49、基于机器学习算法融合的图像分割技术解析

基于机器学习算法融合的图像分割技术解析

1. 深度计算与数据处理

在图像分割的过程中，深度计算是一个重要的环节。其中，$x - x’$ 被称为视差，$z$ 为深度值。由于深度与视差成反比，理论上的最小深度受最大视差值的限制。通过引入人工视差偏移（即人为减小公式中的分母），可以修改有效深度计算的范围。例如，使用偏移量 86 时，深度范围可调整到大约 99.83 毫米至 246.08 毫米，这与设备期望的工作范围相对应。

2. 软件处理流程

获取的深度图和彩色图像会按照以下流程进行进一步处理：
- 预处理 ：
- 滤波 ：使用多种滤波器来弥补深度图的各种不足，提高其整体质量。例如，空间噪声通过一种基于一维指数移动平均（EMA）计算的滤波器进行校正，该滤波器由一个额外参数控制，以保留深度图中实际边缘的完整性。同时，在时域上对连续的深度图应用相同的滤波原理，以减少静态场景中深度值的小变化所表现出的时间噪声。此外，深度图中缺失的深度值（即空洞）会使用相邻的左侧深度值进行填充。
- 对齐 ：由于分割算法同时使用颜色和深度信息，因此深度值与彩色像素的对齐非常重要。对齐过程基于相机的内参将像素坐标进行逆变换转换为相机坐标，然后使用测量的外参关系对两个帧进行对齐。
- 颜色空间转换 ：对于彩色帧，算法考虑了三个输入域：RGB、HSV 和基于颜色和纹理的特征集。
- 图像变换 ：包括调整大小和切片等操作，将设备的原始数据转换为每个算法所需的格式。