通过发掘深度信息与子孔径图像邻域像素间的高度相关性,提出了一种基于邻域像素注意力机制的光场深度估计方法。首先根据光场图像的数据特性提出了一种邻域像素注意力机制,该注意力机制考虑了不同子孔径图像在同一邻域间的极几何关系,能够增强网络对遮挡像素的感知能力。其次基于注意力机制设计了一个光场子孔径图像序列特征提取模块,该模块通过三维卷积将相邻序列图像上的特征编码到特征图上,并通过注意力机制增强网络对光场图像极几何特征的学习能力。最后联合邻域像素注意力机制和特征提取模块设计了一个多分支的全卷积神经网络,该网络使用部分光场子孔径图像序列即可估计图像的深度特征。实验结果表明,所提方法在均方误差(MSE)和平均坏像素率(BP)指标上总体表现优于其他先进方法,同时得益于高效注意力机制的加入,与其他先进方法相比所提方法运行速度最快。
光场图像 深度估计 邻域像素 注意力机制 神经网络 光学学报
2023, 43(21): 2115003
长安大学 电子与控制工程学院, 西安 710064
为了提高激光三角测距精度、优化传感器设计过程中的光学参量,采用数学建模和计算机辅助分析的方法,解析了激光三角测距传感器中的关键参量与测量系统各指标的关系,并采用一种基于粒子群算法的参量优化方法,得到符合系统优化要求的光学参量,进行了理论分析和验证。结果表明,在进行参量设计时,各参量相互牵制;确定了粒子群搜索空间和约束;在灵敏度Smin达到2.2386mm时,系统分辨力可达到2.8μm,且其它各参量取值符合系统要求,同时优化效率大大提高。该优化方法算法简单、操作方便。
传感器技术 参量优化 粒子群算法 激光三角测距法 sensor technique parameter optimization particle swarm optimization algorithm laser triangulation method