分享资料个
迭代收缩阈值算法（ISTA）求解离焦深度恢复动态优化问题时，采用固定迭代步长，导致算法收敛效率不佳，使得重建的微观3D形貌精度不高。为此，提出一种基于加速算子梯度估计和割线线性搜索的方法优化ISTA-FL-ISTA。首先，在每一次迭代中，由当前点和前一个点的线性组合构成加速算子重新进行梯度估计，更新迭代点；其次，为了改变迭代步长固定的限制，引入割线线性搜索，动态确定每次最优迭代步长；最后，将改进的迭代收缩阈值算法用于求解离焦深度恢复动态优化问题，加快算法的收敛速度、提高微观3D形貌重建的精度。在对标准500 nm尺度栅格的深度信息重建实验中，与ISTA、快速ISTA（ FISTA）和单调快速ISTA（ MFISTA）相比，FL-ISTA收敛速度均有所提升，重建的深度信息值下降了10个百分点，更接近标准500 nm栅格尺度；与ISTA相比，FL-ISTA重建的微观3D形貌均方差（ MSE）和平均误差分别下降了18个百分点和40个百分点。实验结果表明，FL-ISTA有效提升了求解离焦深度恢复动态优化问题的收敛速度，提高了微观3D形貌重建的精度。
在微纳米计算机视觉中，基于视觉的微纳米尺度3D形貌重建，对于较全面地理解样品特性和对操作过程进行评估具有重要意义。比较常用的微观3D重建方法。主要有体积恢复方法、立体视觉深度恢复方法、聚焦深度恢复方法以及离焦深度恢复方法。与其他的3D重建方法相比，离焦深度恢复方法由于所需图片少、设备简单、操作便利等优点，近些年得到广泛关注与深入研究。离焦深度恢复最早由Pentland提出，该方法利用二维图像的离焦程度特征与景物深度之间的映射关系，反解出景物的三维深度信息。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !
