基于Markov随机场图像深度计算及应用研究

摘要

图像深度指的是图像中的每个点(对应图像上的每个像素点)对应场景中点的深度，具体来说就是图像中估计每个像素到摄像机的远近关系。可以通过对预处理的二维图像进行分析与识别，估算场景中的物体在现实世界中的相对远近距离，图像深度信息广泛应用在各个领域，是近年来电子计算机专家和众多研究学者们关注的热点问题，具有广阔的商业前景。 近几年来，随着图像深度信息技术的迅猛发展，图像已应用在众多的领域中，而从图像中能够精准地估算出深度信息是三维重建的关键点，可以更好地理解图像场景，也是计算机视觉领域研究的一个基本问题，这将会有效地促进计算机视觉在多种方面的应用，如安全监控、智能机器人、医疗图像、2D转3D等方面。而对于几种常用的图像深度信息提取方法，其中比较典型的方法有马尔科夫随机场(Markov Random Filed:MRF)模型算法。鉴于MRF模型图像深度提取方法，既考虑图像的局部特征，又考虑了图像的全局特征，能比较全面的对图像特征进行提取，从而可以较快地从子数据集中选取合适的图像特征进行深度提取，此方法有一定的实用价值与理论意义。 本文以图像深度获取MRF模型和非参数化学习为研究重点，首先对图像相关理论基本概念进行介绍，对图像深度提取常用算法进行研究分析；然后介绍了图像的绝对深度特征、相对深度特征以及位置关联深度特征，在此基础上全面介绍了MRF模型：不仅考虑纹理特征的方向变化，还考虑了空间分布的结构纹理特征；最后结合梯度样本数据集，使用KNN算法训练样本深度值，使用非参数化学习进行深度图的估计。具体研究成果如下： (1)利用MRF的局部集团势能建模。本文详细阐述了图像深度的三个特征：绝对深度特征、相对深度特征、位置关系特征，更加全面的理解图像的特征；通过考虑图像纹理的方向特征、空间分布特征进行MRF建模，此模型参数较少，处理比较方便。MRF考虑图像的局部像素，某一个像素只与相邻的像素有关，根据局部集团势能作用，进而考虑图像的全局像素； (2)利用非参数学习估算图像深度。本文通过传递从RGB-D数据库中提取的图像特征，利用KNN最近邻方法训练样本的深度梯度值，通过MRF模型算法，既考虑图像的局部特征，又考虑图像的全局特征来合成深度梯度场；最后将该梯度场与泊松曲面重建相结合，提取图像的深度图，估计图像深度，进行三维重建。实验结果表明，与传统算法相比较，本算法估计得到的深度图精度更高、误差更小、实用范围更广。 结合本文的思路，将上述研究理论进行了对风景区的应用实验、生成相关的深度图，通过与经典的Make3D算法中的相对误差、均方根误差两个方面对比进行验证，通过对Saxena算法、Zhuo算法的均方根梯度误差、处理图像消耗时间进行效果验证及分析，更加全面的验证了本文实验的有效性。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2国内外研究现状

1.3 主要创新点

1.4 本文组织结构

第二章 相关理论与经典算法

2.1相关理论介绍

2.2图像深度经典算法

2.2.1离焦测距算法的深度提取

2.2.2雾天图像的深度提取

2.2.3 LLOM的图像深度提取

2.2.4 MRF图像深度提取

2.3本章小结

第三章 基于MRF模型获取图像特征算法

3.1 MRF邻域关系

3.2图像深度特征

3.3 MRF的纹理结构特征提取算法

3.4 本章小结

第四章 获取图像深度算法

4.1图像深度获取思路

4.2 KNN近邻规则

4.3获取图像的深度信息

4.4本章小结

第五章 图像深度在风景区的应用研究

5.1应用描述

5.2应用效果及分析

5.2.1与Make3D相比较分析

5.2.2 与Sanexa相比较分析

5.3本章小结

第六章 总结与展望

6.1本文总结

6.2工作展望

参考文献

攻读硕士学位期间发表的成果

致谢