پروژه کاربرد شبکه های عصبی در یکپارچه سازی شکل از سایه اندازی و استریو

50,000 تومان
تعداد صفحه : 20
حجم فایل : 50 KB
فرمت فایل : Word

لینک دانلود بعد از اضافه کردن پروژه به سبد خرید و پرداخت آن در اختیارتان قرار خواهد گرفت.

توضیحات

پروژه کاربرد شبکه های عصبی در یکپارچه سازی شکل از سایه اندازی و استریو

چکیده: در این مقاله شیوه ساده و موثر برای ساختار سازی دوباره سطوح سه بعدی ارائه می شود که با استفاده از از یکپارچه سازی شکل از سایه اندازی (SFS) و استریو است در ابتدا یک الگوریتم SFS جدید ارائه شد که برای بدست آوردن نقشه عمقی سطح سه بعدی با استفاده از مدل انعکاس لامبر تیان کلی و خطی است. بعد از آن دقت نقشه عمقی بهبود بخشیده شد که با پیوند داده های عمق استریو بوده است. داده های عمیق پراکنده استریو در نقاطی بدست آمد که عدد با شباهت بیشتری در بخش اصلاحی جفت تصاویر استریویی داشت شبکه عصبی با تغذیه به سمت جلو مورد استفاده قرار گرفت تا یکپارچه سازی SFS و داده های عمق استریو انجام بگیرد که بخاطر خصوصیت تقریبی تابع غیر خطی قوی آن است فرآیند یکپارچه سازی بر مبنای اصلاح سطح تصویری قابل دید سه بعدی بود که از SFSبا استفاده از داده های استریو بدست آمد. آزمایشات روی تصاویر واقعی و مصنوعی انجام شد که برای نشان دادن شیوه دقیق و قابلیت استفاده است.

  1. مقدمه:

بازیابی شکل از سطوحاشسا یک اصل خاص در تصویر کامپیوتری است. این مورد هدفش بازیابی شکل شی یا محاسبه نقشه عمقی است (یعنی فاصله بین حسگر دوربین و اشیا در صحنه) این مورد دارای دامنه گسترده ای از کاربرد ها مثل ساختار سازی دوباره سه بعدی (عمل جراحی، معماری و …)، اندازه گیری فاصله از موانع (رباتیک، کنترل ابزار و…) ساختار سازی دوباره سطوح سیاره ها از عکس های گرفته شده بوسیله هواپیما ها و ماهواره ها و… است. محاسبه اطلاعات عمقی صحنه سه بعدی از تصاویر استریویی ۲بعدی گرفته شده از وضعیت های مختلف دوربین به عنوان ساختار سازی دوباره استریویی نامیده می شود. یکی از معایب ساختاری دوباره این استریئ این است که اطلاعات عمقی در مورد نقاط داده پراکنده فراهم می کند و از این رو نمی تواند برای ساختاری دوباره متراکم استفاده شود. سایع اندازی یک راه حل منحصر به فرد برای بازیابی شکل اشیا سه بعدی است بخاطر وجود آن در همه جا که تحت شرایط روشنایی در همه حالت است. پس از آن هرچند بسیاری از شکل های موجود از الگوریتم (SFS) سایه اندازی  نمی تواند اطلاعات عمق سه بعدی در حاشیه سطوح فراهم کند. به علاوهن این الگوریتم ها مشکلاتی با سطوح نیروی بازتابش و کروی دارند. از اینرو عملکرد تصاویر سه بعدی می تواند بهبود یابد وقتیکه منابع مختلفی از اطلاعات در مورد صحنه سه بعدی مثل استریو سایه اندازی و محیط مرئی وجود دارد.

  1. تحقیق پیش زمینه و تسهیم: