全局特征的行人重识别改进算法。该算法是在三元组损失函数的基础上进行改进,即在原始三元组损失函数中引入一项类内距离,使改进后的三元组损失函数能够在增大类间距离的同时减小类内距离。在Market1501、DukeMTMC-
为了增强畸变校正方法的实时性和适用性,提出了一种基于卷积神经网络(CNN)的图像畸变校正方法。首先,使用具有自校准功能的运动结构重建真实相机拍摄的图像序列,以估计相机参数;然后,根据拟合出的第一、第二阶径向畸变参数之间的函数关系,生成常见径向畸变范围内的图像,解决带有第一、第二阶径向畸变注释的畸变图像较少的问题;最后,利用CNN强大的学习能力学习径向畸变的特征,以估计径向的变形情况,并将输入图像映