基于矩陣低秩和局部圖像模型的深度圖像恢復.pdf

1、近些年來，隨著視覺影像技術的飛速發(fā)展，一般的基于彩色圖像的影像不能精確刻畫現(xiàn)實立體場景，所以也已經越來越不能滿足人們的需求，隨之而來的三維立體影像技術也應運而生。三維立體影像自然就包含三個維度的信息，除了傳統(tǒng)的彩色圖像外，還包含了物體場景的距離信息，也就是深度信息。而對于只含場景深度信息的圖像我們稱之為深度圖像，由于深度信息不受場景中物體表面的放射特性以及光照的影響，所以可以更準確地表示物體表面的三維信息，從而彌補了傳統(tǒng)光學圖像不能刻畫

2、場景三維信息的不足。
　　盡管深度獲取技術在不斷地發(fā)展，當和場景對應的彩色圖像比較時，得到的深度圖像質量依舊很低（較低的分辨率，很大的噪聲以及數據缺失）?；谶@個原因，深度相機的實際應用還是有一定的局限性；因此就需要開發(fā)有效的深度圖像恢復技術來支持他們在現(xiàn)實世界有更廣泛的應用。深度相機可以獲得同場景的彩色圖和深度圖，所以由彩色圖像導向的深度恢復成為現(xiàn)在深度圖像恢復技術主流。本文基于匹配的彩色和深度圖像展開深度圖像恢復工作：

3、　　1.首先，彩色圖-深度圖的依賴屬性是局部變化的，特別是在幾何場景的細節(jié)邊緣部分。例如，彩色圖像中平滑區(qū)域常常對應深度圖像中平坦表面（因為反射率和形狀是相互對應的）。再者，深度圖像經常擁有很強的非局部相似性，特別是在幾何場景的不連續(xù)區(qū)域。因此，以彩色圖像為導向，并有效地利用這樣的非局部相似性是非常重要的。這些發(fā)現(xiàn)啟發(fā)我們發(fā)明一個基于聯(lián)合局部和非局部正則的深度恢復算法-基于矩陣低秩和局部圖像模型的深度圖像恢復算法(LRL)，能夠自適應地

4、利用顏色與深度之間的依賴關系。算法LRL在Middlebury數據集上優(yōu)于現(xiàn)有的最先進的深度恢復方法。
　　2.算法LRL還有一些不足之處，就是非局部正則在圖像全局采用低秩正則，這個會造成時間成本上的浪費。因此引入全變差正則化，對于光滑區(qū)域就不用低秩處理，可以很好地對平坦區(qū)域進行恢復，有效地消除噪聲；對于全變差會造成的對比度缺失和紋理缺失等問題，我們對全變差施加不同的權重系數，即加權的全變差（加權TV），因為這些權重系數是由與深度