基于卷积神经网络的光场图像深度估计
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外的研究现状 | 第10-14页 |
| 1.2.1 光场相机成像技术的发展 | 第10-12页 |
| 1.2.2 深度信息获取研究现状 | 第12-13页 |
| 1.2.3 本课题研究现状 | 第13-14页 |
| 1.3 本文工作内容及章节安排 | 第14-15页 |
| 第2章 光场成像理论与传统光场图像深度估计方法 | 第15-27页 |
| 2.1 光场的基本理论与光场相机成像原理 | 第15-17页 |
| 2.1.1 光场基本理论概述 | 第15-16页 |
| 2.1.2 四维光场模型 | 第16-17页 |
| 2.2 光场相机模型与原理 | 第17-20页 |
| 2.2.1 光场相机设计模型 | 第17-18页 |
| 2.2.2 光场相机成像原理 | 第18-20页 |
| 2.3 传统光场图像深度计算方法 | 第20-26页 |
| 2.3.1 关于光场成像中的视差 | 第20-22页 |
| 2.3.2 基于立体视差的深度估计 | 第22-24页 |
| 2.3.3 基于焦点堆栈的深度信息提取 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 人工神经网络与卷积神经网络结构与原理 | 第27-39页 |
| 3.1 人工神经网络模型 | 第27-32页 |
| 3.1.1 单个神经元结构 | 第27-28页 |
| 3.1.2 多层人工神经网络模型 | 第28-30页 |
| 3.1.3 反向传播算法介绍 | 第30-32页 |
| 3.2 卷积神经网络 | 第32-36页 |
| 3.2.1 卷积神经网络结构 | 第32-34页 |
| 3.2.2 卷积层 | 第34-35页 |
| 3.2.3 池化层 | 第35-36页 |
| 3.2.4 全连接层 | 第36页 |
| 3.3 卷积神经网络的训练 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 光场数据集分析与构建 | 第39-47页 |
| 4.1 当前公开数据集分析 | 第39-41页 |
| 4.2 数据集构建 | 第41-44页 |
| 4.2.1 数据集构建原理 | 第41-44页 |
| 4.3 数据集构建方法 | 第44-46页 |
| 4.3.1 提取EPI块区域 | 第44-45页 |
| 4.3.2 去除无效区域 | 第45页 |
| 4.3.3 平衡数据集 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于卷积神经网络的深度估计 | 第47-57页 |
| 5.1 卷积神经网络的模型介绍 | 第47-48页 |
| 5.1.1 AlexNet卷积神经网络 | 第47-48页 |
| 5.2 本文采用的卷积神经网络模型 | 第48-50页 |
| 5.2.1 采用单网络模型进行训练 | 第48-49页 |
| 5.2.2 采用双子网络模型共同训练 | 第49-50页 |
| 5.3 仿真实验 | 第50-53页 |
| 5.3.1 两个网络模型的预测结果对比 | 第50-51页 |
| 5.3.2 深度图像全局优化 | 第51-53页 |
| 5.4 仿真结果与性能 | 第53-55页 |
| 5.4.1 实验结果 | 第53-54页 |
| 5.4.2 算法性能评价与对比 | 第54-55页 |
| 5.5 本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 本文作者硕士期间取得的科研成果 | 第64-65页 |
| 致谢 | 第65-66页 |
