[发明专利]一种基于改进迭代收缩阈值算法的微观3D重建方法

说明书

本发明公开了一种基于改进迭代收缩阈值算法的微观3D重建方法，包括设定相对模糊度初值，计算热扩散方程的解，求解能量方程判断是否小于能量阈值，小于能量阈值时直接得到深度信息值，不小于能量阈值时计算加速算子带入迭代公式，重新进行梯度估计，利用割线线性搜索求出的最优迭代步长带入迭代公式，再求出深度信息值。该方法能加快离焦深度恢复动态优化问题的收敛速度，提高微观3D形貌重建的精度。

技术领域

本发明涉及一种微观3D重建方法，尤其是涉及一种基于改进迭代收缩阈值算法的微观3D重建方法。

背景技术

在微纳米计算机视觉中，基于视觉的微纳米尺度3D形貌重建，对于较全面的理解样品特性和对操作过程进行评估具有重要意义。比较常用的微观3D重建方法主要有体积恢复方法、立体视觉深度恢复方法、聚焦深度恢复方法以及离焦深度恢复方法。与其他的3D重建方法相比，离焦深度恢复方法由于所需图片少、设备简单、操作便利等优点，近些年得到广泛关注与深入研究。离焦深度恢复最早由Pentland提出，该方法利用二维图像的离焦程度特征与景物深度之间的映射关系，反解出景物的三维深度信息。

在景物的离焦深度恢复方法中，首先必须获取景物不同程度的离焦图像，这就导致要改变摄像机参数。但是，在微纳米图像观测中，观测空间非常有限，而且使用的是具有高放大倍数的相机，所以相机的成像模型会随着摄像机参数改变而改变。限于微纳米观测中的条件限制，研究者提出了一种新的基于参数固定的单目视觉摄像机的三维离焦形貌恢复方法。这种方法利用相对模糊度及热辐射方程来求解景物的深度信息，并将深度信息的求解转化成动态优化问题来求解。

但是，在求解离焦深度恢复动态优化问题时，研究者采用经典的迭代收缩阈值算法(ISTA)来求解，由于ISTA算法是梯度下降法的延伸，迭代过程仅考虑当前点的信息进行梯度估计更新迭代点，优化过程呈“之”字形向极小值点靠近，收敛速度比较慢，而且该算法在迭代过程采用固定步长，在迭代过程靠近极小值点时，此时的固定步长可能大于实际的迭代步长，导致算法迭代效率不佳，从而使得重建的微观3D形貌精度不高。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于改进迭代收缩阈值算法的微观3D重建方法，解决离焦深度恢复动态优化过程收敛效率不佳，导致重建的微观3D形貌精度不佳的问题。

本发明技术方案如下，一种基于改进迭代收缩阈值算法的微观3D重建方法，依次包括以下步骤：

步骤一、初始化基本参数，所述基本参数包括第一模糊图像和第二模糊图像；

步骤二、设定第一模糊图像和第二模糊图像的相对模糊度的初始值，并将第二模糊图像以第一模糊图像和相对模糊度表示；

步骤三、将第一模糊图像和第二模糊图像以图像的模糊化用卷积的形式表示并改写为热扩散方程组，计算热扩散方程的解；

步骤四、利用步骤三得到的热扩散方程的解计算能量方程，如果能量小于能量阈值，则由步骤二得到的相对模糊度带入深度信息表达式计算深度信息值；否则，转入步骤五；