Resumen

Los actuales métodos semiautomáticos de 2D a 3D presuponen que la entrada del usuario es perfectamente precisa. Sin embargo, es difícil obtener garabatos 100 Sin embargo, es difícil obtener garabatos 100 % precisos, e incluso pequeños errores en la entrada degradan la calidad de la conversión. En este artículo se aborda el problema con la confianza en el garabato, que tiene en cuenta las diferencias de color entre los píxeles etiquetados y sus vecinos. En primer lugar, cuenta el número de vecinos que tienen valores de color similares y diferentes para cada píxel etiquetado, respectivamente. La relación entre estos dos números en cada píxel etiquetado se considera su confianza en el garabato. En segundo lugar, la conversión de profundidad dispersa a densa se formula como un problema de optimización de confianza mediante la introducción de un término de coste de datos de ponderación de confianza y los términos de regularización coherentes de profundidad local y k más cercana. Por último, el mapa de profundidad densa se obtiene resolviendo ecuaciones lineales dispersas. El enfoque propuesto se compara con los métodos existentes en varias imágenes representativas. Los resultados experimentales demuestran que el método propuesto puede tolerar algunos errores de entrada de uso y puede reducir los artefactos del mapa de profundidad causados por la entrada inexacta del usuario.

• Materias:Ingeniería electrónica Redes Inalámbricas Modelo computacional Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Computational Model Signal processing computer-assisted Data processing
• Palabras claves:confianza del garabato, término de coste de los datos de ponderación de confianza, garabatos precisos del usuario, problema de optimización de confianza, términos de regularización coherentes, conversión de profundidad densa, diferentes valores de color, entrada inexacta del usuario, varias imágenes representativas, ecuaciones lineales dispersas
• Keywords:scribble confidence, confident weighting data cost term, accurate user scribbles, confident optimization problem, consistent regularization terms, dense depth conversion, different color values, inaccurate user input, several representative images, sparse linear equations