本发明专利技术公开了一种基于光学图像的选择性集成三维重建方法，该方法首先将待测物体高分辨率的图像序列经过不同焦点评价算子处理后得到多个初始深度图像，然后再利用选择性集成方法对深度图像序列进行剔除和融合，最终实现待测物体高精度的三维重建。本发明专利技术公开的方法可有效结合不同焦点评价函数的优点，实现不同三维重建方法的优势互补；同时，本发明专利技术提出的选择性条件可实现噪声类错误深度信息的精确滤除，有效提升待测物体三维重建结果的精度。有效提升待测物体三维重建结果的精度。有效提升待测物体三维重建结果的精度。
【技术实现步骤摘要】
一种基于光学图像的选择性集成三维重建方法
[0001]本专利技术属于精密制造数据建模领域，具体涉及一种基于光学图像的选择性集成三维重建方法。
技术介绍
[0002]现阶段超精密制造技术近乎辐射人们日常生活中的各个行业，特别是航空、汽车、医疗与消费电子等领域尤为显著。基于光学图像的三维重建方法作为一种非接触式测量技术可应用于超精密制造领域的质量检测，主要通过对复杂零部件表面进行高精度的三维结构建模实现质量控制，为微细加工场景提供质量保证。而现有的基于光学图像的三维重建模型大多有特定的应用场景，在采用一种重建模型求解其他场景的重建问题时容易导致模型的性能急剧下降，缺乏场景普适性。
[0003]目前，基于光学图像的三维重建方法按照重建流程主要包括焦点评价与噪声修复两部分。其中，焦点评价主要通过焦点测量算子获取图像的显著区域，进而得到待测物体的初始三维重建结果，这类方法的本质是将局部图像梯度信息的强弱作为判断深度的依据，根据算子的形状可以分为十字结构、米字结构、矩形结构和圆形结构四类，十字结构算子的代表为时空频率和Sobel；米字结构算子主要包括拉普拉斯类算子；矩形结构算子主要是前两类算子在多方向的扩展，如多方向拉普拉斯；圆形结构算子主要由类高斯算子构成。上述焦点测量算子均存在特定的应用场景，如十字结构算子对富纹理区域有较好的重建效果，且具有较高运算效率，而圆形结构算子则对稀疏纹理区域具有较高的鲁棒性。经过焦点评价后得到的重建结果往往会包含一些噪声数据，且这类重建结果的噪声位置会随着焦点评价的算子不同而发生变化，利用噪声修复方法可有效恢复重建结果的一致性，进而得到较好的三维重建结果。
[0004]不同焦点评价算子有其特定的适用场景，且各焦点评价算子导出的三维重建结果中噪声位置有所不同。因此，如何融合各类焦点评价算子的优势，提升光学图像三维重建方法的场景适应性是该领域面临的一个重要问题。对于同一位置的重建结果而言，如果多数聚焦评价算子得到类似的结果，那么此类结果即可被认为该位置相对准确的深度信息。
技术实现思路
[0005]为克服现有光学图像三维重建方法存在的问题，本专利技术提供一种基于光学图像的选择性集成三维重建方法。该方法首先将待测物体高分辨率的图像序列经过不同焦点评价算子处理后得到多个初始深度图像，然后再利用选择性集成方法对深度图像序列进行剔除和融合，最终实现待测物体高精度的三维重建。
[0006]一种基于光学图像的选择性集成三维重建方法，包括以下步骤：
[0007]步骤1对通过图像序列采集设备采集获得的待测物体连续景深图像序列通过式(1)计算，得到待测物体的第一初始深度图像D1，
[0008][0009]其中，d
x
(X(i)),d
y
(X(i))分别表示图像X(i)的水平与垂直方向的梯度，i表示图像数，1≤i≤N；
[0010]步骤2对图像序列通过式(2)计算，得到待测物体的第二初始深度图像D2，
[0011][0012]其中G
x
(X(i)),G
y
(X(i))分别表示图像X(i)的水平与垂直方向的Sobel算子结果；
[0013]步骤3对图像序列通过式(3)计算，得到待测物体的第三初始深度图像D3，
[0014][0015]其中表示图像X(i)的均值，w、h分别表示图像X(i)的宽、高，1≤w≤W，1≤h≤H；
[0016]步骤4对图像序列通过式(4)计算，得到待测物体的第四初始深度图像D4，
[0017][0018]其中X(i)分别通过卷积运算符*与Γ
x
和Γ
y
进行卷积操作，Γ
x
、Γ
y
分别表示高斯函数在水平x方向和垂直y方向的偏导数，函数在水平x方向和垂直y方向的偏导数，σ表示标准差；
[0019]步骤5对图像序列通过式(5)计算，得到待测物体的第五初始深度图像D5，
[0020][0021]其中，*为卷积运算符，L
x
＝[
‑
1 2
ꢀ‑
1]，
[0022]步骤6对图像序列通过式(6)计算，得到待测物体的第六初始深度图像D6，
[0023][0024]其中，*为卷积运算符，L
x
＝[
‑
1 2
ꢀ‑
1]，
[0025]步骤7对图像序列通过式(7)计算，得到待测物体的第七初始深度图像D7，
[0026][0027]其中，*为卷积运算符，
[0028][0029]步骤8将步骤1至步骤7得到的所有初始深度图像组成深度图像序列根据不等式(8)去除噪声得到深度点；
[0030]F1+F2+F3≥(3M2‑
3M+1)S2ꢀꢀ
(8)
[0031]其中S2表示深度图像序列的方差，的方差，M＝7；
[0032]步骤9对经过步骤8处理后得到的深度点取均值，得到待测物体最终的深度图像D
R
，然后将D
R
通过式(9)映射为灰度图像F
R
；
[0033]F
R
＝X(p)[w,h]1≤w≤W，1≤h≤H
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0034]其中，p表示深度图像D
R
在位置[w,h]的深度结果p＝D
R
[w,h]，w、h分别表示图像X(p)的宽和高，1≤w≤W，1≤h≤H；
[0035]步骤10将深度图像D
R
与灰度图像F
R
通过进行点对点叠加，最终得到待测物体真实的三维重建结果3D。
[0036]与现有技术相比较，本专利技术具有以下优点：
[0037](1)本专利技术可有效结合不同焦点评价函数的优点，采用多种三维重建方法集成的思路，实现不同三维重建方法的优势互补；
[0038](2)本专利技术提出的选择性条件可实现噪声类错误深度信息的精确滤除，有效提升待测物体三维重建结果的精度。
附图说明
[0039]图1为本专利技术公开的基于光学图像的选择性集成三维重建方法示意图；
[0040]图2为实施例1中获取图像的图像采集设备；
[0041]图3为实施例1采集的连续景深图像序列
[0042]图4为实施例1计算获得的第一初始深度图像D1；
[0043]图5为实施例1计算获得的第二初始深度图像D2；
[0044]图6为实施例1计算获得的第三初始深度图像D3；
[0045]图7为实施例1计算获得的第四初始深度图像D4；
[0046]图8为实施例1计算获得的第五初始深度图像D5；
[0047]图9为实施例1计算获得的第六初始深度图像D6；
[0048]图10为实施例1计算获得的第七初始深度图像D7；
[0049]图11为实施例1计算获得的选择本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于光学图像的选择性集成三维重建方法，其特征在于：包括以下步骤：步骤1对通过图像序列采集设备采集获得的待测物体连续景深图像序列通过式(1)计算，得到待测物体的第一初始深度图像D1，其中，d
x
(X(i)),d
y
(X(i))分别表示图像X(i)的水平与垂直方向的梯度，i表示图像数，1≤i≤N；步骤2对图像序列通过式(2)计算，得到待测物体的第二初始深度图像D2，其中G
x
(X(i)),G
y
(X(i))分别表示图像X(i)的水平与垂直方向的Sobel算子结果；步骤3对图像序列通过式(3)计算，得到待测物体的第三初始深度图像D3，其中表示图像X(i)的均值，w、h分别表示图像X(i)的宽、高，1≤w≤W，1≤h≤H；步骤4对图像序列通过式(4)计算，得到待测物体的第四初始深度图像D4，其中X(i)分别通过卷积运算符*与Γ
x
和Γ
y
进行卷积操作，Γ
x
、Γ
y
分别表示高斯函数在水平x方向和垂直y方向的偏导数，水平x方向和垂直y方向的偏导数，σ表示标准差；步骤5对图像序列通过式(5)计算，得到待测物体的第五初始深度图像D5，其中，*为卷积运算符，L
x
＝[
‑
1...
【专利技术属性】
技术研发人员：闫涛，王婕婷，李飞江，
申请(专利权)人：山西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。