[发明专利]一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法

权利要求书

1.一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法，其特征包括以下步骤：

(1)等间隔调节相机与待测场景间的距离获取待测场景不同景深的图像序列其中i代表图像数其取值范围是1≤i≤N，(x,y)表示图像序列的坐标位置其范围为0≤x,y≤M-1；

(2)将非降采样剪切波变换的最大分解尺度设置为J，最大方向数设置为L，设置非降采样剪切波变换的滤波器，在聚类算法中设置聚类个数K，距离度量标准为欧式距离；

(3)对步骤1中的图像序列进行非降采样剪切波变换NSST，如式(1)所示，每幅图像可以得到J×L个不同尺度与方向的高频分解系数；

其中j代表尺度数其取值范围是1≤j≤J，l代表方向数其取值范围是1≤l≤L，表示第i幅图像在尺度j和方向l的高频分解系数，ihigh表示高频系数的下标其取值范围为1≤ihigh≤N，NSST表示非降采样剪切波变换；

(4)按照式(2)将J×L个不同尺度与方向的高频系数映射为J×L个不同尺度与方向的深度图像

其中ihigh表示第i幅图像对应的第ihigh个高频系数其取值范围是1≤ihigh≤N，表示求解高频系数下标ihigh的函数，abs(·)表示绝对值函数；

(5)计算每幅深度图像的灰度共生矩阵，并根据式(3)将灰度共生矩阵的对比度r_Con、相关性r_Cor、能量r_Ene、逆方差r_Hom和熵r_Ent作为深度图像的五维特征向量，J×L幅深度图像共得到J×L个五维特征向量；

其中GLCM(·)表示灰度共生矩阵的计算函数，V^j,l(·)表示第j个尺度l个方向的深度图像的特征向量；

(6)对步骤5得到的J×L个五维特征向量根据式(4)的K均值聚类算法进行聚类，得到K个聚类结果{C₁,C₂,L,C_K}；

其中Kmeans(·)表示K均值聚类算法，类C₁共包含个深度图像集合依此类推，类C_K共包含个深度图像集合

(7)计算步骤6中得到的所有深度图像类中的平均梯度，并按照式(5)选择平均梯度最小的类C_s作为最终的深度图像类；

其中表示求解深度图像类下标m的函数，m的取值范围为1≤m≤K，Gradient(·)为梯度函数，s为平均梯度最小类的序号；

(8)根据式(6)计算步骤7得到的平均梯度最小类C_s中所有图像的平均值，得到待测场景最终的三维形貌重建结果

其中为平均梯度最小类C_s中深度图像的数量。