论文部分内容阅读
利用压缩感知(CS)来改善光场图像序列采集的效率和重建的精度。由于利用光场进行三维模型的重建需要对海量图像采集和重建,当前方法存在图像采集效率不高、重建精度不足和传输时延较长的问题,利用压缩感知能有效对信号进行降维测量,并能高概率的恢复原始信号的特性,本文提出基于结构化随机矩阵的分块压缩感知方法和基于联合稀疏模型的分布式压缩感知方法来对光场进行采集和重建。基于结构化随机矩阵的分块压缩感知方法(BCS-SPL-SRM)将大尺寸光场图像分割成图像小块进行稀疏化、传输和重建。该方法在BCS-SPL方法基础上改进测量矩阵,将适合光场的SRM作为测量矩阵对图像进行测量。实验中对三组光场图像序列进行重建,BCS-SPL-SRM算法比其他算法重建的PSNR值高3.87d B~6.31d B,重建时间比其他算法平均缩短3.61s,并且该算法有更快的收敛速度。基于联合稀疏模型的分布式压缩感知方法利用光场图像序列间存在大量重叠信息这一特性,在重建过程中着重关注图像间差异部分,提出两种适合光场图像序列重建的算法:DCS-VS和DCS-SI。其中DCS-VS算法是对图像序列所构成三维图像矩阵的垂直切片进行压缩重建,可以证明该垂直切片的稀疏度较原图像更低,所以对其进行信号采集、传输和重建会有更高的效率。其中DCS-SI算法是将图像序列分为中心视点图像和边缘视点图像,边缘视点图像在重建时通过与相应的边信息融合计算得到,从而降低原始信号的传输量。实验中利用DCS-VS算法对图像序列进行重建,相比其他算法重建图像的PSNR值高2.01d B,利用DCS-SI算法对图像序列进行重建,其重建结果有更好的主观效果。结合以上两种算法,提出基于压缩感知的阵列光场图像序列采集和重建算法(ALF-CS),该算法对光场进行采集和重建时,单张图像采用分块压缩感知的方法进行图像采集和重建,图像序列采用分布式压缩感知方法进行图像序列的采集和重建。实验中利用ALF-CS采集和重建到的图像序列进行了完整的三维模型重建。结果表明,利用ALF-CS重建的图像序列可以改善光场的采集效率,其重建的图像序列可以用来重建完整三维模型。