随着信息时代的到来,虚拟现实(Virtual Reality,VR)和增强现实(Augment Reality,AR)出现在人们的日常生活中。深度数据在其中所扮演的角色也愈发重要。2010年之前,深度数据的获取需要专业的设备,这些设备高昂的价格以及复杂的计算使得深度数据无法大范围应用在人们的日常生活中。2010年微软推出了Kinect,它是世界上第一款消费级的深度相机。Kinect可以获取高质量的深度数据以及与之对应的彩色图像,并可应用于骨骼追踪、面部表情识别、语音识别等领域。Kinect所拥有的广泛的应用范围以及低廉的价格决定了它良好的研究与应用前景。Kinect的低成本使得其得到广泛应用的同时,降低了其所获取的深度数据的质量,这对许多应用造成底层限制,因此如何提高Kinect获取的深度数据的质量成为了当下研究的热点。本文分析了Kinect的工作原理,针对Kinect获取的深度数据中存在的物体边缘裂缝问题、彩色图像和深度图像边缘不对齐问题以及较大区域深度数据缺失问题进行了研究处理,主要工作内容如下:1.迭代自适应中值滤波算法。针对Kinect获取的深度数据中物体边缘处存在着裂缝的问题,本文提出了迭代自适应中值滤波算法。这一算法依据深度数据之间存在相关性的原理,在中值滤波过程中加入空洞点检测和迭代修复处理,在成功滤除离散空洞点、修补裂缝的同时,可以很好的保持深度图像中的物体边缘信息。2.基于分层的深度数据校正算法。本文深入探究Kinect获取深度数据的原理,对深度图像中物体边缘与彩色图像中物体边缘不对齐的问题进行分析,发现产生该问题的原因为:红外光线和自然光线的畸变率不同以及深度摄像头和彩色摄像头之间存在距离。针对边缘不对齐问题,本文提出了基于分层的深度数据校正算法,其中心思想是基于深度图像中像素之间存在相关性,利用直方图对深度数据进行分层,结合彩色图像的边缘信息实现校正。其具体过程是:通过对深度图像进行迭代自适应中值滤波以及图像形态学操作来减少细小空洞点和裂缝对后续操作的影响;然后根据直方图来对深度图像进行分层处理,借助彩色图像的物体边缘来对深度图像的物体边缘逐层进行校正,再根据一定的规则将分层的深度图像进行融合,最终实现了深度图像和彩色图像中的物体边缘一致,为解决后续的深度数据缺失问题提供了基础。3.自适应深度数据修复算法。较大的深度数据缺失区域直观地反映到深度图像中就是较大的空洞,而如何解决深度图像中较大的空洞问题是提升深度图像质量的难题。针对这一问题,本文提出自适应深度数据修复算法,将深度数据缺失区域分为平滑数据缺失区域和非平滑数据缺失区域。针对平滑数据缺失区域,本文提出以结构相似度作为权重系数来对缺失的深度数据进行填充;针对非平滑深度数据缺失区域,本文将双边滤波的思想引入快速行进算法,并将结构信息加入到权重系数中,实现了非平滑深度数据缺失区域的修补。本文所提出的自适应深度数据修复算法,最大程度的利用了彩色图像中的信息,实现了缺失深度数据的填充,扩大了Kinect获取的深度数据应用范围。本文针对Kinect获取的深度数据所存在的三大问题,分别提出了三种算法。通过实验结果分析,本文所提出的算法针对以前的算法有相当的改进之处。