9、深度估计与图像分割技术详解

深度估计与图像分割技术详解

1. 深度相机及普通相机深度估计

在图像处理中，深度估计和图像分割是重要的任务。首先我们来看看深度相机的情况。使用 createMedianMask 函数得到的结果有一定效果，但并不完美。例如，在图像右侧，可能会错误地将头发后的阴影区域包含在掩码内，同时错误地排除肩部区域。对于肩部区域排除的问题，或许可以通过微调 numpy.where 在 createMedianMask 实现中的标准来解决。

如果有多个深度相机，可以进行测试，比较它们在支持彩色图像方面的差异，以及在区分远近层的效果。同时，尝试不同的物体和光照条件，观察它们对红外图像的影响。不过，深度相机存在局限性，比如在户外，由于太阳光中的红外成分比相机自身的红外光源亮很多，相机无法看到用于估计深度的红外图案，导致其工作效果不佳。

作为替代方案，我们可以使用普通相机进行深度估计。根据相机视角的不同，有两种方法：
- 立体视觉（Stereo Vision） ：同时使用两个相机。
- 运动恢复结构（Structure from Motion, SfM） ：使用一个相机，通过移动相机在不同时间获取不同视角。

这里假设处理的是静止的物体。立体视觉基于对极几何原理，它通过从相机向图像中的每个物体绘制假想线，在另一张图像中做同样操作，然后根据对应同一物体的线的交点来计算物体的距离。

以下是使用OpenCV进行立体视觉深度估计的代码实现：