虚拟视点影视合成基于无线网络通信的智能算法的图像修复

文摘

随着计算机视觉领域的发展,场景深度信息的获取是一个重要的主题在计算机视觉的三维重建领域,和它的意义尤为重要。本文的目的是研究虚拟视点视频合成图像恢复基于无线网络通信的智能算法。针对漏洞问题造成阻塞的变化关系,提出了一种基于背景hole-filling方法识别。阈值分割算法被用来减少的前景像素填充优先洞的边界,充分解决孔的问题。本文还提出了一种无线传感器网络节点定位模型与群体智能算法,它结合了群体智能算法和无线传感器网络的一些关键问题,加快收敛速度,改善了传统的智能算法。根据本文中的实验数据,本文算法比传统算法在PSNR值高出大约20%。SSIM,本文算法的性能比传统的算法高出4.6%,最低的为2.2%。

1。介绍

1.1。背景意义和创新

free-viewpoint近年来,大力推广视频,除了关注每一帧的图像恢复质量,图像序列中时间的连续性的问题,也获得了广泛的关注。使用真正的纹理信息在时间方向上是更重要的比真实的纹理信息的使用时间的方向。图像的纹理信息修复是很重要的。目前,国内学者很少注意虚拟视点视频的时间连续性,和大多数人仍然留在空间域。关键技术在现代社会中,无线传感器网络在现代社会中发挥着不可替代的重要作用,已逐渐成为国内外的一个重要研究领域。节点定位技术在无线传感器网络是一个非常重要的。它支持的实现拓扑结构、路由和区域范围。准确的节点位置信息是非常重要和必要的。在很多情况下,数据没有位置。无线传感器网络本身的一些特点也可以反映在某些节点的定位。

作为最重要的部分获得双目视差,multieye立体视觉系统中,虚拟视点是被动深度采集的核心技术。近年来,它一直是国内外学者的重要研究对象,同时也成为双目和multieye立体视觉。由于其简单的原则,不需要编码和解码,和场景和相机硬件要求低,虚拟的观点吸引了注意力的深度。近年来,其研究逐渐增加,其应用领域越来越广泛。,人们的日常生活中,和其他方面扮演越来越重要的角色。随着无线传感器网络应用范围的不断增加,新的研究课题继续出现。如何实现有效和可靠的节点定位是无线传感器网络应用的基础。等关键问题是相关的路由、拓扑和覆盖率。实现这将推动其他领域的进步和发展。如果节点的准确定位是实现,它将加速传感器网络的各个方面的研究进展和拓宽其应用领域,具有深远的意义。

在无线网络通信图像恢复、图像去噪的研究问题也值得人们的思维。在空间域滤波,最经典的图像去噪方法去噪包括最大过滤、平均滤波,维纳滤波。这些空间域方法的一个共同特征是执行相同的操作整个图像的所有像素。这也将导致他们无法有效地去除噪声,特定的同时,去噪效果通常是低于预期的结果。为了解决空间滤波的缺点,人们使用频域图像去噪方法,它可以将图像转换为频域转换后在空间域。因此,图像信息分为两个部分,高频和低频噪声存在于高频部分。图像处理在频域;这种方式可以有效地保留原始图像中大量的信息而不会被摧毁。然而,这种方法不能有效地去除噪声,如果噪声与图像重合,没有明显的分离。

稀疏表示也被成功地应用于图像去噪。如果这个稀疏的去噪方法想要达到理想的去噪效果,它需要一个更好的稀疏变换方法,也就是说,它需要少量的稀疏获得原始数据的主要特征。此外,非局部自相似性和BM3D有很出色的图像去噪效果。他们有更好的性能,特别是对常规的和重复的纹理图像。然而,非局部自相似性通常需要去噪的具体特性。其次,非局部自相似性模型通常凸和涉及多个手动选择参数。

本文的目的是(1)解决无线网络通信的问题障碍,同时确保无线网络的安全;(2)的图像恢复到自动化的逐步发展,删除文本对象,等等,在图像、视频、等,已由原来的恢复刮痕和污渍;(3)探索无线网络通信在图像去噪的结果。

本文的创新如下:(1)针对大量漏洞的问题在一个单一的观点,纸浆包的图像修复算法提高了数据项。(2)针对漏洞问题造成阻塞的变化关系,hole-filling方法提出了基于背景识别。(3)性能的量子粒子群优化的混合算法与和谐搜索研究及其仿真进行验证,并应用于无线传感器网络节点的定位。

1.2。相关工作

瓦利等人考虑的结构和运动估计问题多视图teleconference-type序列及其应用在视频序列压缩和中间视图生成。立体像对的方法估算结构,一种新颖的图像对齐方法,提出了多视图序列编码器(1]。王等人被认为是立体的结构和运动估计问题teleconference-type序列及其应用在立体序列压缩和中间视图生成。通过提取前景对象和研究下左边和右边的图像之间的关系,左右图像对的冗余是用于压缩的图像对,同时,虚拟视点生成左右图像对之间(2]。范等人认为,虚拟筛选方法已经成为一种适应性反应,大量的吞吐量合成和筛选技术。基于结构渗透范式,他讨论了三种可能的虚拟筛选方案优化亲和力和药代动力学性质3]。北岛康介本人等人认为,微软的Kinect体感摄像头被释放产生深度和彩色图像。由于Kinect使用红外模式,它将创建洞和噪声在获得图像中对象的边界。还会有闪烁的和不匹配的边缘。他们提出了一个实时虚拟视图视频合成算法,解决了这些问题,生成高质量的虚拟视图(4]。李等人提出了一个用户模型的虚拟视点图像的主观质量评价(VVI)自由视点视频系统。VVI adjacent-viewpoint彩色和深度图像呈现。它是一种新型的图像生成的人机交互(HCI) free-viewpoint视频系统。在此系统中,由多视图摄像机捕获的自然场景,用户可以从任意角度观察现场,无论是真实的还是虚拟的(5]。根据Huszak和光环,根据体现图像处理装置包括一个图像采集单元,一个信息采集单元,单元,一代合成单元,确定单元和显示控制单元。生成单元生成一个视图环境的虚拟视点图像的车辆虚拟观点基于捕获的图像。合成单元综合提供通知的通知图像存在的障碍与虚拟视点图像检测到的位置。显示控制单元控制通知的显示格式图像合成的虚拟视点图像基于位置信息(6]。Huszak光环并提出一种新的立体匹配算法的空虚和虚假轮廓虚拟视图渲染技术中存在的问题,完成虚拟视图合成得到密度差异的地图。通过反复观察过滤错误匹配点和闭塞的地区,多点虚拟视图绘制完成。Salwe和奈克提议VHO机制,使用图像作为动态离散数据的传输和交换机制基于接收信号强度(RSS)。工作的新颖性在于图像数据用于仿真,RSS计算使用空间传播模型,接收延迟计算,纸浆包接收的数据的时间序列分析。结果表明,当VHO机制是实现设备在ISM波段操作,它提供了一个无缝连接不同通信协议(7]。赵等人提出了一种新的3 d图像传输方法使用网络计算(公司)整体成像。在积分成像,3 d对象的信息可以记录为多个基本2 d图像用不同的视角,所以发送的数据量是非常大的。因此,3 d图像通过无线网络的传输效率很低。为了提高传输效率,我们决定的基本图像之间的相关性,减少传输的数据量(aapl . o:行情),这使得网络中的中间节点传输之前压缩相关的图片。实验结果表明,这种方法不会显著降低3 d图像的视觉质量,但它可以显著降低的传输数据量(8]。王等人提出了一个节能图像压缩传输方案,提供低感兴趣的区域提取、能源驱动的图像质量控制和鲁棒图像通信与无线摄像机网络丢包。该方案的性能进行了研究在图像质量方面,执行时间和能源消耗。此外,验证该方案的实际部署相机传感器节点,测试结果表明,该方法是可靠和可行的资源受限的无线摄像机网络(9]。伊斯兰教等人提出了一种新的健壮的解决方案,以减少传统无线网络的局限性。程序使用一个软件定义图像传感器网络(SD-ISN)的可伸缩性和可靠性,以确保传感器网络处理数据丢失。最后,在仿真中,该SD-ISN与传统无线网络相比,测试该SD-ISN方法的鲁棒性和有效性(10]。詹等人已经开发出一种新颖的聚合成本,包括引导图像,快速聚合函数,简化扫描线优化。实验表明,与最新的聚合方法相比32明德立体数据集,该算法具有竞争力的准确性和速度(11]。东和Gunduz推出了数模混合动力车称为SparseCast无线图像传输方案,它提供了一个优雅的信道质量的退化。通过压缩传感SparseCast利用频域稀疏提高端到端重建质量同时降低带宽需求。该算法产生一个线性信道信噪比之间的关系(CSNR)和峰值信噪比(PSNR)不需要知识的发射机的通道状态。SparseCast基准测试两种算法:SoftCast BCS-SPL。研究结果表明,该算法是关于3.1 dB比SoftCast和14.8 dB比BCS-SPL [12]。

2。方法的虚拟视点影视合成基于智能的图像恢复算法的无线网络通信

2.1。智能算法的发展

群体智能的优势主要体现在以下方面:没有集中控制,个人退出或失败,不能影响整个问题的解决方案,并具有较强的鲁棒性13]。组是自组织的,粒子群优化算法的性能尤为突出。简单的粒子通过合作表现出复杂的群体智能行为。没有特殊要求的连续性问题的定义,它不仅可以解决连续优化问题也离散优化问题。组中的每个个体不是孤立的,可以通过改变自己的改变环境信息,和系统相对强劲的可伸缩性14]。

从表1,它是一种群体智能算法的研究现状。群体智能算法是基于行为的社会动物,建模和重建这个模型(15]。蚁群的集体觅食过程和鸟殖民地反映单个个人的能力有限,但该组织通过合作可以完成复杂的任务和分工。优化目标的过程基于群体行为反映了人与人之间的相互合作和共享的信息达到最优的目标。适用于解决优化问题和反映了良好的解决算法的特点。它证明了它有强大的能力和无与伦比的优势,它有一个良好的发展前景在现代社会的快速发展16]。

作为一种新的进化计算技术,群体智能算法已经成为越来越多研究者关注的焦点。它有一个非常特殊的连接与人工生命,特别是进化策略和遗传算法。研究领域主要有两种算法的群体智能理论:蚁群算法和粒子群优化算法。蚁群算法是一种模拟蚁群的食物收集过程,它已成功应用于许多离散的优化问题。粒子群优化算法也源于简单的社会系统的仿真。起初,它是模拟成群的鸟儿觅食的过程,但后来发现是一个不错的优化工具。

粒子群优化算法是一种进化计算技术,它起源于鸟类捕食行为的研究。蚁群算法是一种群体智能算法。这是一群愚蠢或略智能个人显示智能行为通过相互合作,从而为解决复杂问题提供了新的可能性。文化算法是一个两层的演化机制。文化作为知识库中人们的过去的经验存储,以便未来可以学习经验知识,他们没有直接经验的知识库中。人工鱼学校算法是模拟鱼的觅食行为的学校。该算法具有良好的求解全局最优解的能力,对初始值和参数的要求低,鲁棒性强,且容易操作。它在许多领域得到了广泛的应用。

粒子群算法过程:(1)初始化:初始化粒子群(粒子群粒子在总),分配一个随机的每个粒子的初始位置和速度;(2)计算适应度值:计算每个粒子的适应度值根据适应度函数;(3)找到最好的健身价值的个人:对每个粒子,比较它的当前位置的健身价值和健身价值对应于历史上最好的位置,如果当前位置的健身价值较高,当前位置是用来更新历史最佳位置;(4)找到最好的健身价值的组:对每个粒子,比较它的当前位置的健身价值和健身价值对应全球最佳位置。如果当前位置的健身价值较高,更新全球最好的位置与当前位置;(5)更新粒子位置和速度:更新每个粒子的速度和位置根据公式;(6)确定算法:如果不满足结束条件,返回步骤2;如果是满足结束条件,算法结束;和全球最佳位置是全局最优解。

蚁群算法的过程:(1)初始化相关参数,包括蚂蚁初始化群体大小、信息素因子,启发式函数因子,信息素挥发因子,信息素常数,和最大迭代次数,并读取数据到程序中,对数据和执行基本的处理,比如城市的坐标位置转换成一个矩阵之间的城市。(2)随机蚂蚁在不同的起始点,并计算每只蚂蚁的下一个城市去,直到更新信息素表有蚂蚁访问所有的城市。(3)计算路径长度(公式),每只蚂蚁,记录当前迭代最优解的个数,并更新信息素浓度在每个城市的连接路径。(4)确定是否达到最大迭代次数,如果没有,回到步骤2;否则,终止程序。(5)输出程序的结果,并输出相关指标的过程中,程序优化,运行时间和收敛的迭代的数量等。

2.2。无线网络的体系结构

2.2.1。网络结构

如图1,它是无线网络的网络结构。一个典型的传感器网络由节点集合,通信节点、传输网络和管理节点。有大量的传感器节点监测区域,用于意义,收集、和监控信息在指定区域,然后使用某种传输路由到节点集合,然后通过互联网或卫星媒体,通过无线传输,最后达到上层的计算机监控系统。每个传感器节点不仅要有能力连接到对方,沟通和定位,还收集和转发数据的完成任务17]。

2.2.2。节点的物理结构

如图2,它是物理无线传感器网络节点的组成。传感器节点是无线传感器网络的基本功能单元和网络的核心。通信单元由一个通信数据收发器来完成无线通信与其他节点;能源供应是由电源,提供所需的电能为整个节点(18]。节点的大小和质量都相对较小,和电池只能提供有限的电力供应。在节点设计中,基于节能的原则和最大的生活,长寿命电池和低功耗设备应使用(19]。

2.3。相机标记算法

深度图像获取深度数据预处理后,利用深度图像坐标系统,这是一个二维直角坐标系 - - - - - - 在像素; 代表了行深度图像的像素列。

对应点的深度值吗 ,和 相应位置的红外摄像机在深度图像的中心坐标系统。

其中,让

然后,这个矩阵红外摄像机的内部参数矩阵,和它也有吗

接下来,您需要将相机坐标空间中的坐标映射到在世界坐标空间的坐标。公式如下:

矩阵是一个 旋转矩阵。使

然后,这个矩阵摄像机的外部参数矩阵在时间吗 。

结合上面的公式,这个公式深度信息映射到世界坐标空间可以得到:

校准模板是一个平面,它假定值在世界坐标系中总是0,和用的公式 在二维空间中的点坐标的三维世界坐标系统可以获得:

然后,有

在哪里是相机的内部参数矩阵,让

然后,有

分解成列向量的形式,让

然后,有

其中,和代表了旋转系数。自轴和轴相互垂直,有

订单:

显然,这个矩阵是一个标准的对称矩阵,因此6-dimensional向量可以设置为

矩阵的列向量是

根据正交性,

在

然后让

可以看出,最后矩阵是一个 矩阵,所以至少需要3个样品来获得所需的矩阵 ,然后,内部参数矩阵和外部参数矩阵能够解决。

2.4。立体匹配算法在深度图像采集

立体匹配是计算机视觉技术的一个热门研究领域,它是一个重要的一步虚拟视点渲染和三维重建。在拍摄的过程中,物体的三维世界投射到二维平面,失去原有的几何信息(20.]。为了恢复真正的三维场景信息,有必要建立匹配的关键对象的两个图像立体匹配的帮助下,确定三维空间中物体的坐标根据相机的基本几何原理,并画出深度映射(21]。由于发病率的立体匹配问题,特别是在弱纹理区域,对象的边缘不连续的深度,和闭塞的地区,立体匹配的影响仍需要改进(22]。如图3的流程图,它是虚拟视点合成算法基于图像恢复。

立体匹配是一个重要的研究领域获取深度图像在计算机视觉23]。立体匹配的核心目的是获取图像中像素的对应关系由同一场景不同的观点,并通过这种对应关系,可以找到差距的拍摄场景地图,地图和所得差距是后续研究的深度地图(24]。但在实际操作中,我们会发现有很多的问题,影响立体匹配的准确性,如变形、闭塞,不匹配的地区。在当前的研究中,所使用的立体匹配算法主要介绍基于区域的立体匹配算法和基于特征的立体匹配算法。密集立体视差估计是计算机视觉应用的一个重要组成部分。然而,基于功能特性的差异估计技术只计算差异的几个已知特征点,所以无法估计的图像(25]。在这篇文章中,一个图像分割方法基于一种改进的遗传算法和特征匹配技术为核心的方法提出了实现密集立体视差估计。

2.5。困难的虚拟视点图像

2.5.1。孔的问题

小腔的面积很小,显示一两个像素的大小。它的形成有三个主要原因:首先,物体的图像大小不同是由于视点位置的变化(26]。相同的对象,因为它是在不同的观点立场,对象的大小显示在成像平面上的观点是不一样的,而且可能有压缩或扩展对象的图像大小。物体的成像大小已经发生了翻天覆地的变化,但是参考图像的采样率不变,所以小洞会出现在成像平面的虚拟视点。第二个是不准确的深度图。由于轻微的不同对象的深度值在同一深度平面,当3 dwarping映射到虚拟视点图像平面上,会有错误的像素位置的映射,导致小洞几个像素宽(27]。第三是映射的像素坐标的舍入处理。当投射到虚拟视点成像平面通过3 dwarping映射方程,绘制像素坐标不一定是整数,图像上的像素的位置坐标是整数值。有一个四舍五入小数点坐标为整数坐标的过程,所以会有小洞形成的舍入误差坐标(28]。

例如,由于视点的转换位置,现场看到的形象从一个观点不同于从其他角度的图片,就像我们的眼睛看到不同的场景。因为目标遮挡关系对象,背景像素被我们参考视点图像中前景对象不能映射到虚拟视点图像(29日),所以相对会形成大面积的洞在虚拟视点图像。

边界孔主要是由于照相机的视野的限制。将会有几像素宽孔区域的虚拟视点图像边界。边界孔增加之间的距离参考观点和虚拟视点位置的增加,尤其是对水平放置相机。

2.5.2。问题的工件

除了孔问题,前景物体的边缘轮廓常常出现在背景区域生成的虚拟视点图像。这类问题被称为“工件”,也称假边缘在一些文学作品。关于这个问题有两个主要原因。首先,参考不同的观点会有细微的差别在照明条件下由于不同的观点。像素颜色将出现在图像的差异,从而导致多个参考视点合成虚拟的使用。视点的图像,基于映射的主要参考观点,辅助参考观点填入洞时,像素颜色的差异导致的颜色填充孔面积和主要参考角度偏离,这将形成前孔的边缘“构件”的问题。第二,在同样的观点,彩色图像和深度图像不完全对应,特别是过渡区域像素的边缘的对象是不同的。深度图的像素边缘的对象的深度值是突然的,和过渡区一般锐利,而在彩色地图,像素的边缘过渡对象相对平静,导致前景物体的边缘轮廓像素映射期间由于不准确的深度值。在虚拟视点图像背景区域投影形式“工件”。

2.5.3。重叠的问题

重叠现象,顾名思义,就是多个像素参考图像中不同位置映射到相同的位置在虚拟视点图像由于不精确的深度值。关于这个问题有两个主要原因:首先,深度值不连续的参考图像,尤其是对物体的边缘像素,这样相邻像素被映射到相同的虚拟视图图像的像素坐标,因为他们的深度值的关系。其次,由于客观场景中物体之间的遮挡,它可能会导致两个像素下可见参考观点被映射到虚拟视点重叠。

2.5.4。时间的连续性问题

目前,大多数的算法来解决这个问题的“构件”和洞是有限的重复处理每一帧的虚拟视点图像,忽略了图像坐标系,坐标系之间的关系。因此,从视频序列作为一个整体,不能保持图像序列的时间连续性,这将导致进攻闪烁问题,特别是在边缘的对象(30.]。

3所示。实验装置

3.1。介绍了实验

这个实验提出了一种hole-filling DIBR方法(31日]。这种方法使用一个观点的纹理信息和其相应的深度信息,形成一个虚拟视点下的图像通过图像转换,解决了工件和工件中生成虚拟视点合成工艺(32]。

3.2。实验过程

如图4,它是实验方法的流程图。首先,在图像上执行图像处理。图像转换后,小洞填满。小的空隙填满后,仍有洞,out-of-field的空隙填满,最后生成虚拟视点图像(33]。

3.3。特定的方法

3.3.1。图像变换处理

双边滤波预处理执行深度图的参考角度保护边缘和消除噪声平滑深度地图。

如图5左边的图像是原始图像,右边是图像的伪彩色处理深度(34]。观察图片,可以看出不同距离的对象显然是杰出的,但仅仅依靠颜色不是相对直观的看到多远的对象是相机(35]。

图6显示了深度处理后的图像。当数据被转换为灰度值的像素通过线性化方法,灰度值的距离很近,很难区分,分布过于集中,影响图像的直觉(36]。因此,为了解决图像中的不自然的颜色过渡,无法提供一个统一的和分层的视觉效果,图像需要进行深加工。

3.3.2。填满小空间

图的左边的图像7是一个映射图像与一个小空间,右边是一个图像后填写的小空间。绘制图像,小洞,本文使用的方法填满小洞一层一层地,第一次填洞的边界点,然后将填充层内部层,避免图像恢复方法的使用来填补这个洞,节省时间。非现场空白,本文采用一种改进的智能算法,使用加权平均的结构性趋势数据元素来维护当地纹理深度信息的一致性,并使用一种改进的块距离计算公式来改善图像质量来填补这个漏洞。

3.3.3。生成二进制映像的虚拟的观点

如图8,左边是二进制图像填充之前,和正确的切割和充填后的二进制映像使用大津阈值算法。为了减少前景像素的填充顺序在洞的限制,以避免前景像素的不匹配,导致填充错误,另一方面,提出了一种新的源空间识别方法,使用深度和阈值信息来识别相关背景的部分作为一个候选块搜索区域。同时提高额不匹配,它有效地维护当地的相关背景纹理的一致性。

4所示。实验结果和分析

4.1。比较分析的客观质量

本文采用两个客观评价标准,PSNR和SSIM。PSNR值是一种很常见的图像质量客观评价标准。单位是dB。PSNR值越大,虚拟视点的图像质量越好。SSIM是图像结构的相似性指数的评价。SSIM的值越接近1,图像的质量越好。

如图9腔面积,本文利用群智能算法PSO的四种方法,算法,CA, AFSA实验相比,解决图像中裂缝和工件的问题变化的过程。它可以发现,最后文本AFSA算法是有效的,除了它是略低于CA算法的芭蕾舞 数据集,数据集高于其他算法。

如图10,实验比较算法和ACO算法,和CA AFSA算法在本文中。可以看出本文ACFA算法比CA算法高出一个脑袋在每个数据集字段。PSNR比较还是SSIM比较,本文的填充效果更明显,并填充的结果是最好的。

如图11100 -框架,这是一个测试序列BA43 PSNR值比较。这是一个比上面的图更直观的数据比较算法。它可以清楚地看到,证明本文算法具有更高的PSNR值比其他算法,比传统PSO算法高出大约20%。

如图12,这是一个100 -帧SSIM BA43比较在测试序列。可以看出AFSA算法明显高于其他算法。下半年的测试系列,虽然有个人不安,它比其他三个更稳定的算法,具有更好的鲁棒性,有更好效果的填坑。它是好的。SSIM,这个算法的性能是4.6%高于传统算法,和最低是2.2%。

4.2。无线网络研究的现状

过去二十年的发展主要体现在硬件技术的不断升级和各种网络相关技术的不断成熟,和良好的研究理论成果和技术取得了应用效果。

如图13的分布地图,这是以前的无线传感器网络的研究方向。无线传感器网络是指一组空间分散和专用传感器用来监测和记录环境的物理条件和组织收集的数据在一个中央位置。在某种意义上,他们是类似于无线ad hoc网络。他们依靠无线连接和网络的自发形成,所以传感器数据可以无线传输。无线传感器网络是一种分布式自治空间传感器,用于监测物理或环境条件,如温度、声音、和压力,通过网络传输数据的主要位置。更现代的网络是双向的,所以控制传感器也可以进行的活动。在过去的研究中,研究了能源问题最多。能源消费是最重要的要解决的问题,在初始阶段,限制其他技术的发展,网络路由紧随其后。技术和定位等几个关键技术问题。

如图14,它是一个分布的地图目前无线传感器网络的研究方向。可以看出,在不断的实践中,新的问题不断出现,人们越来越多的关注问题,如安全性和流动性。如今,科学技术的发展不断蔓延到生活和生产领域,得到了广泛关注和符合时代发展的需要。

4.3。Nonrange定位算法

基于距离测量的定位可以实现精确定位和适合应用程序的情况下,要求定位精度高,但是这往往需要高的无线传感器节点的硬件需求。在某些情况下精度要求不是太高,nonrange定位技术也可以使用。

从表2表,这个表是一个比较没有测试和没有距离算法。上面的四个算法都有自己的优点和缺点。DV-Hop无线算法不是基于距离测量。节点部署后,最小数量的啤酒花和每个乘以啤酒花的平均距离,从节点的距离信息位于3个或多个锚节点。MDS-MAP算法是一个集中的定位算法,解决了节点的坐标通过连接node-ranging信息和你的邻居节点之间的关系。排算法可以估计坐标的节点仅基于节点之间的连通性。APIT算法是非常直观的通过图形化描述,包括未知节点,计算多边形的质心包括未知节点的最终位置未知节点。这四种算法的精度很好,和节点密度相对较高。虽然APIT算法最大的锚节点密度、传输是不规则的,定位误差很小。每个算法都有自己的突出点。

5。讨论

本文主要是基于无线网络通信智能算法,提出了一个虚拟视点合成方法基于图像恢复技术,它结合了无线网络通信智能算法的图像恢复技术来获得高质量的虚拟视点图像。基于图像的虚拟视点生成技术具有以下优点:(1)基于图像的虚拟视点生成方法主要是传统的图像处理算法,程序实现相对简单;(2)摄影器材用于获得参考图像的要求很低,不需要专业设备,和更好的结果可以通过民用数码相机或者手机镜头;(3)由于只使用图像处理技术和不需要执行场景中物体的三维重建,基于图像的虚拟视点生成技术是不受限制的场景。它不会影响效果由于过度场景的复杂性或光干扰和其他因素的存在;(4)同样的原因没有必要进行三维重建,获得的结果,基于图像的虚拟视点生成技术不会有锐利的边缘和不准确的材质由于建模和不会影响现实不足由于过度几何痕迹。

随着科学技术的快速发展和公众的持续改进的要求,视觉体验,虚拟视点生成技术已逐渐进入人们的视线,成为计算机视觉领域的一个热点问题。目前,有许多优秀的基于虚拟视点生成技术的应用程序,他们都能带来良好的视觉体验。有许多方案的生成虚拟视点,其中计划可以获得令人震惊的效果需要昂贵的设备和复杂的计算。基于深度图像的虚拟视点生成算法可以实现平衡实施效果和较低的投资成本和获得更好的结果。与此同时,图像恢复技术也有很多目标和应用程序。例如,在摄影和电影行业,该技术用于修复电影和恢复退化的电影。它也可以用来删除红色眼睛,照片上的日期,水印,等等,甚至可以实现一些特殊的效果。图像修复技术也可以用来取代失去数据在数字图像的编码和传输。在未来,图像恢复和虚拟视点视频合成基于智能算法的无线网络通信也成为一个重要的研究对象。

6。结论

随着人工智能和机器视觉的发展,场景的深度信息发挥着日益重要的角色,和深度图像,作为一种常见的技术手段来获取深度,越来越广泛应用于研究。本文通过咨询相关文献,虚拟视点渲染技术研究和基于深度图像的虚拟视点渲染的方法得到了改进。为了减少渲染的计算成本,简化图像生成和图像进行了研究,和几个现有的深度提取技术进行评估。一些最先进的方法已经被修改,以适应实际情况。通过比较几种无线网络智能算法的效率和质量,产生新的观点,得出本文改进算法更高效和新视点生成更好的质量。与传统的固定重量融合方法相比,本文算法具有更好的虚拟视图图像质量的结果。由于时间和精力有限,还有很多地方值得进一步研究本文的工作。例如,由于深度图的不精确,投影在绘图过程中可能造成的错误。未来的研究可以考虑的组合深度相机和立体匹配算法的准确性最大化深度地图,如何更好地利用时间域信息来提高孔的填充,等等。在未来,我们将探索,当人眼实际观察三维物体在空间中,左边和右边的眼睛从不同的角度将现场图像。 The three-dimensional display system simulates this process by allowing the viewer’s left and right eyes to see images from two different perspectives. After the human brain observes the images from the two perspectives, it uses the convergence-focusing process, and the objects in the image have a front-to-back occlusion relationship, and combines past experience and other factors to comprehensively construct the structural information of the entire three-dimensional space. Form a sense of depth that is different from traditional two-dimensional images, The three-dimensional video presentation methods all take advantage of this feature, allowing viewers to observe images from different perspectives through different means, so as to obtain a three-dimensional experience.

数据可用性

没有数据被用来支持本研究。

的利益冲突

本文作者指出,没有利益冲突。

引用

1. 刘瓦利,z, c .吴”boostingprocedure variational-based图像恢复,”数值数学理论方法和应用,11卷,不。1,49 - 73年,2019页。视图:出版商的网站|谷歌学术搜索
2. 黄y, z h·朱w·李曹x,和r·杨”互动free-viewpoint视频的一代。”虚拟现实与智能硬件,卷2,不。3、247 - 260年,2020页。视图:出版商的网站|谷歌学术搜索
3. f·肖,Z.-L。熊,h·邓y兴,Q.-H。王,”元素图像阵列生成方法通过使用基于图像的渲染算法优化深度积分成像显示,“学会杂志》上的信息显示,26卷,不。7,419 - 426年,2018页。视图:出版商的网站|谷歌学术搜索
4. k .佐藤j . Nishida h . Takatori, k .铃木“童年:可穿戴适合增强孩子体验”,日本的虚拟现实社会的交易,22卷,不。1,第80 - 71页,2017。视图:谷歌学术搜索
5. g . y . l . Li Peng秋z太阳,和s .刘”的调查为人脸识别虚拟样本生成技术,”人工智能审查,50卷,不。1,1,2018页。视图:出版商的网站|谷歌学术搜索
6. 一个。Huszak和b .光环”,优化相机free-viewpoint视频流交接计划,”多媒体系统,24卷,不。1,第256 - 241页,2018。视图:出版商的网站|谷歌学术搜索
7. Salwe和k·k·奈克,”离散图像数据传输在异构无线网络使用垂直交接机制,“专业图像处理,11卷,不。7,550 - 558年,2017页。视图:出版商的网站|谷歌学术搜索
8. h . m .赵h . Lee h . Choi和b . Javidi”三维图像传输使用无线多幅相机网络中的计算,”电子设备的社会,IEE,5卷,不。6,445 - 452年,2017页。视图:出版商的网站|谷歌学术搜索
9. d . y . Wang Wang x张j .陈和李y,“节能图像压缩传输无线摄像机网络”,IEEE传感器杂志,16卷,不。10日,3875 - 3886年,2016页。视图:出版商的网站|谷歌学术搜索
10. 答:伊斯兰教,m·a·侯赛因n . t . le c . h .香港和y . m .张成泽“健壮的软件定义为图像传感器网络计划,”《华尔街日报》的韩国通信与信息科学研究所第41卷。。2、215 - 221年,2016页。视图:出版商的网站|谷歌学术搜索
11. 顾詹y, y、x张et al .,“立体匹配基于成本高效的导航下聚合。”Ieice &系统交易信息E99卷。D,没有。3、781 - 784年,2016页。视图:出版商的网站|谷歌学术搜索
12. t . y .东和d . Gunduz SparseCast:数模混合无线图像传输利用频域稀疏,”通信信件,IEEE,22卷,不。12日,第2454 - 2451页,2018年。视图:谷歌学术搜索
13. 即Mittelberg”,经历和解释从内部空间构件:模拟工件浸没式多通道的观点的策略,”认知语言学,28卷,不。3、381 - 415年,2017页。视图:出版商的网站|谷歌学术搜索
14. z f·陈,陈、彭et al .,“虚拟视图PSNR值预测基于深度变形公差模型和支持向量机,”应用光学卷,56号30日,第8554 - 8547页,2017年。视图:出版商的网站|谷歌学术搜索
15. z刘、张,j . Chakareski和y,“多重描述编码和恢复自由视点视频无线多路流”IEEE选定的主题在信号处理杂志》上,9卷,不。1,第164 - 151页,2015。视图:出版商的网站|谷歌学术搜索
16. y Unuma和t .现年”(纸)3 d互动与虚拟对象在精确追踪视图使用透明的移动AR系统”尽管交易媒体技术和应用程序,5卷,不。2,49-56,2017页。视图:出版商的网站|谷歌学术搜索
17. 长谷川t . Nishi m .松田m . et al .,“自动构建多智能体系统使用企业E-catalogues虚拟供应链,”国际自动化技术杂志》上,14卷,不。5,713 - 722年,2020页。视图:出版商的网站|谷歌学术搜索
18. 佐藤r . m . Kamezaki s . Sugano, h .岩田聪”基本框架的视图系统允许遥控机器人pre-acquire空间知识从调查和路线的角度,“遥控机器人与虚拟环境,27卷,不。3、309 - 332年,2020页。视图:出版商的网站|谷歌学术搜索
19. 问:c .钟”启动的长途旅行(企业家的观点),“IEEE电力电子杂志,5卷,不。2、16 - 2018页。视图:出版商的网站|谷歌学术搜索
20. t . p . Kersten s Deggim f . Tschirschwitz m . Lindstaedt和n . Hinrichsen”Segeberg 1600 -一张stadtrekonstruktion在虚拟现实中,“Kartographische后,卷68,不。4、183 - 191年,2018页。视图:出版商的网站|谷歌学术搜索
21. y张和g .范”3 d场景视点评价方法,概述”虚拟现实与智能硬件,1卷,不。4、341 - 385年,2019页。视图:出版商的网站|谷歌学术搜索
22. m . Tanimoto”(free-viewpoint电视)和它的国际标准化,根据民”IEIE事务在智能处理和计算》第六卷,没有。6,415 - 427年,2017页。视图:出版商的网站|谷歌学术搜索
23. m·p·Leovic h . n .罗宾斯m·r·福利和r . s . Starikov”的“虚拟”产科重症监护室:提供当代产科急救护理在非传统的位置,”产科麻醉消化,37卷,不。4、196 - 197年,2017页。视图:出版商的网站|谷歌学术搜索
24. f·科斯塔和a . s . Pelissari”企业形象:从学生的角度影响因素的远程学习课程,“BBR。巴西商业评论,14卷,不。1,第130 - 108页,2017。视图:谷歌学术搜索
25. o .Čertik f . Gardini、g . Manzini和g . Vacca“虚拟单元法对polytopal网格特征值问题与潜在的条款,”数学的应用,卷63,不。3、333 - 365年,2018页。视图:出版商的网站|谷歌学术搜索
26. 大肠Marchiori、大肠Niforatos和l . Preto”分析用户的心率数据和自我报告的认知理解有效的虚拟现实的特点,“信息技术和旅游,18卷,不。1 - 4、133 - 155年,2018页。视图:出版商的网站|谷歌学术搜索
27. a . m . Jarc和m . j .刮匙”观点的问题:目标性能指标符合手术,外科内窥镜控制在“外科内镜没有,卷。31日。3、1 - 11,2017页。视图:谷歌学术搜索
28. l . Gan j . Du,傅x”虚拟现实远程控制系统基于图像,”Acta Technica CSAV (Ceskoslovensk发育Ved),卷62,不。1,第468 - 457页,2017。视图:谷歌学术搜索
29. l . w .左t·罗g . y .江m . Yu和w·高,“深度图的信息隐藏算法3 d-hevc基于视点视频的特点,“Guangdianzi客人/光电激光杂志》上卷,29号5,530 - 538年,2018页。视图:谷歌学术搜索
30. r·科普兰·m·科普兰美国Ahvar: Crespi, o . Shagdar和r·杜兰”汽车虚拟边沟通(用)和车辆inter-agent服务编排和资源(面罩),“《电信,卷74,不。9 - 10,655 - 662年,2019页。视图:出版商的网站|谷歌学术搜索
31. w . y . Liu, l .汉m .塔拉斯z陈,“快速填充算法基于轮廓的图像恢复平价,”电脑,材料和连续,卷62,不。3、509 - 519年,2020页。视图:出版商的网站|谷歌学术搜索
32. 耿l, c .崔问:郭,妞妞,g . Zhang和p .傅“健壮的核心张量的字典学习与改进的高斯混合模型对多光谱图像恢复,”电脑,材料和连续,卷65,不。1,第928 - 913页,2020。视图:出版商的网站|谷歌学术搜索
33. h .泉l .履w . Tinghuang z Haitai,和t . Yip”优化研究故障自愈恢复配电网络的基于多代理技术,”电脑,材料和连续,卷65,不。1,第878 - 865页,2020。视图:出版商的网站|谷歌学术搜索
34. z d . Zhang梁,g·杨,李问:l·李和x太阳,”一个健壮的伪造检测exemplar-based对象删除的图像修复算法,”多媒体工具和应用程序,卷77,不。10日,11823 - 11842年,2018页。视图:谷歌学术搜索
35. f·d·张x Chen Li a . k . Sangaiah x叮,“Seam-carved图像篡改检测基于相邻枸杞多糖的共存,”安全性和通信网络卷,2020篇文章ID 8830310, 2020。视图:出版商的网站|谷歌学术搜索
36. t·李·d·康、k . Yoon和Seo,“基于感性绘画图像显示系统,”智能自动化&软计算,26卷,不。1,第192 - 181页,2020。视图:谷歌学术搜索

版权

版权©2021张剑锋。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。