基于深度神经网络的ToF深度图像去噪研究

发布时间：2023-02-12 21:07

　　在信息网络大数据时代,图像信息数据越来越被人重视。区别于传统二维图像,深度信息的加入为我们开创了广泛的3D视觉应用。ToF摄像机基于飞行时间法能主动地获取场景深度,并准确地表现场景及物体表面的三维信息。受多种误差来源的干扰,ToF摄像机获取的原始深度图像含有许多噪点,在一定程度上影响了它的扩展应用。目前,研究领域已有的ToF深度图去噪的研究方案基本都是基于单帧图像,且并未建立出全面的噪声模型。本文主要研究一种基于深度卷积神经网络的ToF深度图像去噪算法,主要成果包括：1. 提出了一个完整的基于图像到图像端映射的深度卷积神经网络的架构,架构采用了新的修正线性单元及局部响应归一化等技巧,通过提取图像块的隐含特征并表达,对自然图像上的噪声起到了良好的滤除效果。2. 研究采用ToF摄像机和Kinect相机搭建了ToF深度图像真值数据库采集平台,经过相机标定与深度图配准,利用Kinect Fusion算法获取场景的真实深度,并结合ToF相机的曝光特性,拍摄创建了TOF深度图像真值数据集。3. 提出了一种基于深度神经网络的ToF深度图像去噪算法。通过对TOF深度图像真值数据集的训练,卷积神经网络隐...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
1 绪论
    1.1 课题背景
    1.2 课题意义
    1.3 国内外发展现状
        1.3.1 ToF相机的误差来源分析
        1.3.2 ToF深度数据去噪算法
    1.4 主要工作和贡献
    1.5 论文的组织结构
2 ToF深度图像真值数据集的获取研究
    2.1 ToF深度摄像机成像原理分析
        2.1.1 ToF深度摄像机简介
        2.1.2 ToF摄像机的数学模型
        2.1.3 ToF摄像机的噪声分析
    2.2 实验平台与环境说明
    2.3 摄像机标定
    2.4 深度图配准
    2.5 创建ToF深度真值数据集
    2.6 本章小结
3 图像端映射的深度网络模型设计
    3.1 卷积神经网络研究现状
    3.2 图像端映射的深度网络模型
        3.2.1 深度卷积网络的整体架构
        3.2.2 深度卷积网络的数学模型
        3.2.3 ReLU与局部响应归一化
    3.3 自然图像去噪结果与分析
        3.3.1 网络训练
        3.3.2 实验结果
    3.4 本章小结
4 基于深度神经网络的ToF深度图像去噪研究
    4.1 深度图像去噪常用算法
    4.2 基于Levenberg-Marquardt的反向传播算法
    4.3 深度神经网络去噪算法的训练过程
        4.3.1 ToF深度真值数据集增强
        4.3.2 深度神经网络训练细节
    4.4 实验结果分析与讨论
    4.5 本章小结
5 总结和展望
参考文献
作者简历及在学期间主要的研究成果



本文编号：3741835