-
计算成像
1.
为何要研究计算成像?
计算成像能够实现传统成像无法完成的任务,例如:去除运动模糊、超分辨率重建等。
2.
用计算成像的方法怎样提高图像分辨率?<
/p>
增加空间分辨率最直接的解决方法就是通过传感器制造技术减少
像素尺寸
(例如增加每
单元面积的像素数量)
< br>。然而,随着像素尺寸的减少,光通量也随之减少,它所产生的散粒
噪声使得图像
质量严重恶化。
不受散粒噪声的影响而减少像素的尺寸有一个极限,
对于
0.35
微米的
CMOS
p>
处理器,像素的理想极限尺寸大约是
40
平
方微米。当前的图像传感器技术大
多能达到这个水平。
另外一个增加空间分辨率的方法是增加芯片的尺寸,
从而增加图像的容
量。
因为很难提
高大容量的耦合转换率,
因此这种方法一般不认为是有效的。
在许多高分辨率图像的商业应
用领域,
高精度光学和图像传感器的高价格也是一个必须考虑的重要因素。
因此,
有必要采
用一种新的方法来增加空间分辨
率,从而克服传感器和光学制造技术的限制。
(
1
)超分辨率重建
图像超
分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像,
高分辨率图像
意味着图像具有高像素密度,可以提供更多的细节,这些细节往往在应用中起到关键作用。
图像超分辨率技术分为超分辨率复原和超分辨率重建。
超分辨率重构的
基本过程为:
先进行
图像退化分析,然后进行图像的配准,最后
根据配准的信息对图像进行重构。目前,
图像
超分辨率研究可分为
3
个主要范畴:
< br>
基于插值、
基于重建和基于
学习的方法。
具体方法有:
规整化重建方法,均匀空间样本内插
方法,迭代反投影方法
(IBP)
,集合理论重建方法
(
凸集
投影
POCS)
,统计重建方法
(
最大后验概率
MAP
和最大似然估计
ML)
,混合
ML/MAP/POCS
方法,
自适应滤波
/
维纳滤波
/
p>
卡尔曼滤波方法,
确定性重建方法基于学习和模式识别的方法。
p>
超分辨率重建,
即通过硬件或软件的方法
提高原有图像的分辨率,
通过一系列低分辨率
的图像来得到一幅
高分辨率的图像。
超分辨率重建的核心思想就是用时间带宽
(获
取同一场
景的多帧图像序列)
换取空间分辨率,
实现时间分辨率向空间分辨率的转换。
在基于超分辨
率
重建的空间分辨率增强技术中,
其基本前提是通过同一场景可以获取多幅低分辨率细节图
像。
在超分辨率重建中,典型地认为低分辨率图像代表了同一场
景的不同侧面,也就是说
低分辨率图像是基于亚像素精度的平移亚采样。
如果仅仅是整数单位的像素平移,那么每
幅图像中都包含了相同的信息,
这样就不能为高分辨率图像的复原提供新的信息。
如果每幅
低分辨率图像彼此之间都是不同的亚像素平移,那么它们彼此之间就不会相互包含,在这< p>
种情况下,每一幅低分辨率图像都会为高分辨率图像的复原提供一些不同的信息。
< br>为了得
到同一场景的不同侧面,
必须通过一帧接一帧的多
场景或者视频序列的相关的场景运动。
我
们可以通过一台照相机
的多次拍摄或者在不同地点的多台照相机获取多个场景,
例如在轨道
卫星一类可控制的图像应用中,
这种场景运动是能够实现的;
对于局部对象移动或者震荡一
类的不可控制的图像应用也是同样能实现的。
如果这些场景运动是已知的或者是在亚像素精
度范围了可估计的,
同时如果我们能够合成这些高分辨率图像,
那么超分辨率重建图像复原<
/p>
是可以实现的。
通过对获得的低分辨率
图像进行处理以后,
一方面能够对成像光学系统的点扩展函数进
行反卷积,
去除光学系统的影响;
另一方面能够获得显示图像的
像元总数增加,
同时也希望
在处理过程中去除相应的成像系统的
噪声等。
通过这些处理以后,
图像的分辨率得到了改善,
但获得的并不一定是真实的高分辨率图像,
而是对真实高分辨率图像的
某种估计,
因而通常
称所获得的图像为超分辨率图像,
相应处理过程为超分辨率图像重建。
超分辨率涉及的两个
问题:
a)
图像修复:改良光照不均匀、噪声较多的图
像,但是不改变图像大小;
b)
图像插值
改变图像大小,
对单张图像进行插值并不属于超分辨率重建技术。
图像插值,
即增加单幅图
像的尺寸。
插值也分线性插值与非线性插值,
其中线性插值最简单,容易实现。尽管这个领
域已经被广泛地研究,
即使一些基本的功能已经建立,
从一幅近似的低分辨率图像放大图像
的质量仍然是有限的,
这是因为对单幅图像插值不能恢复在低分辨率采样过程中损失的高频
部分,
因此图像插值方法不能被认作是超分辨率重建技术。
为了在这方面有更大
的改进,
下
一步就需要应用基于同一场景的相关的额外数据,<
/p>
基于同一场景的不同的观察信息的融合就
构成了基于场景的超分辨
率重建复原。
基于学习的概念首次由
Freeman
提出,基本思想是先学习低分辨率图像与高分辨率图
像之间的关系,利用这种关系来指导对图像进行超分辨率。
马尔可夫网络建模低分辨
率和
高分辨率图像块间的关系,
学习因降质丢失的高频分量,<
/p>
然后与插值得到的初始估计相加恢
复出高分辨率图像。
主要方法有:
有效组织图像块数据库提高匹配效率,
通过主要轮廓先验
增强图像质量,
基于流形学习的方法,
p>
利用多尺度张量投票理论来估计位置的高分辨率图像,
融合不同尺寸
的图像进行分辨率增强。
(
2
)双目视觉
双目视觉是模拟人类视觉原理,
使用计算机被动感知距离的方法,
它是基于视差原理并
由多幅图像获取物体三维几何信息的方法。双目立体视觉系统一般由双摄像机从不同角度
同时获得被测物的两幅数字图像,或由单摄像机在不同时刻从不同角度获得被测物的两幅
数字图像,并基于视差原理恢复出物体的三维几何信息,重建物体三维轮廓及位置。
双目
立体视觉系统在机器视觉领域有着广泛的应用前景。
从两个或者多个点观察一个物体,
获取
在不同视角下的图像
,
根据图像之间像素的匹配关系,
通过三角测量原理计算出像素
之间的
偏移来获取物体的三维信息。
得到了物体的景深信息,<
/p>
就可以计算出物体与相机之间的实际
距离,物体
< br>3
维大小,两点之间实际距离。
目前也有很多研究机构进
行
3
维物体识别,来解
决
2D
算法无法处理遮挡,姿态变化的问题,提高物体的识别率。双目视觉算法
流程如下:
-
-
-
-
-
-
-
-
-
上一篇:AE内置效果大全
下一篇:中英文职位申请表[1] Application Form