دانلود مقاله ترجمه شده ارزیابی نقشه عمق از تصویر تک نمایی با طبقه بندی هدف مبتنی بر یادگیری بیزی – 2010 IEEE

ارزیابی نقشه عمق از تصویر تک نمایی با طبقه بندی هدف مبتنی بر یادگیری بیزی

Depth Map Estimation From Single-View Image Using Object Classification Based On Bayesian Learning

چکیده

1- مقدمه

2- نشانه های عمق تک چشمی

3- طبقه بندی شی

3-1- نوع شی

3-2- صفات (ویژگی ها)

3-3- طبقه بندی بیزی

4- انتساب عمق

4-1- نقشه عمق اساسی

4-2- انتساب عمق برای اشیاء

5- نتایج تجربی

6- نتیجه گیری

چکیده

تولید صحنه های سه بعدی (3D) از تصاویر دو بعدی (2D)، یک گام مهم برای یک مقدمه موفق به خدمات چند رسانه ای سه بعدی است. در میان مسائل مربوطه، تخمین عمق از یک تصویر تک نمایی احتمالاً دشوارترین و چالش برانگیزترین وظیفه می باشد. در این مقاله، یک روش تخمین عمق جدید با استفاده از طبقه بندی شی بر اساس الگوریتم یادگیری بیزی را پیشنهاد می کنیم. با استفاده از داده های آموزشی از 6 ویژگی، اشیا در تصویر تک نمایی را به 4 نوع مختلف دسته بندی می کنیم. با توجه به نوع، یک مقدار عمق نسبی به هر شی تخصیص می دهیم و یک مدل 3 بعدی ساده را تولید می کنیم. نتایج تجربی نشان می دهد که روش پیشنهادی اطلاعات عمق را به درستی تخمین می زند و یک مدل 3 بعدی را تولید می نماید.

6- نتیجه گیری

به دلیل علاقه به مطالب سه بعدی که به تدریج در حال افزایش است، تکنیک های پردازش تصویرهای سه بعدی توجه بیشتری را جذب می کند. تولید صحنه سه بعدی از یک تصویر تک نمایی یک فناوری ضروری برای محتویات سه بعدی است. در میان مشکلات مرتبط با آن، تخمین عمق مهمترین و پیچیده ترین کار است. در این مقاله، الگوریتم تخمین عمق از یک تصویر تک نمایی با استفاده از طبقه بندی شی بر اساس یادگیری را پیشنهاد کردیم. بر اساس مجموعه داده های آموزشی در مورد 6 ویژگی، اشیا در یک تصویر تک نمایی به 4 نوع دسته بندی شده بود: آسمان، زمین، مکعب و صفحه. با توجه به انواه انها، مقادیر عمق نسبی می تواند با الگوریتم ما اختصاص داده شود. نتایج تجربی نشان می دهد که روش پیشنهادی نقشه های عمق را تخمین می زند که شبیه به درک ما می باشد و می تواند بطور موفقیت آمزی صحنه های سه بعدی از تصاویر سه بعدی را تولید کند.

Abstract

Generation of three-dimensional (3D) scenes from two- dimensional (2D) images is an important step for a successful introduction to 3D multimedia services. Among the relevant problems, depth estimation from a single-view image is probably the most difficult and challenging task. In this paper, we propose a new depth estimation method using object classification based on the Bayesian learning algorithm. Using training data of six attributes, we categorize objects in the single-view image into four different types. According to the type, we assign a relative depth value to each object and generate a simple 3D model. Experimental results show that the proposed method estimates depth information properly and generates a good 3D model.

6- CONCLUSIONS

Because interest on 3D contents is increasing gradually image processing techniques are attracting more attention. The 3D scene generation from a single technology for the 3D contents. Among its relevant problems, the depth estimation is the most significant and complicated task. In this paper, we proposed the depth estimati single-view image using object classification based on the Bayesian learning. On the basis of attributes, objects in a single-view image were categorized into four types: SKY, GROUND, CUBIC, and PLANE. According to their types, relative depth values can be assigned with our algorithm. Experimental results show that the proposed method estimates the depth maps which is similar to our perception, and successfully generates the 3D scene of the input image.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ارزیابی نقشه عمق از تصویر تک نمایی با طبقه بندی هدف مبتنی بر یادگیری بیزی

Depth Map Estimation From Single-View Image Using Object Classification Based On Bayesian Learning