一种基于线性迭代自定标方法

提出了一种新的利用线性迭代算法来实现摄像机的自定标方法 ,该方法不需要景物中的任何先验知识 ,只需要通过线性迭代就可以实现摄像机的自定标 .本文所提出的方法分为两步 :第一步假设s=0、主点坐标位于坐标原点 ,求到绝对二次曲面在射影空间中的像 ,得到摄像机的内参数 ;第二步 ,利用第一步得到的摄像机的内参数 ,通过图像的坐标变换 ,使图像符合第一步假设的摄像机所获取的图像 ,再返回到第一步 .模拟实验和真实实验数据结果表明 ,该定标方法运算量小、鲁棒性好、收敛性好等优点 .

基于1维子空间线性迭代射影重建

提出了一种基于1维子空间线性迭代的射影重建方法.该方法利用所有图像序列的行向量生成的子空间之和,与射影重建空间点的行向量生成的子空间是同一线性子空间,同时,由第1幅图像的3个行向量及另外一个行向量可以构成该线性子空间的一个基底的特性,线性迭代求取这个行向量及图像深度因子,最后完成射影重建.模拟实验和真实实验数据结果表明,该射影重建方法具有鲁棒性好、收敛性好以及重投影误差小等优点.

一种鲁棒性的射影重建方法——加权迭代法

本文提出了一种利用加权迭代来剔除出格数据并实现射影重建的方法,该方法首先利用加权来进行射影重建,再利用重投影误差的倒数作为下一次迭代的权值,如此循环,就可以使出格数据的权值接近于0,最后完成射影重建。本方法可以克服最小二乘法鲁棒性差及随机抽样算法计算量大的缺点,模拟实验和真实实验数据结果表明,该重建方法具有运算量小、鲁棒性好等优点。

线性迭代子空间射影重建法

该文提出了一种基于子空间线性迭代的射影重建方法,该方法利用所有的图像序列构成的行向量生成的线性子空间之和与射影重建结构点构成的行向量生成的子空间是同一线性子空间及在该子空间中任何一个基底都可以作为射影重建的特性,线性迭代地求取射影重建及图像深度因子。模拟实验和真实实验表明,该射影重建方法具有鲁棒性好、收敛性好及重投影误差小等优点。

3维子空间约束的遮挡点恢复方法

为了有效地恢复跟踪过程中丢失的特征点,假设相机为正投影模型,提出了一种遮挡点恢复方法,其主要是利用所有的图像序列构成的、由行向量生成的线性子空间之和与空间结构点构成的、由行向量生成的子空间是同一个线性子空间的特性,构造了一种线性迭代算法.该方法的优点是在求解遮挡点的位置时,利用了所有的图像点信息,而且将所有的图像及图像点平等地看待.模拟、真实实验表明,所提方法的重投影误差仅比原有图像的噪声约大15%,这说明算法具有较好的收敛性.

基于秩1的射影重建方法

提出了一种能够将所有图像平等看待基于秩1的射影重建方法,该方法并不是直接求解射影空间结构点和投影矩阵,而是求解射影空间结构点的深度因子及投影矩阵.本文利用射影空间结构点可以由图像点及深度因子构成的特性,构造了一个秩为1的矩阵,用线性迭代的方法求取空间结构点的深度因子,最后完成射影重建.模拟实验和真实实验数据结果表明,该射影重建方法具有收敛性好、重投影误差小及运行速度快等优点.

基于秩3约束的遮挡点恢复方法

提出了一种基于秩3约束的遮挡点恢复方法,该方法利用所有图像点组成一个秩3的矩阵,并利用该特性构造一个投影矩阵,利用该投影矩阵求得遮挡点,再用求得的遮挡点代替图像中的遮挡点,经过多次迭代,最后求得遮挡点的真实图像位置。该方法的优点是将所有的图像及图像点都平等地看待,模拟实验和真实实验表明,该方法具有鲁棒性好、收敛性好及误差小等优点。

基于正交补空间的遮挡点恢复方法

为了有效地恢复遮挡点的位置,提出了一种基于正交补空间的遮挡点恢复方法,该方法将图像两两组合,并删除同组中的遮挡点,利用删除遮挡点后的图像组生成的正交补空间之和等于三维空间结构点生成的正交补空间的特性,线性地求解出遮挡点的真实位置.由于该方法的求解是线性的,克服了现有迭代方法需要初值的缺点;同时,该方法将所有的图像及可见图像点都平等地看待.模拟实验和真实实验结果表明,该方法具有鲁棒性好及误差小等优点.

一种加权迭代自定标算法

提出了一种利用加权迭代来抛弃出格数据的自定标算法.首先利用加权求欧氏重建及各图像点的重投影误差,再利用各点的重投影误差作为下次迭代的权值,如此循环,使出格数据的权值接近于0,最后完成摄像机的自定标.该算法可以克服最小二乘法鲁棒性差及随机抽样算法计算量大的缺点,具有运算量小、鲁棒性好等优点.

基于1维子空间的3维重建算法

为了重建3维场景,假设相机为正投影模型,提出了一种基于1维子空间的3维重建算法.所有图像序列构成的行向量与3维空间点构成的行向量所生成的子空间是同一线性子空间,而且由第1幅图像点构成的2个行向量外加1个行向量就可以组成该子空间的一个基底.该算法利用上述特性,线性地求取该行向量,最后完成3维重建.模拟实验和真实实验数据结果表明,该重建算法具有鲁棒性好、重投影误差小等优点.

基于对偶绝对二次曲面像变换的自定标方法

现有的自定标技术一般都是基于对偶绝对二次曲面像,由于对偶绝对二次曲面像元素在数量级上相差较大,在求解时必然会导致鲁棒性较差。提出了一种变换法,使对偶绝对二次曲面像的各个元素变到同一个数量级上,可以使求解过程更具有鲁棒性。模拟实验和真实实验结果表明,通过提出的变换方法能够极大地提高自定标的鲁棒性,而计算量并不会增加。

递进式空洞残差深度双目立体匹配网络

为了实现轻量化高精度的双目立体匹配网络,提出了一种递进式空洞残差深度双目立体匹配网络——PDR_Net。在特征提取网络模块上提出了递进式的空洞残差网络结构,利用空洞卷积网络代替池化等降采样方式获取图像的多尺度特征信息,解决了利用池化等降采样方式进行尺度变换带来的图像特征信息损失的问题;同时引入残差网络弥补了空洞卷积网络自身特点带来的图像特征信息丢失的缺点,各尺度分支之间采用递进式的级联方式进行特征信息融合,促进了图像的各尺度特征信息之间的融合,既降低了网络的复杂度,也保留了更多的图像特征信息;最后,在三维卷积神经网络模块中采用堆叠的沙漏型编码解码网络结构,通过跳跃式连接使得网络能够更好地结合特征图的上下文信息,并在该模块中引入通道注意力机制模型,增强了网络对不同通道中各视差下特征信息之间的聚合学习能力,加深了特征点在不同视差条件下的联系。PDR_Net网络与现有网络相比,具有参数量少、速度快、精度高等优点。

一种准线性集束调整方法

针对现有集束调整方法收敛速度慢的缺点,本文提出了一种准线性集束调整方法。该方法将求代数距离最小值代替求几何距离最小值,然后交替地将投影矩阵和射影空间点两个量中的一个保持不变,线性地求取另一个量。该方法的优点是所有的图像都平等地看待,并从理论上证明了该方法能够收敛到全局最小值。实验结果表明,本文提出的集束调整方法具有收敛速度快、运算量小等优点。

一种新的自定标算法——图像变换法

提出了一种新的基于图像变换的自定标算法,由于绝对二次曲线的像的各个元素不在一个数量级上,导致自定标过程中对噪音极其敏感·该方法针对于这一缺点,首先估计一个内参矩阵,然后通过图像变换,使绝对二次曲线的像的各个元素在一个数量级上·理论分析及模拟图像序列和真实图像序列的实验结果表明,该自定标算法能够提高定标准确度及鲁棒性·

一种准线性光束平差方法

为了解决光束平差运行速度慢、复杂度高的缺点,提出了一种准线性光束平差方法(QBA),该方法利用深度因子等于投影矩阵的第3行与射影空间点相乘的特性,采用重投影点和已知图像点的代数距离建立目标函数,交替地将投影矩阵和射影空间点两个量中的一个保持不变,线性地求取另一个量,最后完成射影重建.实验结果表明,QBA方法具有较快的收敛速度,同时和传统的Levenberg-Marquat方法及Mahamud方法比较,QBA方法运行时间约是L-M方法的1/8,是Ma-hamud方法的1/3.

投影约束的遮挡点恢复方法

为了恢复图像中的遮挡点,本文在相机为正投影模型下,提出了一种投影约束的遮挡点恢复方法.该方法利用图像矩阵的行空间和列空间都是三维子空间的特性,通过用矩阵奇异值分解分别得到图像矩阵行和列投影满足的约束条件,将遮挡点的求解转化为迭代求解二次型的极值问题.仿真实验和真实实验结果表明,本文方法具有收敛速度快,恢复精度高等优点.

低维矩阵约束的非刚体特征点分类方法

为了有效地对非刚体特征点进行分类,提出了一种低维子空间约束的非刚体特征点分类方法,该方法将所有非刚体特征点放入一个矩阵中,同时利用所有做刚体运动的特征点组成一个三维子空间的特性构造误差函数,误差最大的点可认为做非刚体运动,并逐一剔除差误,剩下的点即可认为做刚体运动.模拟实验和真实实验结果表明,该方法能够有效地实现非刚体特征点的分类.

迭代奇异值分解的学生成绩恢复方法

为了有效地对学生成绩数据进行恢复,提出一种迭代奇异值分解的学生成绩恢复方法。该方法采用矩阵表示学生成绩,利用该矩阵具有低秩的特性,在给定缺失元素的初始值后,利用奇异值分解得到缺失元素的近似值,而该近似值比初始值更加接近真实值。再将求到的近似值代替初始值,经过多次迭代,最终可求到成绩表中缺失元素的真实值。该方法的优点是在缺失元素恢复过程中,利用了所有已知元素信息,并将所有已知元素平等地对待。模拟实验和真实实验结果表明该方法能够快速、精确地恢复出学生的真实成绩。

基于模糊聚类的图像分割研究进展

模糊聚类算法(Fuzzy C-Means,FCM)是一种基于软划分的聚类过程,已被广泛应用于机器学习、图像处理和计算机视觉等领域.虽然当前已涌现出大量关于FCM的图像分割算法,但仍然面临诸多挑战.本文将基于FCM的图像分割算法归纳为三类:基于空间邻域信息的FCM算法、基于直方图信息的快速FCM算法及基于维度加权的FCM算法.首先系统分析和阐述了各类FCM算法的研究现状,然后通过实验分析各类算法的性能,最后总结了FCM算法在图像分割中存在的问题以及将来的研究方向.

基于深度反卷积神经网络的图像超分辨率算法

图像超分辨率一直是底层视觉领域的研究热点,现有基于卷积神经网络的方法直接利用传统网络模型,未对图像超分辨率属于回归问题这一本质进行优化,其网络学习能力较弱,训练时间较长,重建图像的质量仍有提升空间.针对这些问题,提出了基于深度反卷积神经网络的图像超分辨率算法,该算法利用反卷积层对低分辨率图像进行上采样处理,再经深度映射消除由反卷积层造成的噪声和伪影现象,使用残差学习降低网络复杂度,同时避免了因网络过深导致的网络退化问题.在Set 5、Set 14等测试集中,所提算法的PSNR、SSIM、IFC这3项评价指标都优于FSRCNN,重建图像的视觉效果同样验证了该算法出色的性能.