针对已有的对曲面进行局部拟合方法中窗口半径选取难的问题,提出了一种使用移动最小二乘法进行全局曲面拟合的新方法。该方法充分利用最小二乘法形函数多阶连续的特点,能够保持在较高拟合精度的前提下获得深度图像曲面多阶连续的拟合结果,这种拟合结果为计算深度图像的曲面特性提供了便利。利用真实的深度图像进行数值实验,计算结果说明了该方法的有效性。

利用Kinect设备获取深度图像，通过前景提取得到深度图像中的人体目标，使用距离变换（包括欧氏距离、城市街区距离、棋盘距离方法）和图像细化算法（包括Hilditch细化算法和Zhang快速并行细化算法）研究并实现了人体骨骼的提取，通过实验对各算法的运行效果进行了对比分析。同时，利用深度图像具备深度信息这一特点解决了在骨骼提取中出现的人体自遮挡问题。在获取的人体骨骼线基础上根据人体测量比例定位人体各骨骼关节点，最终通过实验证明了该骨骼提取方法的有效性。

深视3D点云数据转换成HALCON深度图像和灰度图像。

为解决传统的使用视频彩色图像序列的智能监控容易受光照、颜色等因素影响的问题,提出结合Kinect深度图像和支持向量机的人体动作识别方法.利用Kinect在监控区域获得实时深度图像,并进行背景擦除,滤波处理和提取Haar特征.通过使用支持向量机的分类算法生成分类器,并对一组特定的静态动作识别结果进行分析.研究结果表明:使用深度图像对于静态动作有较好的识别率,并且与传统的基于彩色图像的智能监控相比,该方法不仅对于光照、颜色等因素不敏感,而且在识别的准确率和效率上均有提升.

simple_depth_registration 更快的ROS深度图像配准 这是一个用Python写的苗条的ROS库，用于计算RGB-D图像的深度值从RGB相机而不是IR相机的角度来看。 现有的解决方案（ depth_image_proc ）存在于包中，但是在处理密度深度图像时会遭受重大性能损失。 运行该节点 请参阅。 订阅的主题 /camera/rgb/image_raw （ sensor_msgs/Image ） RGB相机图像 /camera/depth/image_raw （ sensor_msgs/Image ） 深度图像 发表的话题 /simple_depth_registration/depth_registered （ sensor_msgs/Image ） 注册深度图像 /simple_depth_registration/info_image_unregister

Parsing the Hand in Depth Images，IEEE著名论文，手势识别很准

基于深度图像技术的手势识别方法 理论知识,可做参考用.

要计算伽玛（合成图像和原始图像之间的差异），我们可以通过运行 python gammas.py --rig blender_data/cameraSettings.json --rgb blender_data --depth blender_data --out blender_output --outfile blender_output/gammas.csv --method dibr rgb和depth参数保存rgb和depth数据存储的位置。 在此过程中合成的所有图像都将存储在out目录中，而gamma值存储在outfile csv文件中。 方法参数默认为“ dibr”。 其他方法是“ optflow-depth”（用于计算两个原始深度图像之间的光流）和“ dsqm”。 rig参数指定一个文件，该文件描述相机的rig内部参数和外部参数。 该.json文件看起来像 {

kinect 深度图像的像素值等于计算的对象/表面深度。 但是，吸收或散射 kinect IR 的区域（如光滑表面或锐利边缘）填充为零像素值（表示未计算的深度）。 这些具有缺失信息的区域（由零值表示）需要在使用深度图像之前进行填充。 这个填充过程是通过用周围 25 个像素的统计模式替换零值像素来完成的。 使用统计模式比使用统计平均值返回更清晰的边缘，因为模式仅将周围 25 个像素中的最大出现值插入到中心像素。 用法：[Q,R]=Kinect_DepthNormalization(depthImage) 函数输入：Kinect 深度图像（16 位 png） 函数输出：替换为零值的深度图像，图像中检测到的零像素数。 笔记： 该代码是Karl Sanford在Code Project（ http://www.codeproject.com/Articles/317974/KinectD

借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该