基于彩色图像聚类分割的Kinect深度图像修复算法
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文章节安排 | 第15-17页 |
| 2 Kinect数据采集 | 第17-22页 |
| 2.1 Kinect简介 | 第17-18页 |
| 2.2 Kinect工作原理 | 第18页 |
| 2.3 Kinect数据获取 | 第18-19页 |
| 2.4 误差分析 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 空洞区域修复研究 | 第22-36页 |
| 3.1 算法评价标准 | 第22-23页 |
| 3.2 常见的滤波器 | 第23-28页 |
| 3.2.1 中值滤波 | 第23-24页 |
| 3.2.2 高斯滤波 | 第24-25页 |
| 3.2.3 双边滤波 | 第25-28页 |
| 3.3 基于快速行进法的图像修复 | 第28-31页 |
| 3.3.1 算法的数学模型 | 第28-29页 |
| 3.3.2 单个像素点的修复 | 第29-31页 |
| 3.4 基于联合双边滤波的图像修复 | 第31-32页 |
| 3.5 实验验证与算法比较 | 第32-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 C-均值聚类分割引导的深度图像修复 | 第36-48页 |
| 4.1 图像分割 | 第36-37页 |
| 4.2 引导图像的构建 | 第37-42页 |
| 4.2.1 C-均值聚类算法 | 第38-39页 |
| 4.2.2 基于C-均值聚类的彩色图像分割 | 第39-41页 |
| 4.2.3 彩色图像C-均值聚类分割结果 | 第41-42页 |
| 4.3 修复流程 | 第42-43页 |
| 4.4 实验结果 | 第43-47页 |
| 4.4.1 Middlebury数据集的修复结果 | 第43-45页 |
| 4.4.2 Kinect真实数据的修复结果 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 模糊C-均值聚类分割引导的深度图像修复 | 第48-68页 |
| 5.1 模糊聚类分析 | 第48-55页 |
| 5.1.1 模糊聚类在图像分割领域的应用 | 第49-50页 |
| 5.1.2 FCM聚类算法 | 第50-52页 |
| 5.1.3 最佳聚类数的选择 | 第52-55页 |
| 5.2 算法框架 | 第55-56页 |
| 5.3 引导图像的构建 | 第56-59页 |
| 5.3.1 基于FCM聚类的彩色图像分割 | 第56-58页 |
| 5.3.2 彩色图像FCM聚类分割结果 | 第58-59页 |
| 5.4 改进的双边滤波算法 | 第59-60页 |
| 5.5 改进的FMM算法 | 第60-61页 |
| 5.6 实验结果 | 第61-67页 |
| 5.6.1 Middlebury数据集的修复结果 | 第61-64页 |
| 5.6.2 Kinect真实数据的修复结果 | 第64-67页 |
| 5.7 本章小结 | 第67-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 研究内容总结 | 第68-69页 |
| 6.2 研究内容展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第73-74页 |
| 致谢 | 第74页 |
