相关实验视频
Updated: Jul 13, 2026
08:41
Analyzing Dendritic Morphology in Columns and Layers
Published on: March 23, 2017
9.3K
通过统计分析和DnCNNN在激光成像中的无相解封图像
Yibo Xie1, Jin Cheng2, Shun Zhou1
1School of Optoelectronic Engineering, Xi'an Technological University, Xi'an 710021, China.
Micromachines
|November 27, 2024
概括
这项研究引入了一种使用DnCNN (Denoising Convolutional Neural Network) 来减少3D激光成像中的噪声的新方法. 该技术显著提高了微尺度应用的点云精度.
科学领域:
- 微尺度的3D成像技术
- 精密制造 精密制造 精密制造 精密制造
- 材料科学是一种材料科学.
背景情况:
- 在3D成像中的图像噪声阻碍了准确的点云重建.
- 激光成像噪声,当逻辑转换时,遵循Gumbel分布.
- 对于未封装相位图像的数据稀缺性需要新的培训套件.
研究的目的:
- 为微尺度3D成像开发一种有效的相位解封图像消光方法.
- 为了提高点云重建的准确性和可靠性.
- 为了应对数据收集方面的挑战和缺乏分阶段解封的数据集.
主要方法:
- 激光成像噪声的统计分析以确定噪声分布 (Gumbel).
- 开发一个神经网络培训套件,用于相解封图像.
- 应用一个Denoising卷积神经网络 (DnCNN) 进行2D图像的denoising,以实现3D过.
主要成果:
- 显著减少云到网格距离 (C2M) 统计数据,改善平面适应 (例如,97.5%的2σ从0.8782mm减少到0.3384mm).
- 在真实数据上表现出卓越的无色化性能,包括复杂的石膏雕像和PCB.
- 在微型应用程序的点云重建中提高了准确性和可靠性.
结论:
- 拟议的基于DnCNN的方法有效地抑制了相位未封装激光图像中的噪声.
- 这种方法显著提高了3D点云重建的质量.
- 这项研究为在关键的微尺度成像应用中减少噪音提供了宝贵的见解.
