基于卷积神经网络的光场图像的深度估计及超分辨的研究

发布时间：2021-05-07 23:00

　　光场相机例如Lytro公司生产的光场相机以先拍照后聚焦而闻名。光场相机可以在一次拍照的过程中同时获得空间信息和角度信息,它可以记录光传播的方向。由于光场相机可以拍摄丰富的信息,使得它在重聚焦、深度估计、图像显著性检测、材料识别和显微镜下恢复透明物体方面展现突出的优势。虽然用光场数据进行的深度估计比基于双目立体视觉系统的深度估计更简单,更有效,但光场的深度估计仍然存在一些挑战性的问题。它的准确度仍然受到遮挡和噪声的影响。而且,当我们使用卷积神经网络进行对光场数据进行深度估计的时候,光场数据的数目不足以达到用卷积神经网络来模拟光场数据和相对应的深度关系时所需要的数目。光场数据还有一个自身的缺点就是光场的传感器的数量是一定的,所以光场的分辨率是受传感器及微透镜阵列所限制的。和传统的相机所拍摄的图像的分辨率相比光场某一视角的图片的分辨率要低得多,这使得光场的适用范围受到限制。这篇论文的主要目的就是光场的深度估计和光场的超分辨。基于这个目标,首先我们采用支持向量机和以分割为引导的双边滤波来解决深度估计中的遮挡问题,其次我们用滤波的结果来产生网络训练所需的数据的深度的真实值,然后采用网络来估计光场... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
ABSTRACT
摘要
Abbreviations Table
Chapter 1 Introduction
    1.1 Light Field Camera
        1.1.1 Light Field
        1.1.2 Light Field Camera
    1.2 Light Field Data
    1.3 Overview of Light Field Depth Estimation
    1.4 Overview of Light Field Super-resolution
    1.5 Contribution and Overview
        1.5.1 Contribution
        1.5.2 Overview
Chapter 2 Background
    2.1 Computational Photography
    2.2 Light Field Refocus
    2.3 Light Field Zoom
    2.4 Light Field Depth Estimation
        2.4.1 Epipolar Plane Image
        2.4.2 Depth From Defocus
        2.4.3 Depth From Correspondence
    2.5 Convolution Neural Networks For Super-Resolution
    2.6 Bilateral Filter and Joint bialteral filter
Chapter 3 Occlusion Robust Light Field Depth Estimation Using Segmentation Guid-ed Bilateral Filtering
    3.1 Introduction
    3.2 Proposed Method
        3.2.1 Refocus
        3.2.2 SVM Classification
        3.2.3 Occlusion Robust Depth Estimation
        3.2.4 Segmentation Guided Bilateral Filtering
    3.3 Experimental Results
    3.4 Conclusions
Chapter 4 Light Field Depth Estimation Based on Convolutional Neural Network
    4.1 Introduction
    4.2 Proposed Method
        4.2.1 Training Data Regeneration
        4.2.2 CNN Architecture
        4.2.3 Data Augmentation
        4.2.4 Depth Prediction
        4.2.5 Denoising in Depth
    4.3 Experimental Results
        4.3.1 Quantitative Evaluatio
        4.3.2 Qualitative Evaluation
        4.3.3 Limitation and future work
    4.4 Conclusion
Chapter 5 Light Field Image Super-resolution Based on Disparity Compensated Pre-diction
    5.1 Introduction
    5.2 Proposed Method
        5.2.1 Disparity Estimation
        5.2.2 View Synthesis
        5.2.3 Light Field Super-resolution
        5.2.4 Loss Function
    5.3 Experimental result
    5.4 Conclusion
Chapter 6 Summary and Future Work
    6.1 Summary
    6.2 Future Work
Reference
Acknowledgement
Biograph



本文编号：3174202