【技术实现步骤摘要】
本专利技术涉及三维重建任务中的深度估计，针对重建对象深度分布不均尤其是前后具有空间断层的对象的三维重建技术，特别涉及一种基于直方图分割的cvp-mvsnet自适应深度更新方法。
技术介绍
1、实际的三维重建场景中，重建对象空间尺度不集中、存在前后空间断层或者同一场景中存在多个不连续的重建对象时，都会影响三维重建的质量，因此对于此类场景的三维重建处理就显得尤为重要。
2、随着计算机视觉和三维重建领域的快速发展，多视图立体匹配网络(mvsnet)已经成为深度估计和三维重建的重要工具。cvp-mvsnet作为一种先进的神经网络结构，通过融合多视图信息实现了高精度的深度估计。然而，现有的cvp-mvsnet在处理不同场景和复杂纹理区域时，其在固定深度间隔上的深度估计策略存在局限性。尤其是在深度变化剧烈的区域，由于固定的深度间隔设置，容易导致深度稠密区的信息表达不充分，而在深度变化平缓或空旷区域则可能造成计算资源的浪费。
3、综上，传统的深度估计方法往往忽视了对局部深度分布特性的精细分析，特别是在全局范围内对深度值的自适应调整能力较弱。
技术实现思路
1、本专利技术的目的在于提供一种基于直方图分割的cvp-mvsnet自适应深度更新方法。本专利技术具有在不同场景下深度估计准确性高的特点。
2、技术方案。一种基于直方图分割的cvp-mvsnet自适应深度更新方法，包括下述步骤：
3、步骤a.基于cvp-mvsnet网络生成图像的初始深度图；>
4、步骤b.在初始深度图基础上，提取深度图并构建对应的深度直方图dl；
5、步骤c.令直方图横坐标为深度，纵坐标为频率或频数，统计直方图面积，遍历横坐标，将深度直方图划分为m-1个面积相等的子区间，并将子区间的两端缩放至dmin到dmax,每个横坐标划分点代表更新后的假设深度；
6、步骤d.使用更新后的假设深度对步骤a中的初始深度图进行迭代，生成更新后的初始深度图；
7、步骤e.利用更新后的假设深度及更新后的初始深度图进行上采样并逐级构建cvp-mvsnet网络的局部代价体进行深度细化，生成最终的高分辨率深度图。
8、前述的基于直方图分割的cvp-mvsnet自适应深度更新方法中，步骤a中，初始深度图的生成方法如下：
9、步骤a1：构建cvp-mvsnet网络的图像金字塔结构；
10、步骤a2：对图像金字塔结构使用特征提取网络进行逐层特征提取；
11、步骤a3：将步骤2提取的所有图像特征通过单应性变换投射到参考视图前平行平面的m个均匀分布的假设深度下，然后计算不同视图在同一深度同一像素下的方差作为代价体；
12、步骤a4：将步骤a3中的代价体体转换为概率分布，确定每个深度假设相对于其他假设的相对可能性，从而生成概率体；
13、步骤a5：结合步骤a3、a4中的代价体及概率体，提取出参考视图中每个像素的最佳深度估计，生成初始深度图。
14、前述的基于直方图分割的cvp-mvsnet自适应深度更新方法中，步骤d中，迭代过程如下：使用步骤c得到的更新后的假设深度替换步骤a3中的假设深度，重新执行步骤a3～a5，生成更新后的初始深度图。
15、前述的基于直方图分割的cvp-mvsnet自适应深度更新方法中，步骤a1的构建方法如下：对输入的多视图图像进行下采样处理l次，每一层分辨率都为上一层的1/2，形成l+1层图像金字塔，其中l层分辨率最低，0层分辨率最高。
16、前述的基于直方图分割的cvp-mvsnet自适应深度更新方法中，l层所有图像长宽分辨率不低于70像素。
17、前述的基于直方图分割的cvp-mvsnet自适应深度更新方法中，步骤a2的特征提取方法如下：特征提取网络共9层，前3层输出通道数为64，中间3层输出通道数为32，最后3层输出通道数为16，每一层的尺寸均为3×3，步长均为1，每一层之后都分配一个leaky relu层。
18、前述的基于直方图分割的cvp-mvsnet自适应深度更新方法中，步骤a3中，深度范围从dmin到dmax。
19、前述的基于直方图分割的cvp-mvsnet自适应深度更新方法中，步骤a4中，概率分布的转换方法为：对步骤a3中的每个代价体深度层进行softmax操作，将代价体转换为概率分布。
20、有益效果：本专利技术着眼于如何利用图像的局部特性，尤其是借助直方图分割这一有效手段，对cvp-mvsnet的深度估计机制进行改进和优化；本专利技术的直方图分割能够反映图像像素灰度级或特征空间分布情况，能根据图像数据的统计特性将深度分布划分为多个具有代表性的区间；该方法有效提高了深度估计的精细化程度和自适应性。
21、本专利技术提出的基于直方图分割的cvp-mvsnet自适应深度更新方法，在使用深度假设的深度学习算法中具有通用性，克服了现有cvp-mvsnet在深度估计过程中深度稠密区信息不足以及稀疏区算力分配不合理的问题，实现了对深度分布的精细化和自适应控制，提高了深度估计的准确性及运算效率。
22、本专利技术通过对cvp-mvsnet架构的改进，利用直方图分割技术实现了深度假设的自适应更新，对于深度分布存在前后断层的重建场景，既提升了重建效果，又有效地节省了计算资源。
本文档来自技高网...【技术保护点】
1.一种基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，步骤a中，初始深度图的生成方法如下：
3.根据权利要求2所述的基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，步骤d中，迭代过程如下：使用步骤c得到的更新后的假设深度替换步骤a3中的假设深度，重新执行步骤a3～a5，生成更新后的初始深度图。
4.根据权利要求2所述的基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，步骤a1的构建方法如下：对输入的多视图图像进行下采样处理L次，每一层分辨率都为上一层的1/2，形成L+1层图像金字塔，其中L层分辨率最低，0层分辨率最高。
5.根据权利要求4所述的基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，L层所有图像长宽分辨率不低于70像素。
6.根据权利要求2所述的基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，步骤a2的特征提
7.根据权利要求2所述的基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，步骤a3中，深度范围从dmin到dmax。
8.根据权利要求2所述的基于直方图分割的CVP-MVSNet自适应深度更新方法，其特征在于，步骤a4中，概率分布的转换方法为：对步骤a3中的每个代价体深度层进行Softmax操作，将代价体转换为概率分布。
...【技术特征摘要】
1.一种基于直方图分割的cvp-mvsnet自适应深度更新方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于直方图分割的cvp-mvsnet自适应深度更新方法，其特征在于，步骤a中，初始深度图的生成方法如下：
3.根据权利要求2所述的基于直方图分割的cvp-mvsnet自适应深度更新方法，其特征在于，步骤d中，迭代过程如下：使用步骤c得到的更新后的假设深度替换步骤a3中的假设深度，重新执行步骤a3～a5，生成更新后的初始深度图。
4.根据权利要求2所述的基于直方图分割的cvp-mvsnet自适应深度更新方法，其特征在于，步骤a1的构建方法如下：对输入的多视图图像进行下采样处理l次，每一层分辨率都为上一层的1/2，形成l+1层图像金字塔，其中l层分辨率最低，0层分辨率最高。
5.根据权利要求4所述的基于直方...
【专利技术属性】
技术研发人员：胡银婷，袁帅，李建华，周晓波，王刘星，胡逸，曹珊，李欣洋，
申请(专利权)人：江西洪都航空工业集团有限责任公司，
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。