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

深度图像超分辨率重建MATLAB和C语言代码.深度图像超分辨率重建MATLAB和C语言代码.

深度相机获取的三维点云数据，可以用于机器人环境建模。

经矫正的双目图像，使用区块划分后进行匹配，提取深度信息，并绘制深度图像 经矫正的双目图像，使用区块划分后进行匹配，提取深度信息，并绘制深度图像

Qt 5.11.3。 这是源代码。 安装包在，它支持Windows和Linux平台

快速强大的噪点深度图像边缘检测

数据来自kinect生成的图像

pytorch深图像抠像 该存储库包括的非官方pytorch实现。 表现 模型 SAD↓ MSE↓ 毕业↓ 康恩↓ 关联 阶段0 59.6 0.019 40.5 59.3 第一阶段 54.6 0.017 36.7 55.3 阶段0-我们的 56.01 0.0173 33.71 57.57 第一阶段 54.42 0.0175 35.01 54.85 跳过我们的第一阶段 52.99 0.0171 31.56 53.24 较低的指标显示更好的性能。 对于stage1-our-skip模型，训练批处理= 1，图像= 43100，历元= 12，大约需要1天。 测试maxSize = 1600。 GPU内存> = 10GB 更新 2020.09.09：使用最新模型（stage1-skip-sad-52.9.pth）运行demo.py，并更新可视化结果

中值过滤代码matlab 基于深度图像的渲染（DIBR） 此存储库包含基于深度图像的渲染（DIBR）算法。 给定原始相机的RGB图像和深度图像，该程序可以从虚拟相机的视点合成虚拟图像。 另外，可以从原始相机和虚拟相机之间的N个视点生成N个虚拟图像。 1.要求 任何与R2018a编写的代码兼容的matlab版本 2.运行代码 main.m ：给定原始和虚拟相机参数后，此函数将生成单个虚拟图像。 输出图像将仍然具有生成的伪像。 要删除这些removeArtifacts.m需要使用removeArtifacts.m 。 DIBR_Multiple ：该脚本需要设置N的值以生成N个视图。 removeArtifacts.m ：该脚本将获取生成的虚拟图像和蒙版图像（由DIBR.m函数生成），并应用中值滤镜（以去除较小的Kong）以及FMM上漆算法。 3.输出 3.a. 生成虚拟映像（“ main.m”） 输入RGB图像 输入深度图像 输出图像 输出遮罩 3.b. 修补生成的虚拟图像（“ removeArtifacts.m”） 输入RGB图像 输入遮罩 中值滤波后输出 喷涂后输出 4.参考 I.