概括
本研究介绍了一种深度学习方法,用于使用边缘投影特征测量对高动态范围对象的精确3D测量. 这种新的方法提高了相位检索精度,克服了动态场景传统技术的局限性.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 计量学 计量学 计量学
背景情况:
- 阶段检索准确性对于边缘投影特征测量 (FPP) 中的3D测量至关重要.
- 高动态范围 (HDR) 对象在FPP中提出了诸如边缘和和低对比度等挑战.
- 传统的FPP方法需要大量的HDR对象图像,限制了移动对象的应用.
研究的目的:
- 提出一种基于深度学习的新方法,用于在HDR对象的FPP中准确地进行相位解调.
- 为了解决传统的FPP方法在捕捉HDR对象细节方面的局限性.
- 为了实现更快,更可靠的HDR对象的3D测量,包括那些在运动中的.
主要方法:
- 改进的UNet深度神经网络被用于建立相位调节的"多对一"映射.
- 使用π移位的二进制边缘来捕获更和的边缘信息.
- 深度学习模型经过训练,可以直接从边缘模式中检索包装的阶段.
主要成果:
- 拟议的深度学习方法成功地以高精度检索了HDR对象的包装相.
- 该方法克服了与HDR对象测量固有的边缘和和低对比度的挑战.
- 实验结果验证了深度学习方法的有效性和可靠性.
结论:
- 深度学习,特别是改进的UNet带有π移位的二进制边缘,为HDR对象在FPP中进行阶段解调提供了强大的解决方案.
- 这种方法显著提高了对具有挑战性的HDR目标的3D测量精度和速度.
- 这些发现为在动态和高对比度环境中先进的FPP应用铺平了道路.
