[发明专利]一种基于离散切比雪夫变换的三维形貌重建方法

说明书

本发明公开了一种基于离散切比雪夫变换的三维形貌重建方法，该方法首先对场景不同焦距的图像序列进行分块处理，然后对归一化后的分块图像进行离散切比雪夫变换得到可以表征聚焦信息的切比雪夫谱，利用低阶切比雪夫谱进行图像块的聚焦评价，并以此获得场景的初始深度与融合图像，最后经过引导滤波获得场景高精度的三维形貌重建结果。本发明公开的方法建立在属于正交变换的离散切比雪夫变换的基础上，可实现重建过程中冗余信息的有效剔除，在解决实际重建问题时有助于去除噪声信息的干扰。

技术领域

本发明属于三维重建领域，具体涉及一种基于离散切比雪夫变换的三维形貌重建方法。

背景技术

在人工智能领域，赋予计算机学习感知三维立体世界的能力一直是一个重要的研究方向。为了实现这个目标，需要使用三维重建技术从场景中获取深度信息，并利用这些信息来构建真实的三维模型。这样可以使计算机更加智能地理解和处理空间信息，提高其在现实场景中的判断和决策能力，已广泛应用于制造业、文化遗产保护、虚拟现实及医学影像等领域。

现有的基于图像聚焦信息的三维形貌重建方法主要分为聚焦评价算法和深度修复算法两个核心步骤，其中，图像聚焦评价的选择直接影响三维形貌重建结果的好坏，图像聚焦评价可以分为空间域和频率域两类。其中，空间域方法通常采用平均梯度、方差、均方误差等指标来衡量图像的清晰程度，以此判断像素是否处于焦点范围内，空间域方法具有计算简单与灵敏度高等特点，适用于检测图像的细节信息和锐度变化。但是，空间域方法更加侧重图像的局部特征，对图像全局特征的敏感度较低，而频率域方法则主要关注图像的全局特征，可通过检测图像中的高频信息进行深度映射，特别适合于某些非线性失真区域的重建。而现有的频率域方法仅使用非正交方式进行图像分解，这些非正交变换通常对图像使用一组不满足正交性质的基函数进行表达，常见的非正交变换包括小波变换和狄利克雷变换等。然而，由于非正交变换在变换后的系数矩阵中会存在冗余项，这可能导致在重建任务中出现深度信息混叠的情况，无法准确判断其深度信息。研究发现在正交变换过程中，使用一组正交基函数将一幅图像分解为一组互相独立且具有固定关系的子图像，这些子图像包含了图像中的不同频率信息，非常利于深度线索的挖掘，而作为代表性正交变换的离散切比雪夫变换相比于其他离散傅里叶变换(DFT)和离散余弦变换(DCT)而言，具有快速迭代与时间复杂度低的特点，目前已被广泛应用在图像加密、识别与压缩中。

综上可知，现有的空间域方法仅关注图像的局部特征、频率域方法在变换后的系数矩阵存在冗余项的缺点。因此，本专利提出一种基于离散切比雪夫变换的三维形貌重建方法，该方法通过将离散切比雪夫多项式的低阶聚焦特征系数作为图像块的聚焦评价权重并扩展至多聚焦图像融合上，进而有效提取图像序列的初始深度信息，然后将得到的图像融合结果对初始深度信息进行深度引导可以获得更加精确的深度信息估计。

发明内容

为克服现有技术中存在的问题，本发明的目的是提供一种基于离散切比雪夫变换的三维形貌重建方法。

本发明所采取的技术方案是：一种基于离散切比雪夫变换的三维形貌重建方法，包括以下步骤：

步骤1，调节相机焦距，获取待测场景不同焦距的图像序列其中k代表图像数，其取值范围是1≤k≤S，S为图像序列总数，(i,j)表示图像序列的坐标位置，其范围为0≤i,j≤N-1，N为单幅图像的宽和高；

步骤2，对图像序列中的各图像I_k(i,j)根据式(1)进行分块处理，得到L个r×r大小的图像块

其中batch(·)表示图像分块处理函数，然后对每个图像块I_k,l(x,y)按式(2)归一化，得到归一化后的图像块

步骤3，根据式(3)创建归一化矩阵rho(x,y)，

根据式(4)计算离散切比雪夫变换特征矩阵T(x,y)，