[發(fā)明專利]霧霾環(huán)境下的深度計算方法

有效

• 申請?zhí)枺?/td>: 201710206828.6
• 申請日: 2017-03-31
• 公開（公告）號: CN107038718B
• 公開（公告）日: 2019-08-20
• 發(fā)明（設(shè)計）人: 李坤;馬健;楊敬鈺;韓亞洪
• 申請（專利權(quán)）人: 天津大學
• 主分類號: G06T7/50
• 分類號: G06T7/50
• 代理公司: 天津市北洋有限責任專利代理事務(wù)所 12201
• 代理人: 劉國威

本發(fā)明屬于計算機視覺領(lǐng)域、最優(yōu)化方法，為提出一種霧霾環(huán)境下的深度計算方法，該方法能夠更加精確地計算出單幅圖像中景物的深度圖，甚至能計算出更遠處的景物的深度信息。為達到上述目的，本發(fā)明采取的技術(shù)方案是，霧霾環(huán)境下的深度計算方法，包括以下步驟：1)利用手持相機或圖像采集設(shè)備對當前場景進行彩色圖拍攝；2)利用步驟1)采集到的彩色圖估計當前場景的PM2.5值；3)根據(jù)步驟1)采集到的彩色圖，計算當前場景下大氣傳輸率t(x)4)由步驟2)得到的PM2.5值以及步驟3)計算出來的前場景下大氣傳輸率t(x)，最終得到當前場景下的深度圖據(jù)。本發(fā)明主要應(yīng)用于計算機視覺處理場合。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機視覺領(lǐng)域、最優(yōu)化方法，具體講，涉及一種霧霾環(huán)境下的深度計算方法。

背景技術(shù)

科技的發(fā)展，大大的提高人們的生活品質(zhì)，人們對3D技術(shù)要求越來越高，從而越來越多的科研人員從事深度圖的計算工作當中。從骨架修復，文物的三維重建，無人駕駛的遠處景物的距離判斷等等，都體現(xiàn)了計算深度圖的重要性。但是在計算機視覺領(lǐng)域中，計算深度圖任然是一個非常具有挑戰(zhàn)性的課題。在傳統(tǒng)的方法中，雙目攝像頭，例如微軟公司的Kinect計算攝像頭極為方便計算深度圖，但是其設(shè)備造價昂貴，成本高，不利于工業(yè)使用。對于單幅圖像的深度估計，大部分傳統(tǒng)方法是利用馬爾科夫鏈進行深度計算(B.Liu,S.Gould,and D.Koller.Single image depth estimation from predicted semanticlabels.In IEEE Conference on Computer Vision and Pattern Recognition,pages1253–1260,2010.1,2)，另外隨著深度學習的火熱，利用深度卷積神經(jīng)網(wǎng)絡(luò)進行深度計算(D.Eigen and R.Fergus.Predicting depth,surface normal and semantic labelswith a common multi-scale convolutional architecture.Pages 2650–2658,2015.2)。但是這些方法對于室外霧霾場景下深度計算存在較大誤差。此外，對于霧霾場景下單幅圖像，有很多方法是從大氣傳輸率著手，估計出大氣傳輸率，最后根據(jù)大氣散射數(shù)學模型估計出深度圖，例如He et al.(K.He,J.Sun,and X.Tang.Single image haze removal usingdark channel prior.IEEE Transactions on Pattern Analysis and MachineIntelligence,33(12):2341–2353,2010.2,3,5,6)，此方法雖然能計算出當前場景的深度信息，但是保留了太多的紋理細節(jié)信息，對于深度圖來說這些紋理信息就造成了較大的深度誤差；Berman et al.(D.Berman,T.treibitz,and S.Avidan.Non-local imagedehazing.In The IEEE Conference on Computer Vision and Pattern Recognition(CVPR),June 2016.2,3,5,6,7,8)和Chen et al.(C.Chen,M.N.Do,and J.Wang.Robustimage and video dehazing with visual artifact suppression via gradientresidual minimization.In European Conference on Computer Vision(ECCV),2016.2,3,5,6,7,8)，這些方法很好的估計出大氣傳輸率，在深度圖的表現(xiàn)上更加平滑，但是對于圖像當中遠處景物的捕捉卻差強人意，無法識別出遠處景物的輪廓等。我們的方法在保證深度圖平滑的同時，也很好的保留遠處景物必要的信息，精準度高，圖像采集設(shè)備簡單，算法易實現(xiàn)。

發(fā)明內(nèi)容