本文提出了一种针对复杂大变形的散斑图像位移场的测量方法，该方法利用注意力机制和深度可分离卷积改进一个现有的卷积神经网络模型用于测量大变形位移场。为训练该模型，构建了符合真实情况的包含多种类型的散斑图像和复杂大变形位移场的数据集并提出了新的损失函数。该方法与传统数字图像相关方法以及最新的深度学习方法分别在自建数据集和公开数据集上进行了对比实验和结果分析。结果表明，所提方法在模型参数量最小的情况下取得了最高的平均精度，位移场计算速度也远超传统方法，能够满足大变形位移场的实际实时测量需求。
测量 数字图像相关 大变形位移场 深度学习 位移场测量 光学学报
2023, 43(14): 1412001
重庆邮电大学先进制造工程学院, 重庆 400065
双目立体匹配根据视差原理将平面视觉转化到三维立体视觉,是三维重建的核心步骤之一。针对局部立体匹配算法在深度不连续、弱纹理区域匹配精度低且易受光照、噪声等因素干扰的问题,提出了一种改进的立体匹配算法。首先,在代价计算阶段将改进的Census代价与梯度代价进行融合,并采用引导滤波算法对图像进行多尺度代价聚合;然后,采用赢家通吃算法计算初始视差;最后,采用左右一致性检测、中值滤波进行视差后处理,得到最终的视差图。实验结果表明,本算法在Middlebury2.0测试平台上的平均误匹配率为5.11%,且具有很好的稳健性和实用性。
机器视觉 三维重建 引导滤波 多尺度代价聚合 Census变换 梯度变换 激光与光电子学进展
2021, 58(2): 0215008
