从阴影恢复形状的径向基函数反射模型研究

摘要：

目的 为解决传统阴影恢复形状(SFS)算法由于光源方向初始信息估计不准确,恢复的物体表面过于光滑,3维表面形状误差较大等问题,建立了基于径向基函数神经网络的反射模型,并对传统的神经网络进行了改进.方法 建立的基于径向基函数(SFS)神经网络的从阴影恢复形状反射模型代替了传统方法中采用的理想朗伯体表面反射模型.该模型利用径向基函数优秀的局部映射和函数逼近能力来处理SFS问题,通过网络训练过程中的权值代替物体所受到的初始光源信息,解决了传统算法在进行计算时,必须已知光源参数的限制.在该网络模型中添加自适应学习率算法,加速网络的收敛和训练速度.结果 针对SFS问题处理的两幅经典合成图像以及两幅实际图像进行了实验,实验结果表明,改进后的算法在3维视觉效果和3维形状信息的恢复方面都明显优于传统算法.归一化后的3维高度误差结果相比传统算法缩小了60％以上,而且同时适用合成图像和实际图像;自适应学习率的加入,使得网络的训练速度大大加快,对一幅128×128像素的图像,运算速度提升了50％.结论 本文针对SFS问题建立了基于RBF神经网络的从阴影恢复形状反射模型,利用网络模型中的参数代替SFS问题中的初始光源信息,通过最优化方法求解SFS问题.并针对传统的神经网络固定学习率造成网络收敛速度慢,容易陷入局部极小值的问题,加入了自适应学习率算法.实验结果表明,改进后的算法在处理该SFS问题时表现了优秀的性能,适用范围更广,收敛速度更快.

关键词：从阴影恢复形状、径向基函数、神经网络、反射模型、3维重建

所属期刊栏目：22

分类号：TP751.1(遥感技术)

在线出版日期：2017-12-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1565-1573