A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms

2024-03-09 07:48

本文主要是介绍A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms

论文总共分为六个部分,分别是:介绍,质量引导求解相位,残差点,载波信号的影响,本文建议的求解质量方法,实验与结论。

  1. 质量引导解包
    本节中介绍的质量引导解包是2002年的一篇文章:Fast two dimensional phase-unwrapping algorithm based on sorting by reliability following a noncontinuous path
    其中,质量图的求解方法如下图所示:
    在这里插入图片描述
    在这里插入图片描述
    这篇文章亮点在于它对于质量图的求解方法。文中不会关注每个点的质量值,而是关注其边缘。我们将计算相邻两个点之间的边缘值(边缘值为相邻两点的质量值之和),然后将其排序,先展开边缘值大的节点(展开的节点涂上相同的颜色),然后展开边缘值小的节点。如果要展开的节点都已经被涂上色,则将其归入一种颜色中。步骤如下所示:
    图a为质量图,图b为求解的边缘值,图c d e f 为展开过程
    算法步骤
  2. 残差点
    在二维信号中,残差点被定义为2 x 2网格中沿闭合路径求和的值为非零的点。
    图a 为2 x 2网格,图c为沿着闭合路径相减之后的值,图b为添加包裹算子之后的值,将图b中的4个边的值加起来,其值为2pi,则这个点为正残差点,如果值为负,则是负残差点。
    3.提出的质量图
    一般来说,结构光是投射出去带有一定编码的图案(我们称之为载波),而相机拍摄到的带有物体调制后的图片带有载波和物体的相位信息。如果投射到一个平面上,而平面没有物体,则求解出来的相位就像一个倾斜的平面,所以我们又将载波称为倾斜。在质量引导算法中,倾斜会影响质量图(这点并不是很清楚)。所以以前的一些论文在求解相位的时候,会去除倾斜的影响。而我们提出的质量图可以很好地消除这些影响。
    文中,考虑在生成的相位图像中添加倾斜,然后查看这些点由非残差点变为残差点的概率。
    在这里插入图片描述
    如上图所示,在2 x 2网格中添加倾斜后,r如果不为0,则该点变为残差点。
    在这里插入图片描述
    论文中,有三个这样的图,我看了好久才明白其中的道理。这其实是给出了一个不为残差点的2 x 2的网格,利用上面的式子求方程,求出 dx 和 dy(不知道怎么打deta,就用d来表示吧) 的范围。这就是当其倾斜加在如下范围内,该点就会从一个‘好’点变成一个残差点。之后,经过观察,可以由以下式子得出这个区域的大小:
    在这里插入图片描述
    我们所要求的质量图就可以由t(i,j)表示。

这篇关于A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/790001

相关文章

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

Study Plan For Algorithms - Part24

1. 包含min函数的栈 定义栈的数据结构,要求在该类型中实现一个 min 函数,能够获取栈的最小元素。在该栈中,调用 min、push 以及 pop 函数的时间复杂度均为 O (1)。 方法: class MinStack:def __init__(self):self.stack = []self.min_stack = [float('inf')]def push(self, x):sel

Java多线程编程模式实战指南:Two-phase Termination模式

文章来源: http://www.infoq.com/cn/articles/java-multithreaded-programming-mode-two-phase-termination?utm_source=infoq&utm_campaign=user_page&utm_medium=link 文章代码地址: https://github.com/Visce

使用django-simple-captcha遇到的坑

使用django-simple-captcha遇到的坑 一站点gongshare.com在做注册功能时验证码采用的django-simple-captcha,因为笔者开发环境采用的Windows 64bit系统,结果安装使用的时候接二连三遇到好几个坑。 django-simple-captcha需要依赖django1.3+、PIL1.1.7+或者Pillow2.0+,根据文档安装后开始使用时,

torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms总结学习记录

经常使用PyTorch框架的应该对于torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms这两个语句并不陌生,在以往开发项目的时候可能专门化花时间去了解过,也可能只是浅尝辄止简单有关注过,正好今天再次遇到了就想着总结梳理一下。 torch.backends.cudnn.benchmark 是 PyTorch 中的一个设置

HYPERCASUAL - Simple Characters(卡通游戏火柴人物模型)

介绍HyperCasual - 简单角色! 一套低多边形角色资源,用于创建超休闲风格的游戏。 包含演示场景 角色(x10) 生化人、小丑、Flaty_Boss、女孩、守门员、英雄、亚马逊女战士、男人、红衣男人、修理工 每个网格大约有700-2000个顶点 角色设置与Mecanim兼容(本包中不包含动画) 着色器适用于可编写脚本的渲染管线(HD + LW) 下载:​​Unity资源商店链接资源

Learning Memory-guided Normality for Anomaly Detection——学习记忆引导的常态异常检测

又是一篇在自编码器框架中研究使用记忆模块的论文,可以看做19年的iccv的论文的衍生,在我的博客中对19年iccv这篇论文也做了简单介绍。韩国人写的,应该是吧,这名字听起来就像。 摘要abstract 我们解决异常检测的问题,即检测视频序列中的异常事件。基于卷积神经网络的异常检测方法通常利用代理任务(如重建输入视频帧)来学习描述正常情况的模型,而在训练时看不到异常样本,并在测试时使用重建误

Image Transformation can make Neural Networks more robust against Adversarial Examples

Image Transformation can make Neural Networks more robust against Adversarial Examples 创新点 1.旋转解决误分类 总结 可以说简单粗暴有效

Detection简记3-Region Proposal by Guided Anchoring

创新点 1.新的anchor 分布策略:Guided Anchoring 2.feature adaption module,根据潜在的anchor精调特征 总结 Guided Anchoring:流程如图所示 特征图F1接两个分支:位置预测分支产生物体可能存在的位置的概率图,形状预测分支预测物体的形状,独立于位置。根据两个分支的输出,得到anchor。 位置预测分支: 1X1的卷积+si

Segmentation简记2-RESIDUAL PYRAMID FCN FOR ROBUST FOLLICLE SEGMENTATION

创新点 与resnet结合,五层/level的分割由此带来的梯度更新问题,设计了两种方案。 总结 有点意思。看图吧,很明了。 细节图: 全流程图: 实验 Res-Seg-Net-horz: 在UNet上堆叠5个细节图中的结构,没有上采样层。 Res-Seg-Net-non-fixed: 普通方式的更新 Res-Seg-Net-fixed: 每一层的更新,只依据距离它最近的一