图像序列合成孔径超分辨率三维重建研究
发布时间:2020-04-03 00:24
【摘要】:利用图像序列对目标进行三维重建在目标侦察、识别、导航以及测绘等方向有重要的使用价值。合成孔径成像原理具有鲁棒性、可靠性以及较高的空间分辨率。本论文基于光学非相参合成孔径成像原理,分别对可见光与激光图像序列超分辨率三维重建进行研究,主要内容如下:(1)改进了可见光图像序列合成孔径超分辨率成像方法。提出了基于Keren配准和BTV正则化的超分辨率重建方法,优化了合成孔径图像超分辨率重建过程,该方法能够保留图像序列中的亚像素级信息,并具有较强的鲁棒性。使用图像的灰度值与平均灰度值的差值之和代替图像的信息熵,使用差值的平方和乘积开根号的形式代替图像的联合信息熵,提出了基于合成孔径相关度以及相容信息量的聚/散焦评价函数,相比同类方法在计算速度上得到提高。(2)对合成孔径超分辨率单目、双目视觉目标三维深度获取方法进行实验仿真。针对单目合成孔径成像方法不能较好地抑制共模误差与散焦像干扰的问题,提出了双目合成孔径成像方法对其进行改进。单目视觉成像方法相比基于其他同类评价标准的方法,有较好的成像效果。双目视觉成像方法相比单目视觉成像,能够更好地抑制共模误差以及散焦像的干扰,具有良好的稳定性及鲁棒性。(3)提出了一种共激光照射源超空间分辨率三维重建方法。针对3D非扫描激光雷达空间分辨率较低的问题,将2D传感器得到的激光回波强度信息与3D激光雷达得到的目标深度信息基于合成孔径成像原理进行数据融合,实现超越2D传感器与3D激光雷达空间分辨率的三维成像。实验结果表明,该方法能够在不改变3D激光雷达构造的情况下提升其空间分辨率。
【图文】:
(d)双线性插值重建结果 (e)双三次插值重建结果 (f)本章方法 15 次迭代结果图 3. 2 图像超分辨率重建结果对比由图 3.2 可以看出,本章方法经过 15 次迭代后的超分辨率重建结果相比基于插值的超分辨率重建结果,能够较好地抑制低分辨率图像中的运动和噪声干扰,且能够较好地结合低分辨率图像中包含的亚像素级信息,还原图像的细节。为了量化评价本章方法的超分辨率重建效果,对基于插值的超分辨率重建算法和本章方法以峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和均方误差(Mean-Square Error,MSE)作为客观评价标注,其结果如表 3.2 所示。表 3. 2 图像超分辨率重建算法量化评价图像超分辨率算法 PSNR MSE双线性插值 21.0725 22.5381双三次插值 20.2472 24.7846本章方法 15 次迭代结果 25.6980 13.2324由表 3.2 可以看出,本章方法相比与基于插值的超分辨率重建算法,有更高的峰值信噪比以及更低的均方误差,对噪声具有较强的鲁棒性,能够较好的还原图像细节,适用于合成孔径图像超分辨率三维重建过程。
c, f 表示相机的焦距,cL 表示相机传感器上相邻像素点之间的距离。设基准相机成像的图像为 0c x ,y ,则单目合成孔径叠加成像 c x ,y 可以表示为: 0, ,czLc x y c x y h xBf (, h k 表示相机阵列合成孔径成像的扩散核函数,相当于光学合成孔径成像中的点其表达式为: 1,0,K k Kh k 其他(的点扩散函数和光学的合成孔径扩散核函数不太一样,其扩散方式是离散的,物理为所有相机的成像的叠加。随着相机排列方式的不同,,核函数 h k 也会随着扩散方化。式(4.1)中的像差是亚像素级的,可以作为图像超分辨率重建的基础。在实际成像过程中,由于相机传感器上的像素点数目是一定的,因此图像序列中的相当于是三维物体映射到二维传感器上,经过降采样处理的样本切片集合。合成孔由两部分组成:采样部分和数字重建部分,如图 4.3 所示。
【学位授予单位】:南京航空航天大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TN957.52
【图文】:
(d)双线性插值重建结果 (e)双三次插值重建结果 (f)本章方法 15 次迭代结果图 3. 2 图像超分辨率重建结果对比由图 3.2 可以看出,本章方法经过 15 次迭代后的超分辨率重建结果相比基于插值的超分辨率重建结果,能够较好地抑制低分辨率图像中的运动和噪声干扰,且能够较好地结合低分辨率图像中包含的亚像素级信息,还原图像的细节。为了量化评价本章方法的超分辨率重建效果,对基于插值的超分辨率重建算法和本章方法以峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和均方误差(Mean-Square Error,MSE)作为客观评价标注,其结果如表 3.2 所示。表 3. 2 图像超分辨率重建算法量化评价图像超分辨率算法 PSNR MSE双线性插值 21.0725 22.5381双三次插值 20.2472 24.7846本章方法 15 次迭代结果 25.6980 13.2324由表 3.2 可以看出,本章方法相比与基于插值的超分辨率重建算法,有更高的峰值信噪比以及更低的均方误差,对噪声具有较强的鲁棒性,能够较好的还原图像细节,适用于合成孔径图像超分辨率三维重建过程。
c, f 表示相机的焦距,cL 表示相机传感器上相邻像素点之间的距离。设基准相机成像的图像为 0c x ,y ,则单目合成孔径叠加成像 c x ,y 可以表示为: 0, ,czLc x y c x y h xBf (, h k 表示相机阵列合成孔径成像的扩散核函数,相当于光学合成孔径成像中的点其表达式为: 1,0,K k Kh k 其他(的点扩散函数和光学的合成孔径扩散核函数不太一样,其扩散方式是离散的,物理为所有相机的成像的叠加。随着相机排列方式的不同,,核函数 h k 也会随着扩散方化。式(4.1)中的像差是亚像素级的,可以作为图像超分辨率重建的基础。在实际成像过程中,由于相机传感器上的像素点数目是一定的,因此图像序列中的相当于是三维物体映射到二维传感器上,经过降采样处理的样本切片集合。合成孔由两部分组成:采样部分和数字重建部分,如图 4.3 所示。
【学位授予单位】:南京航空航天大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TN957.52
【相似文献】
相关期刊论文 前10条
1 柴桦;;基于深度卷积网络的压缩人脸超分辨率研究[J];信息与电脑(理论版);2019年18期
2 朱海;王国中;范涛;杨露;;基于深度超分辨率重建的监控图像人脸识别[J];电子测量技术;2018年16期
3 付龙;吕晓琪;李婷;谷宇;;基于扩散的自适应超分辨率重建[J];现代电子技术;2017年10期
4 刘芳华;阮若林;王建峰;倪浩;;基于在线字典学习的人脸超分辨率重建[J];现代电子技术;2017年13期
5 卫小强;;基于仿生学多源图像超分辨率重建的并行优化研究[J];电脑编程技巧与维护;2017年13期
6 廖海斌;陈友斌;陈庆虎;;基于非局部相似字典学习的人脸超分辨率与识别[J];武汉大学学报(信息科学版);2016年10期
7 王宇辉;;图像超分辨率重新建立技术综述[J];科技创业月刊;2016年17期
8 贾志城;;视频超分辨率重建及其刑侦应用[J];中国有线电视;2015年08期
9 赵U
本文编号:2612653
本文链接:https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2612653.html