|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
, E9 k/ i) b) |1 d
摘要:半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数,并通过分裂Bregman算法予以求解.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比，本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.5 q! Y8 y% g/ ?: V* A
% G% |7 M% @3 c关键词:2D转3D;最优化;随机游走﹔图割;L范数
5 p, a$ S/ N3 z
$ ^* ?3 y5 |; c. e0 y7 S/ k; j ~9 ?$ S. S9 E0 f$ }
半自动2D转3D的关键任务是将用户标注的稀疏深度转换为稠密深度.现有方法借助像素点颜色的相似性进行稀疏深度的插值.但这些方法并未充分考虑用户标注误差,以及深度图与纹理图像间结构差异的问题.压缩感知领域的研究表明L范数能够有效抵制异常数据点.
$ K; O3 A2 Q: r; k0 m' v, O. e7 ^; N
$ r& D+ R5 a( w9 ?3 V2 D( E1 v; W, _7 l8 {( K
$ m5 m& L* m3 E0 g8 P m; }
# ^- u. W" P6 y9 M& n8 V
! }" q' R; [; o# ?0 l* @8 d- ^
|
|
/1 
发表于 2021-4-27 11:09
收藏
淘帖
支持！
反对！