主权项 |
一种基于最小生成树的非局部的深度图超分辨率重建方法,其特征是,包括下列步骤:1)采用Middlebury的数据集即成对彩色图和深度图作为测试数据,根据超分辨率比例对深度图进行下采样,得到需要进行重建的初始的低分辨率深度图,然后对初始深度图进行一步简单的预处理,即采用双三次插值(Bicubic Interpolation)将下采样后的深度图放大至原来的尺寸;2)将彩色纹理导图看作一幅连通的无向图G=(V,E),节点V对应于图像中所有的像素点,边E对应于图像中最邻近像素间的连线,这样就得到了一幅标准的4连通的平面图,设s和r是一对相邻的节点,连接s和r的边的权重定义如下:ω(s,r)=ω(r,s)=|I(s)‑I(r)| (1)ω(s,r)为连接s和r的边的权值,I(s)和I(r)是节点对应像素的强度值;3)由2)中的无向连通图G,得到与之对应的MST(MST,Minimum Spanning Tree),在生成MST的过程中,权值较大的边会被移除,这些边正好对应于彩色图中强度值变化较大的区域;4)根据MST对预处理之后的粗糙的深度图进行重建,在MST中,两个节点之间的距离越小,两者越相似,节点间距离为连接二者最短路径的边权的总和,节点间的相似度定义如下:S(p,q)=S(q,p)=exp(‑D(p,q)/σ) (2)p、q为MST中的节点,σ是一个常数,用来对相似度进行调整,这样就将Joint Bilateral Filter扩展至最小生成树结构,双边滤波在对图像进行平滑的同时能够有效的保护边缘信息,在立体匹配代价聚合中得到广泛应用,双边滤波的定义如下: <mrow> <msup> <mi>I</mi> <mi>A</mi> </msup> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>Σ</mi> <mi>n</mi> </msub> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mi>m</mi> <mo>-</mo> <mi>n</mi> <mo>|</mo> </mrow> <msub> <mi>σ</mi> <mi>S</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <msub> <mi>σ</mi> <mi>R</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>Σ</mi> <mi>n</mi> </msub> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mi>m</mi> <mo>-</mo> <mi>n</mi> <mo>|</mo> </mrow> <msub> <mi>σ</mi> <mi>S</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <msub> <mi>σ</mi> <mi>R</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>IA(m)代表当前像素点m加权平均之后的值,n为m点M×N领域内的像素点,|m‑n|表示邻域像素与当前像素之间的空间距离,单位为像素;I(n)代表原始的像素值,|I(m)‑I(n)|表示像素强度间的差异,σS和σR是用来调整空间和幅值相似性的参数,分母是归一化因子;最小生成树下的定义: <mrow> <msup> <mi>I</mi> <mi>A</mi> </msup> <mrow> <mo>(</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>Σ</mi> <mi>q</mi> </msub> <mi>S</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>Σ</mi> <mi>q</mi> </msub> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mi>D</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </mrow> <mi>σ</mi> </mfrac> <mo>)</mo> </mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>q是MST中除当前节点p外的所有的节点,MST下的加权平均将两个相似性参数σS和σR化归为σ。 |