基于图像的自由曲面三维形状重构方法(Shape from Shading,简称SFS)是一种重要的非接触曲面测量手段,具有无损、全场、快速等优点,近年来成为基于视觉的曲面测量研究领域的热点和难点。该方法最早是美国MIT的Horn为了解决月球表面的重构问题于上世纪七十年代提出的,经过近三十年的研究发展,目前已广泛应用于工业制造业、遥感分析、物体识别定位等领域。 但是,SFS方法的整个理论体系尚未完善,其研究必须解决三个方面的难题：1)建立合适的光照模型；2)光源方向参数估计算法；3)SFS算法的精度、速度及鲁棒性。现有SFS方法的研究重点主要集中在提高基于Lambert光照模型的辐照度方程的求解算法上,很少有考虑光照模型本身引起的问题,而且算法运行时间较长、鲁棒性较差,对光源方向参数也多是以已知或固定形式来进行讨论的,很少涉及到光源方向参数估计算法。 本课题来源于国家自然科学基金资助项目(69684001)和广东省科技攻关项目(2004810201009),其在对SFS方法分析的基础上,主要完成了以下几方面的研究及创新： 1 对光照模型的改进近年来基于Lambert光照模型的各种SFS方法所对应的非线性偏微分方程组的求解算法,在精度方面始终未能获得较大突破,其主要原因在于:Lambert光照模型是一个经验模型,未能考虑观察方向和物体曲面反射特性对光反射强度的影响,无法客观地描述光反射现象的物理过程。因此,本文通过对光反射现象的详细分析,将光照模型的主要影响因素归纳为漫反射分量和镜面反射分量,然后以Lambert光照模型为基础,对其增加镜面反射分量,将Lambert光照模型和简化了的Torrance-Sparrow光照镜面反射模型以加权相加的形式构成适用于SFS方法的混合光照模型。该混合光照模型比传统的光照漫反射和镜面反射模型精度高,降低了SFS方法对物体曲面反射特性的要求,并具有相对简单的数学表达形式,实用性较强,基本满足了SFS方法的需要。 2 对传统SFS方法的改进在传统最小值方法中使用基于图像的光源方向参数估计算法及分层算法,并提出最小值方法的硬件实现方法以及掩模整体处理方法,大大降低了最小值方法的计算复杂度,提高了其重构速度；在传统演化方法的迭代过程中,提出噪声处理方法,避免了误差的累积问题,提高了演化方法的鲁棒性。 3 对基于神经网络的SFS方法的改进由于传统算法求解复杂,在迭代过程中容易收敛到极小值,且涉及到可积性和光源方向参数的估计问题,因此,本文提出基于神经网络直接求解表面高度或表面法线的方法。将神经网络看作是光照模型及辐照度方程逆向求解的非线性逼近函数,对图像中每个像素点进行学习,然后在待重构曲面上直接计算各点的表面高度或表面法线。神经网络方法中的主要问题是网络模型的建立与层间权值的学习算法,因此,本文对Lambert光照模型建立基于S形触发函数的网络模型,对混合光照模型建立六层网络模型,并分别提出改进的参数学习算法,对物体每个像素点的曲面反射率及光照漫反射与镜面反射模型的加权系数进行学习调整,进一步改善了SFS方法对曲面的重构效果,有效地克服了传统SFS方法迭代计算不收敛、计算复杂度高等问题。 4 对积厚文档扫描图像校正方法的改进对于已装订好的厚书,扫描时由于不能将页面平展于扫描仪的玻璃平面,会产生两种形变：图像中装订线一侧出现黑色的阴影；靠近装订线一侧的文本行发生弯曲。传统的积厚文档扫描图像校正方法存在模型参数过多且难以确定、对硬件设备要求高等缺点,因此,本文提出基于图像及SFS方法的校正方法。由于纸张是漫反射效果极好的材料,所以该方法对积厚文档建立Lambert光照模型,并利用SFS方法及几何原理对其曲面高度进行重构,进而完成形变校正,增强积厚文档扫描图像的可读性和可处理性。该方法效果较好,通用性较强,速度较快。