基于序列图像的植株三维重建试验与分析

如何在保证精度的前提下实现更为高效、快捷以及廉价的植株三维重建是智慧农业领域研究的重要课题。本研究从实用的植株三维重建角度出发,利用3DSOM软件开展了植株的三维重建方法研究,搭建了一套植株序列图像获取系统,可以精确地获得植株的360?视角的序列图像,为后期进行植株的三维重建奠定了基础。本试验以圣女果植株和树木植株为研究对象,分别利用8、16、32、64、80、96幅序列图像和20、40、60、80幅序列图像开展了植株的三维重建试验与对比测试。试验结果表明,对于树木植株,由于其枝干较多且不同角度的枝干间存在重叠,重建图像会丢失部分枝干细节信息,而对于小型植株如圣女果植株的重建效果较好;测试结果表明,最少利用16幅序列图像即可重建圣女果植株,最少利用20幅序列图像即可重建树木植株;圣女果植株的重建时间在14分钟以内,树木植株的重建时间在18分钟以内,且随着序列图像数量的增加,重建时间增长缓慢,表明重建用序列图像的数目对重建时间影响较小。为进一步验证该方法的三维重建精度,对圣女果植株的枝干选取了5个截段进行了实际测量,其重建误差在0.05%-2.36%之间;同时选取树木4个截段进行了实际测量,其重建误差在0.11%-2.67%之间,重建精度满足植株三维测量、树形修剪等的要求。     

基于SFM与深度学习融合的水果体积测量算法

以生活常见的水果作为研究对象，结合SFM对图像序列的深度估计以及神经网络重建三维结构的优点，提出SFM算法融合深度学习三维重建的水果体积测量算法。对单目相机采集的水果多视角图像进行研究，分析图像重建以及估计大小的方法，搭建快速、便捷估计水果实际体积算法框架。使用神经网络快速推理水果结构，解决三维重建构建稠密点云耗时长的缺点，利用多视角图像获取稀疏点云，估计目标尺寸，提高采样的便利性。实验结果表明，该算法能快速重建水果三维模型，实现简单、快速、较精确的水果体积测量。     

采用去抖动模糊算法的稠密三维重建

针对无人机在航拍大场景对象进行三维重建时因抖动产生的图像模糊现象,以及二维图像序列经运动恢复结构SFM后得到的点云较为稀疏,可视化差等不足,采用去抖动模糊算法恢复模糊图像的原始图像信息,然后在运动恢复结构的基础上进行基于点云的稠密三维重建,最后对稠密重建后的点云进行泊松表面重建以得到表面致密、均匀的三维模型。实验结果表明,去抖动模糊算法可以有效地提高图像的质量,大场景对象经过基于点云的稠密三维重建后得到的重建效果逼真,可视化强。     

基于图像匹配-点云融合的建筑物立面三维重建

随着计算机技术的快速发展,基于图像的建筑物三维重建逐渐成为计算机图形学和计算机视觉领域的研究热点之一.由于建筑物图像背景复杂、序列长且杂乱无序,现有的三维重建算法存在耗时长、局部几何细节重建效果差的问题.文中针对这些不足提出了一种基于图像匹配实现点云融合的建筑物立面三维重建算法.首先寻找新添加的建筑物局部图像在原始图像集中的匹配图像,组成规模较小的图像集并重建出局部点云模型,然后通过匹配不同点云模型在同一幅图像上的投影点,找到点云模型之间的一致对应点集,接着求解点云集合之间的最佳对齐变换,实现整体和局部点云模型的融合,最终生成建筑物立面完整的三维模型,实验表明,采用文中算法进行三维重建,可以有效地减少重建时间,提高重建精度.     

一种基于序列图像的交互式快速三维重建方法

针对普通数码相机拍摄的序列图像,提出了一种快速的交互式三维重建方法.首先基于SFM技术得到了相机的内外部参数;然后在图像上交互取点以构建逼近物体轮廓的多边形,结合该多边形,利用轮廓跟踪算法提取出精确的外形轮廓;最后通过匹配轮廓点的方式重建出三维模型.实验结果表明该重建方法是快速而有效的.     

基于分段式序列图片集的运动恢复结构

多视图运动恢复结构（Structure from Motion,SFM）是三维重建中相机姿态估计的一种最常用的方法。传统SFM采用增量方式处理图片,算法的时间复杂度是[O(n4)],当图片数量较多时,重建时间很长。此外,由于图片噪声影响,漂移误差将随着图片数量增加不断累加,影响最终的重建质量。添加集束调整（Bundle Adjustment,BA）可以优化重建结果,但是需要花费更长的时间。在现有增量式算法的基础上,提出基于分段式序列图片集的方法,将序列图片集按照相似度划分为小集合,对每个小集合进行并行计算,减少误差累积量和重建时间,最后再用BA进行全局优化。实验结果表明,该方法能在保持一定精度的前提下,有效减少重建时间。     

基于序列图像的鲁棒三维重建方法

提出了基于序列图像的鲁棒三维重建方法。首先利用两幅图像的最优参数估计,然后添加新图像并采用稀疏调整,减少图像坐标测量值的最小几何误差。通过对三维结构和摄像机参数进行全局优化处理,以提高重建的鲁棒性。实验结果表明,该方法提高了重建的精度和鲁棒性,并真实地再现了物体的三维模型。     

基于未标定多幅图的三维重建算法

为得到鲁棒的三维重建效果,提出了一种基于未标定多幅图像的三维重建算法。该算法首先采用Harris算法检测特征点,针对双向匹配算法匹配速度慢的缺点,使用改进的双向匹配算法进行特征点匹配,在已知摄像机参数的情况下进行两幅图的三维重建;接着采用四元数算法进行坐标转换,将由每两幅图得到的不同部分的重建结果转移到同一坐标系下,实现了多幅图像的三维重建;最后利用集束调整优化重建结果。实验结果证明,该算法能获得比较满意的重建效果。     

深度学习背景下的图像三维重建技术进展综述

三维重建是指从单幅或多幅二维图像中重建出物体的三维模型并对三维模型进行纹理映射的过程。三维重建可获取从任意视角观测并具有色彩纹理的三维模型,是计算机视觉领域的一个重要研究方向。传统的三维重建方法通常需要输入大量图像,并进行相机参数估计、密集点云重建、表面重建和纹理映射等多个步骤。近年来,深度学习背景下的图像三维重建受到了广泛关注,并表现出了优越的性能和发展前景。本文对深度学习背景下的图像三维重建的技术方法、评测方法和数据集进行全面综述。首先对三维重建进行分类,根据三维模型的表示形式可将图像三维重建方法分类为基于体素的三维重建、基于点云的三维重建和基于网格的三维重建;根据输入图像的类型可将图像三维重建分类为单幅图像三维重建和多幅图像三维重建。随后介绍了不同类别的三维重建方法,从三维重建方法的输入、三维模型表示形式、模型纹理颜色、重建网络的基准值类型和特点等方面进行总结,归纳了深度学习背景下的图像三维重建方法的常用数据集和实验对比,最后总结了当前图像三维重建领域的待解决问题以及未来的研究方向。     

基于SFM算法的三维人脸模型重建

提出了一种根据两幅正面人脸图像和一幅侧面图像重建人脸三维模型的算法，该算法主要包括4个步骤：寻找匹配点；采用SFM算法计算出特征点的三维坐标，并组成稀疏的三维网格结构；采用分步紧支撑径向基函数进行三维插值，得到三维模型；最后根据多分辨图像拼接算法生成纹理图像并将其映射到三维模型上，从而增强真实感，与其它算法相比，该算法最大的不同之处在于匹配点的寻找，匹配点的准确与否直接影响SFM算法结果的正确性，许多寻找匹配点的算法如角点匹配算法，在处理人脸图像时得到的结果并不稳定，这是因为人脸图像上包含了许多低纹理和重复纹理区域，大多数算法将代表人脸结构基本特征的基准模型运用在重建过程的最后一步，通过三维逼近运算，得到最终的重建模型，而该算法将反映人脸共性特征的几何对称性和规律性运用到匹配点的寻找中，能够快速准确地找出SFM算法需要的匹配点，用户使用普通照相机拍摄到的图像经本算法的处理后就可以得到相应的三维人脸结构。     

基于密集Inception的单图像超分辨率重建方法

近几年,基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下,重建模型的网络层数越深,提取的特征越多,重建效果越好;然而随着网络层数的加深,不仅会出现梯度消失的问题,还会显著增加参数量,增加训练的难度。针对以上问题,提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征,全局采用简化后的密集网络,且仅构建每一个模块输出到重建层的路径,从而避免产生冗余数据来增加计算量。在放大倍数为4时,采用数据集Set5测试模型性能,结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比,所提方法的结构相似性（SSIM）高了0.013 6;与基于多尺度残差网络的图像SR（MSRN）相比,SSIM高了0.002 9,模型参数量少了78%。实验结果表明,所提方法在保证模型的深度和宽度的情况下,显著减少了参数量,从而降低了训练的难度,而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。     

基于复合正则化的荧光显微图像三维重建

针对荧光显微图像三维重建问题,采用广义全变差和剪切波变换作为重建图像的正则项,并构建重建模型,针对重建模型的高阶与非光滑特性,提出了基于变量分离理论和分裂Bregman迭代的快速重建算法,该算法不仅能够实现边缘保存,避免阶梯效应,还可以通过合理选择参数,获得很好的重建效果,在模拟图像栈和真实荧光显微图像栈的实验结果验证了该算法的有效性和可行性。     

基于超分辨率网络的CT三维重建算法

计算机断层扫描(CT)三维重建技术通过上采样体数据来提高三维模型质量,减轻模型中的锯齿状边缘、条纹状伪影和不连续表面等现象,从而提高临床医学中疾病诊断的准确率.针对以往CT三维重建后模型仍然不够清晰的问题,提出一种基于超分辨率网络的CT三维重建算法.网络模型为具有双重损失的优化学习纵轴超分辨率重建网络(DLRNet),...     

一种基于图像的植物器官重建

该文提出了一种基于植物器官图像的器官重建方法,系统实现步骤包括:图像预处理、轮廓的提取、二值化、细线化、矢量化、三角剖分,从而实现器官的重建。文章以叶为例,实现了叶可视化重建。系统考虑叶图像的特点,设计了优化的轮廓提取算法;并对Hilditch细线算法进行改进,提出了一种快速细线化算法。文章提出的器官重建方法可用于多种植物模型(如L系统)的器官外观建模;由于采用基于图像的技术,系统具有逼真的外观效果,实现了植物器官快速可视化重建。     

基于高分辨率网络和图卷积网络的三维人体重建模型

针对单目图像重建人体时出现的头部姿态翻转和图像特征间隐式空间线索缺失的问题,提出了一种基于高分辨率网络（HRNet）和图卷积网络（GCN）的三维人体重建模型。首先利用HRNet和残差块作为主干网络从原始图像中提取丰富的人体特征信息,然后使用GCN来捕获特征之间隐式的空间线索以获得空间精确的特征表示,最后使用此特征来预测多人线性蒙皮模型（SMPL）的参数以得到更加准确的重建结果;同时为了有效解决人体头部姿态翻转的问题,对SMPL的关节点重新进行了定义,在原有关节的基础上增加对头部关节点的定义。实验结果表明,所提模型能够准确地重建出三维人体,在2D数据集LSP上的重建准确率达到了92.41%,在3D数据集MPI-INF-3DHP上的关节误差和重建误差也大幅降低,平均误差仅分别为97.73 mm和64.63 mm,验证了所提模型在人体重建领域的有效性。     

基于非线性重构模型的植物叶片图像集分类方法

提出一种基于非线性重构模型的植物叶片图像集的分类识别方法。该方法首先使用高斯受限玻尔兹曼机(GRBMs)通过非监督预训练来初始化模型的权值;然后针对每一个植物叶片图像集用初始化的模型训练得到一个特定的模型;最后根据测试样本的最小重构误差和测试样本集的最多投票策略来判定测试样本集的类别。该方法通过图像预处理来处理图像,避免了图像在缩放时发生形变,并采用基于k-means的特征提取方法来提取植物叶片图像特征。实验结果表明,该方法能够准确地对植物叶片图像集进行分类识别。     

基于不同分辨率遥感影像自动提取切沟的精度分析和转换模型

黄土高原地貌类型独特而复杂,切沟侵蚀是塑造该区地貌的主要动力之一。研究不同分辨率遥感影像提取切沟的适用性和自动提取方法,可为切沟侵蚀遥感监测和沟蚀防治等提供有效手段。以黄土高原南部山西吉县残塬沟壑区为研究区,使用面向对象分析方法和随机森林分类算法分别从0.5 m Google影像、2 m GF-1融合影像和8 m GF-1多光谱影像中自动提取切沟,分析提取精度,并构建转换模型,提高低分辨率遥感影像提取的切沟沟长、面积参数的精度。结果表明：①依据特征类别,特征变量对于切沟识别的重要性排序如下：光谱特征>纹理特征>几何特征。②0.5 m和2 m分辨率影像切沟分类精度较高,生产者精度和用户精度均达90%以上,8 m GF-1影像切沟分类的生产者精度和用户精度为85%左右。③0.5 m和2 m分辨率影像提取的切沟沟长和沟宽的百分误差分别为5%和13%左右;8 m分辨率影像提取的切沟沟长、面积和沟宽的平均百分误差为18.82%、27.62%和18.93%。④基于0.5 m分辨率Google影像提取的切沟形态特征参数,建立8 m分辨率GF-1影像提取的切沟沟长转换模型（L=1.22L'-0.28）和面积转换模型（A=1.44A'+31.56）,转换结果具有较高的精度。     

基于R-滤子的多帧图像重建算法

针对图像重建中低分辨率图像信息的利用和先验项（正则化项）的估计问题,提出一种新颖的算法--R-滤子方法,通过计算输入图像的高阶信息来构建先验项,同时采用广义交叉验证（Generalized Cross Validation,GCV）方法自适应求解先验项参数（正则化参数）,加强算法的自适应性。实验结果表明：重建图像的峰值信噪比值（Peak Signal-to-Noise Ratio,PSNR）比目前主要先验项方法（BTV、Sparse、Huber）的重建图像的值更高,从重建图像的局部细节和纹理也看出该方法的重建图像具有更丰富的信息,同时,从构造方法上说明R-滤子方法在计算上要优于其他方法。