一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法技术

本发明专利技术一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法。包括：步骤1，采集待测场景的图像序列；步骤2，设置非降采样剪切波变换与聚类算法的参数；步骤3，运用非降采样剪切波变换将图像序列变换为多个不同尺度与方向的高频系数；步骤4，所有高频系数映射为多幅深度图像；步骤5，分别将每幅深度图像的灰度共生矩阵的对比度、相关性、能量、逆方差和熵五维向量作为深度图像的纹理特征；步骤6，运用K均值聚类算法得到K个聚类结果；步骤7，选择不同聚类结果中深度图像平均梯度最小的类；步骤8，计算平均梯度最小类中深度图像的均值得到待测场景的三维形貌重建结果。本发明专利技术能够根据场景实现最优的三维形貌重建结果。结果。

【技术实现步骤摘要】
一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法


[0001]本专利技术属于三维重建领域，具体涉及一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法。

技术介绍

[0002]基于图像聚焦信息测量待测场景三维形貌的方法普遍具有硬件设备依赖性低、三维重建算法易于并行、重建系统可移植性强等优势，已被广泛应用于微细制造领域的零件缺陷检测与移动成像设备的智能变焦等领域。
[0003]现阶段基于图像聚焦信息的三维形貌重建方法主要集中在图像聚焦评价指标的设计与形貌重建算法的构建两方面。图像聚焦评价指标作为三维形貌重建方法的核心环节，其对图像聚焦信息提取的准确性直接决定三维重建结果的好坏，典型的图像聚焦评价指标可以分为空间域和频率域两大类，其中空间域方法主要利用时域变换方法从图像像素的层面确定当前像素点是否处于聚焦区域范围，然后通过聚合全部聚焦像素的位置信息得到待测场景的三维形貌重建结果，此类指标可以大体分为拉普拉斯变换、梯度变换以及统计量估计三大类；频率域类方法则首先将图像变换为高低频分量，然后通过挖掘高低频分量与深度图像间的关联关系得到三维形貌重建结果，这类方法主要包括傅里叶变换和小波变换两大类。而形貌重建算法主要用于克服图像序列的采样间隔给重建结果带来的非连续性影响，主要代表性方法为高斯拟合。
[0004]通过了解研究现状，我们认为该领域方法主要面临以下挑战：现有的三维形貌重建方法通常仅能对单一场景进行三维重建，无法适用于其他场景的三维重建任务，即不同场景三维形貌重建效果的好坏取决于三维形貌重建方法中图像聚焦评价指标选择的准确性。因此，如何提出一种场景自适应的图像聚焦评价指标是三维形貌重建领域面临的一个重要难题。
[0005]综上可知，我们认为如何根据场景中图像特性选择图像聚焦评价指标是解决上述问题的关键。本专利引入非降采样剪切波变换克服传统三维形貌重建方法的聚焦评价指标的单一性问题，通过非降采样剪切波变换可以得到覆盖图像中任意方向与尺度的多个图像聚焦评价指标，基于上述评价指标得到不同尺度与方向的多个深度图像，然后提出一种基于深度图像纹理特征的聚类方法得到表征待测场景的最优三维重建结果。

技术实现思路

[0006]为克服上述技术中存在的问题，本专利技术的目的是提供一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法。
[0007]本专利技术所采取的技术方案是：一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法，包括以下步骤：
[0008]步骤1，等间隔调节相机与待测场景间的距离获取待测场景不同景深的图像序列
其中i代表图像数其取值范围是1≤i≤N，(x,y)表示图像序列的坐标位置其范围为0≤x,y≤M
‑
1；
[0009]步骤2，将非降采样剪切波变换的最大分解尺度设置为J，最大方向数设置为L，设置非降采样剪切波变换的滤波器，在聚类算法中设置聚类个数K，距离度量标准为欧式距离；
[0010]步骤3，对步骤1中的图像序列进行非降采样剪切波变换(NSST)，如式(1)所示，每幅图像可以得到J
×
L个不同尺度与方向的高频分解系数；
[0011][0012]其中j代表尺度数其取值范围是1≤j≤J，l代表方向数其取值范围是1≤l≤L，表示第i幅图像在尺度j和方向l的高频分解系数，ihigh表示高频系数的下标其取值范围为1≤ihigh≤N，NSST表示非降采样剪切波变换；
[0013]步骤4，按照式(2)将J
×
L个不同尺度与方向的高频系数映射为J
×
L个不同尺度与方向的深度图像
[0014][0015]其中ihigh表示第i幅图像对应的第ihigh个高频系数其取值范围是1≤ihigh≤N，表示求解高频系数下标ihigh的函数，abs(
·
)表示绝对值函数；
[0016]步骤5，计算每幅深度图像的灰度共生矩阵，并根据式(3)将灰度共生矩阵的对比度r
Con
、相关性r
Cor
、能量r
Ene
、逆方差r
Hom
和熵r
Ent
作为深度图像的五维特征向量，J
×
L幅深度图像共得到J
×
L个五维特征向量；
[0017][0018]其中GLCM(
·
)表示灰度共生矩阵的计算函数，V
j,l
(
·
)表示第j个尺度l个方向的深度图像的特征向量；
[0019]步骤6，对步骤5得到的J
×
L个五维特征向量根据式(4)的K均值聚类算法进行聚类，得到K个聚类结果{C1,C2,
…
,C
K
}；
[0020][0021]其中Kmeans(
·
)表示K均值聚类算法，类C1共包含个深度图像集合依此类推，类C
K
共包含个深度图像集合个深度图像集合
[0022]步骤7，计算步骤6中得到的所有深度图像类中的平均梯度，并按照式(5)选择平均
梯度最小的类C
s
作为最终的深度图像类；
[0023][0024]其中表示求解深度图像类下标m的函数，m的取值范围为1≤m≤K，Gradient(
·
)为梯度函数，s为平均梯度最小类的序号；
[0025]步骤8，根据式(6)计算步骤7得到的平均梯度最小类C
s
中所有图像的平均值，得到待测场景最终的三维形貌重建结果
[0026][0027]其中为平均梯度最小类C
s
中深度图像的数量。
[0028]本专利技术的方法能够根据不同待测场景得到适合场景的最佳三维形貌重建结果。
附图说明
[0029]图1是一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法的流程图；
[0030]图2是一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法的示意图。
具体实施方式
[0031]如图1、图2所示，本实施例所述一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法，包括以下步骤：
[0032]步骤1，等间隔调节相机与待测场景间的距离获取待测场景不同景深的图像序列其中i代表图像数其取值范围是1≤i≤N，(x,y)表示图像序列的坐标位置其范围为0≤x,y≤M
‑
1；
[0033]步骤2，将非降采样剪切波变换的最大分解尺度设置为J，最大方向数设置为L，设置非降采样剪切波变换的滤波器，在聚类算法中设置聚类个数K，距离度量标准为欧式距离；
[0034]步骤3，对步骤1中的图像序列进行非降采样剪切波变换(NSST)，如式(1)所示，每幅图像可以得到J
×
L个不同尺度与方向的高频分解系数；
[0035][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法，其特征包括以下步骤：(1)等间隔调节相机与待测场景间的距离获取待测场景不同景深的图像序列其中i代表图像数其取值范围是1≤i≤N，(x,y)表示图像序列的坐标位置其范围为0≤x,y≤M
‑
1；(2)将非降采样剪切波变换的最大分解尺度设置为J，最大方向数设置为L，设置非降采样剪切波变换的滤波器，在聚类算法中设置聚类个数K，距离度量标准为欧式距离；(3)对步骤1中的图像序列进行非降采样剪切波变换(NSST)，如式(1)所示，每幅图像可以得到J
×
L个不同尺度与方向的高频分解系数；其中j代表尺度数其取值范围是1≤j≤J，l代表方向数其取值范围是1≤l≤L，表示第i幅图像在尺度j和方向l的高频分解系数，ihigh表示高频系数的下标其取值范围为1≤ihigh≤N，NSST表示非降采样剪切波变换；(4)按照式(2)将J
×
L个不同尺度与方向的高频系数映射为J
×
L个不同尺度与方向的深度图像尺度与方向的深度图像其中ihigh表示第i幅图像对应的第ihigh个高频系数其取值范围是1≤ihigh≤N，表示求解高频系数下标ihigh的函数，abs(
·
)表示绝对值函数；(5)计算每幅深度图像的灰度共生矩阵，并根据式(3)将灰度共生矩阵的对比度r
Con
、相关性r
Cor
、能量r
Ene

【专利技术属性】
技术研发人员：闫涛，
申请(专利权)人：山西大学，
类型：发明
国别省市：