Frankot and Chellappa算法
目前存在许多基于梯度数据的三维重建算法,根据积分思想的不同,主要分为基于局部的积分方法和基于全局的积分方法。
局部积分技术 | 全局积分技术 |
---|---|
容易执行且计算速度快 | 减小了整体误差,适用于噪声大的数据 |
依赖于数据的准确性和积分路径选择 | 代价方程的选择与实现 |
Frankot and Chellappa积分方法假设重建面满足如下方程:
W = ∬ Ω [ ( Z x − p ) 2 + ( Z y − q ) 2 ] d x d y → m i n W= \iint_\Omega {[(Z_x- p)^2 +(Z_y-q)^2} \,{\rm ]dxdy}\to min W=∬Ω[(Zx−p)2+(Zy−q)2]dxdy→min
其中,(Zx ,Zy)为重建面的梯度场,p,q为所测得的梯度场。基本思想是:重建面型的梯度场与测得梯度场的总体误差最小化,通过傅里叶变换将一系列不可积的梯度场映射到频域中一系列可积的基本函数的组合。从而把积分问题转换到频域中进行面型重建。
FC算法假设实际面形梯度和估计梯度满足最小二乘近似,整体差别最小,该算法是一种全局积分算法。
根据傅里叶变换性质:
Z x ( x , y ) ⟺ j u Z F ( u , v ) \Z_x(x,y) \iff juZ_F(u,v) Zx(x,y)⟺juZF(u,v)
Z y ( x , y ) ⟺ j v Z F ( u , v ) \Z_y(x,y) \iff jvZ_F(u,v) Zy(x,y)⟺