1、第 44 卷第 3 期2023 年 3 月激光杂志LASE JOUNALVol.44，No.3March，2023http /www laserjournal cn收稿日期:20220911基金项目:山西省教育科学“十四五”规划(No GH21440)作者简介:郝蕊洁(1982)，女，硕士，讲师，主要从事数字图像处理研究。基于深度卷积神经网络的激光三维图像重建方法郝蕊洁，万小红运城学院数学与信息技术学院，山西 运城044000摘要:针对当前的激光三维图像重建方法存在的精度低、效果差，耗时长等难题，为了提高激光三维图像重建效果，提出基于深度卷积神经网络的激光三维图像重建方法。首先采集待重建激光三
2、维图像，采用去噪算法对激光三维图像进行去噪操作，并对去噪处理后的激光三维图像进行增强操作，改善激光三维图像视觉效果，然后采用深度卷积神经网络对激光三维图像进行激光三维图像重建，最后进行了多幅激光三维图像重建仿真测试，结果表明，深度卷积神经网络的激光三维图像重建精度超过 93%，重建后激光三维图像质量得到提升，激光三维图像重建时间控制在 40 ms 以内，可以快速实现激光三维图像重建结果，同时重建后的激光三维图像整体效果要明显优于当前经典重建方法，具有更加广泛的应用前景。关键词:激光成像技术;滤波去噪算法;深度卷积神经网络;三维图像重建;重建效率中图分类号:TN209文献标识码:Adoi:10.
3、14016/j cnki jgzz.2023.03.153Laser 3D image reconstruction method based ondepth convolution neural networkHAO uijie，WAN XiaohongCollege of Mathematics and Information Technology Yuncheng University，Yuncheng Shanxi 044000，ChinaAbstract:In order to improve the accuracy of threedimensional image recons
4、truction based on laser convolution，it is difficult to improve the effect of threedimensional image reconstruction Firstly，the laser threedimensional im-age to be reconstructed is collected，the filtering algorithm is used to denoise the laser threedimensional image，andthe denoised laser threedimensi
5、onal image is enhanced to improve the visual effect of the laser threedimensional im-age Then the deep convolution neural network is used to reconstruct the laser threedimensional image Finally，thereconstruction simulation test of multiple laser threedimensional images is carried out The results sho
6、w that，laser 3Dimage reconstruction accuracy of deep convolution neural network exceeds 93%The quality of laser 3D image after re-construction is improved The laser 3D image reconstruction time is controlled within 40ms，which can quickly realizethe laser 3D image reconstruction results At the same t
7、ime，the overall effect of laser 3D image after reconstruction issignificantly better than the current classical reconstruction methods，and has a wider application prospectKey words:laser imaging technology;filtering and denoising algorithm;deep convolution neural network;3D im-age reconstruction;rec
8、onstruction efficiency1引言随着激光技术、三维技术、图像技术的不断发展，它们在许多领域得到了普遍应用，同时三种技术不断融合，出现了激光三维图像，在医学诊断、工业检测等领域得到成功应用。相对于其他类型的激光图像，激光三维图像能够更加清楚描述对象，如在医学领域，可以帮助医生进行疾病诊断，具有更高的社会价值和经济效益13。由于原始激光三维图像易受到各方面条件的限制，有时激光三维图像无法完整描述对象相关特性，需要通过重建获得更好的激光三维图像，以改善激光三维图像质量，因此，如何设计性能优异的http /www laserjournal cn激光重建方法一直是人们追求的目标，也是激
9、光图像处理领域重要的研究方向46。针对激光三维图像重建问题，相关专家进行了研究，尤其是近年来，进行激光三维图像重建研究人员数量大幅度增加，产生了大量的激光三维图像重建方法7。最初人们采用迭代算法、最大熵法等进行激光三维图像重建，对于简单的激光三维图像，这些方法可以获得较优的激光三维图像重建结果89。但是缺陷也十分明显，如激光三维图像重建效率低，对于复杂的激光三维图像，难以获得高质量的重建结果，使得激光三维图像重建出现伪影10。近几年，出现了基于神经网络的激光三维图像重建方法，其通过小波算法对激光三维图像进行去噪，然后采用神经网络拟合激光三维图像之间的联系，根据拟合实现激光三维图像重建，但是由于
10、神经网络的层次多，本身结构复杂，存在激光三维图像重建耗时长等不足11。有学者提出基于视觉传达技术的激光三维图像重建方法12，该方法对激光三维图像中的噪声十分敏感，抗噪干扰能力差，导致重建后的激光三维图像清晰度无法满足实际应用要求1314。针对目前激光三维图像重建过程中存在耗时长、重建效率低，易噪声干扰等弊端，为了改善激光三维图像重建结果，提出了基于深度卷积神经网络的激光三维图像重建方法，并通过大量激光三维图像重建实验分析其性能。2基于深度卷积神经网络的激光三维图像重建方法2.1激光三维图像的去噪全变分法是一种常用的激光三维图像去噪技术，通常情况下，含有噪声的激光三维图像的全变分比无噪声的激光三
11、维图像全变分大，这样全变分法去噪模型可以描述如下15 minuu dxdy+2(u z)2dxdy()(1)式中，为激光三维图像空间，u=u2x+u2y表示梯度模算子。在进行激光三维图像去噪时，需要尽可能地保存图像中有用信息，但是全变分法去噪后的激光三维图像出现梯度效应，激光三维图像视觉效果差。偏微分方程法是另一种激光三维图像去噪技术，在 偏 微 分 方 程 法 中，采 用 拉 普 拉 斯 算 子2u=2ux2+2uy2()代表梯度模算子(u=u2x+u2y)进行去噪，这样激光三维图像去噪问题可以描述为minuf(2u)dxdy()(2)在实际应用中，应用偏微分方程法进行激光三维图像去噪声，可
12、以有效抑制梯度效应出现，使得激光三维图像区域之间过渡更加自然，但是它易将激光三维图像重要边缘信息当作噪声去除，无法保持激光三维图像的完整性。为了单一全变分法和偏微分方法存在的不足，利用两者的优势，重新设计了激光三维图像去噪方法，具体描述为minuf2u()dxdy+2u dxdy+2(u z)2dxdy(3)式中，为控制系数。采用最速下降法对式(3)进行求解，这样可以得到ut=2(2 2u)u2u()+(uz)()u(x，y，0)=z(x，y)(4)令ut=uk+1ukt，得以如下迭代式u(k+1)=u(k)t2(2 2u)u2u()+(uz)()(5)通过不断迭近，计算迭代前后两次激光三维图
13、像的误差，当误差处于预先设置的阈值范围内，那么迭代停止，此时 u(k)为去噪的激光三维图像。2.2激光三维图像的增强操作去噪后激光三维图像有时亮度不够，对比度低，影响了激光三维图像的清晰度，因此，引入 etinex 算法进行激光三维图像增强操作16。设激光三维图像为 f(x，y)，其可以描述为f(x，y)=L(x，y)(x，y)(6)式中，(x，y)表示激光三维图像的反射分量，L(x，y)表示激光三维图像的照射分量。为了将激光三维图像的反射分量和照射分量分开，需要对上式进行变换操作，可以得到如下等式log10 f(x，y)=log10(x，y)+log10 L(x，y)(7)引入高斯函数对激光
14、三维图像进行卷积操作，可以得到451郝蕊洁，等:基于深度卷积神经网络的激光三维图像重建方法http /www laserjournal cni(x，y)=log10I(x，y)log10 G(x，y)*I(x，y)(8)式中，*为卷积操作，G(x，y)表示高斯函数，其计算公式为G(x，y)=Ke(x2+y2/2)(9)通过 etinex 算法对激光三维图像中暗区的亮度进行提高，对于过亮的区域，降低其对比度，使激光三维图像亮度和对比度更加符合人眼视觉系统，更加柔和与自然，便于后续激光三维图像重建。2.3深度卷积神经网络的激光三维图像重建2.3.1深度卷积神经网络深度卷积神经网络1719 属于前馈
15、神经网络类型，但是相对于传统前馈神经网络，深度卷积神经网络的学习性能更加优异。深度卷积神经网络具有如下优点:(1)局部感知能力，每一个神经元可以感知激光三维图像像素之间的联系，而且这些局部联系可以组成在一起得到激光三维图像的全局联系，为激光三维图像重建打下基础。(2)权值共享能力，不同激光三维图像区域，可以通过卷积层进行特征提取，从不同角度提取激光三维图像重建特征，更加全面地描述激光三维图像区域之间联系。(3)池化层，深度卷积神经网络可以通过增加池化层以降低激光三维图像重建特征维数，同时对激光三维图像的旋转等变换具有较强的鲁棒性，减少激光三维图像重建工作量与重建时间。深度卷积神经网络包括许多卷
16、积层和池化层，通过中间各层对输入层和输出层进行映射，其基本结构如图 1 所示。图 1深度卷积神经网络的基本结构2.3.2基于深度卷积神经网络的激光三维图像重建步骤Step1:采集激光三维图像，对待重建的激光三维图像进行归格化处理，使它们大小和尺寸相同，同时进行水平翻转、平移操作。Step2:组合单一全变分法和偏微分方法设计去噪方法，采用该方法进行激光三维图像去噪操作，减少噪声对激光三维图像的负面影响。Step3:采用 etinex 算法对去噪后的激光三维图像进行增强处理，使激光三维图像亮度和对比度更加合理，提高激光三维图像清晰度，去除模糊性。Step4:将增强处理后的激光三维图图像输入深度卷积神经网络进行训练，采用随机方法初始化深度卷积神经网络相关参数，通过卷积、池化等操作，并计算输出层的误差。Step5:当深度卷积神经网的输出层误差大于实际应用要求，进入误差反馈操作，采用梯度下降法对深度卷积神经网络相关参数进行更新操作，使输出误差不断减少。Step6:当深度卷积神经网的输出层误差小于实际应用要求，建立最优激光三维图像重建模型。Step7:采用建立的模型进行激光三维图像重建实验，分析其
