臺灣博碩士論文加值系統

本論文主旨在於2D轉3D影像之過程中的深度給予與應用。明確地說，我們有效地利用影像中各種深度線索來做深度的分層，像是影像各區塊的清晰程度、亮度與紋路的密集度，雖然每種特徵值的計算方法不同，但是他們確實都是由一個共通的概念所啟發：特徵資訊能提供有效的線索來幫助我們找出影像中潛在的興趣區域。根據各階段的應用，我們將這篇論文分成四大主題：尋找影像特徵值、SVM特徵值分類、逐層逐界式切割區塊、各層影像切割與深度給予。
依照不同的影像類型去分配需要搜尋的特徵值，在界定深度特徵值時我們利用SVM投票系統將深度特徵由近而遠分成四類，利用這四類深度我們將特徵值最強烈(最近)的一類找出來，界定出第一層也就是最上層的區塊。訂出最上層後，利用其餘區塊之深度特徵值以此類推往下界定出各層。當影像中各層切割完成後，將各層分別做影像切割，找出各層中的主要物件，再由各層去賦予該物件應有之深度。
在2D轉3D的研究中，精準且真實的全自動轉換2D影像是不可能的，本論文的方法可將手動修改的部分最小化，並具有實際商業化之價值。

This thesis is aim to apply the depth during the 2D to 3D image. We effectively use various depth information such as clarity of the image, lightness and intensity of texture in our images to layer the depth. Although each feature is calculated in different ways, they are inspired by a common concept, that is, feature information can help us to find areas of potential interest in the image.
According to the application of each stage, this paper has four topics, including searching image features, SVM classification, Cutting block layer-by-layer and depth assignment. We assign different depth features by different types of images. To define the depth of the features, we use SVM voting system to separate the depth feature from near to far into four classes, the strongest depth feature is selected to be the first layer, and so on. After that, we use image segmentation to identify the main objects of each layer, finally, we give the proper depth to objects corresponding to the layer.

目錄
中文摘要 I
ABSTRACT II
致謝 III
目錄 V
圖目錄 IX
第一章 緒論 1
1.1 研究背景與動機 1
1.2 論文架構 2
第二章 相關研究 3
2.1 3D影像拍攝相關研究 3
2.2 2D轉3D相關研究 4
2.1.1 SFM (Structure From Motion) 4
2.1.2 DFC(Depth From Cues) 5
2.3 深度資訊相關研究 7
大氣透視 7
梯度紋理 8
色彩亮度 8
重疊 9
動態視差 9
線性透視 10
2.4 SVM(Support Vector Machine)相關研究 11
Support Vector Machine簡介 11
Support Vector Machine 之概念 11
SVM流程介紹：前處理 12
SVM 理論說明 13
KKT (Karush-Kuhn-Tucker) Conditions 15
Support Vector and Overview 15
Non- Separable Cases 16
2.5門檻值設定 17
第三章 研究方法 19
3.1多層邊界錨點產生器(multi-layer edge-anchors generator，簡稱MEG) 20
3.1.1 建立掃描線 20
3.1.2尋找錨點 21
3.1.3錨點深度特徵值擷取 22
 大氣透視 22
 梯度紋理 22
 色彩亮度 23
3.2基於擷取錨點之SVM分類 24
3.2.1決定特徵值使用類別 24
3.2.2 SVM投票處理器 26
3.3逐層逐界式程序 28
3.4 單層之Mean-Shift物件切割 29
3.5 Depth Assignment 30
第四章 實驗結果 31
4.1判定影像種類 31
4.2 SVM錨點分析 32
4.3 逐層逐界式程序 33
4.4 各層Mean-Shift切割 35
4.5深度分配 36
第五章 結論與來來展望 38
5.1 結論 38
5.2 未來展望 38
參考文獻 40







圖目錄
圖2.1、2D影像及其深度圖 5
圖2.2、2D轉3D流程圖 5
圖2.3、大氣透視圖 7
圖2.4、紋理漸層圖 8
圖2.5、色彩亮度示意圖 9
圖2.6、物件重疊示意圖 9
圖2.7、線性透視圖 10
圖2.8、SVM分類示意圖(一) 12
圖2.10、SVM分類示意圖(三) 12
圖2.11、SVM分類示意圖(四) 16
圖2.12、HISTOGRAM THRESHOLDING示意圖 17
圖3.1、本文方法流程圖 20
圖3.2、掃描線建立圖 21
圖3.3、人物圖 24
圖3.4、建築物 25
圖3.5、風景圖(一) 25
圖3.6、風景圖(二) 26
圖3.7、投票機制圖 27
圖3.8、邊界建立圖(一) 28
圖3.9、邊界建立圖(二) 29
圖3.10、MEAN-SHIFT色彩單一化 29
圖3.11、區塊內主物件 30
圖3.12 區塊色彩統計圖 30
圖4.1、影像前處理 31
圖4.1、影像前處理 32
圖4.2、錨點圖 33
圖4.3、錨點及邊界處理(一) 33
圖4.4、錨點及邊界處理(二) 34
圖4.5、錨點及邊界處理(三) 34
圖4.6、各層劃分結果 35
圖4.7、MEAN-SHIFT處理套上各層邊界 36
圖4.8、原始影像 36
圖4.9、各區深度圖 37

[1] 賴文能,陳韋志, “淺談 2D至3D視訊轉換技術,” 影像與識別, Vol.16, No.2, 2010.
[2] 陳明民，數位立體影像之理論探討與創作實驗之研究，國立嘉義大學視覺藝術研究所碩士論文，中華民國九十四年十二月
[3] C. Fehn, “Depth-Image-Based Rendering (DIBR), Compression, and Transmission for a New Approach on 3D-TV,” Proc. SPIE Conf. Stereoscopic Displays and Virtual Reality Systems XI, Vol. 5291, pp. 93–104, 2004.
[4] Erin L. Allwein, Robert E. Schapire, and Yoram Singer. Reducing Multiclass to Inary: A Unifying Approach for Margin Classifiers. Journal of Machine Learning esearch, 1:113–141, 2000.
[5] Ianir Ideses, Leonid Yaroslavsky, Barak Fishbain, “Depth Map Manipulation for 3D Visualization,” 3DTV Conference: The True Vision - Capture,
[6] J. H. Friedman. Another Aproach to Plychotomous Cassification. Technical report, Stanford Department of Statistics, 1996.
[7] L. Po, X. Xu, Y. Zhu, S. Zhang, K. Cheung and C. Ting, “Automatic 2D-to-3D Video Conversion Technique Based on Depth-from-Motion and Color Segmentation , ” IEEE 10th International Conference on Signal Processing (ICSP), pp.1000-1003, Oct, 2010.
[8] M. T. Suzuki, Y. Yaginuma, T. Yamada, Y. Shimizu, A Shape Feature Extraction Method Based on 3D Convolution Masks, The Second IEEE International Workshop on Multimedia Information Processing and Retrieval (IEEE-MIPR/ISM 2006, pp.837--844,San Diego, USA, 12/2006.
[9] M. Kaushal, A. Singh , B. Singh, “Adaptive Thresholding for Edge Detection in Gray Scale Images,” Proc. International Journal of Engineering Science and Technology, Vol. 2(6) pp.2077-2082, 2010.
[10] P. Harman, J. Flack, S. Fox and M. Dowley, “Rapid 2D to 3D Conversion,” Proc. SPIE, Vol. 4660, pp.78-86, 2002.
[11] R. Chao, H. Wu, and Z. Chen, “Image Segmentation by Automatic Histogram Thresholding”, in Proc. Int. Conf. Interaction Sciences, 2009, pp.136-141.
[12] R. Sandhu, S. Dambreville, A. Yezzi and A. Tannenbaum, “A Nonrigid Kernel-Based Framework for 2D-3D Pose Estimation and 2D Image Segmentation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 33, pp. 1098-1115, Jun, 2010.Transmission and Display of 3D Video, pp.337-340, May, 2008.
[13] T.K. Huang, R.C. Weng, C.J. Lin, Gneralized Badley-Trry Mdels and Multi-Class Probability Estimates, J. Mach. Learn. Res. 7 (2006) 85–115.
[14] Y.-P.Vtn, S. R. Kulkarni, and P. J. Ramadge, “A New Method Forcamera Motion Parameter Estimation,” Proc. of IEEE Int’l Conf.on Image Processing, Vol. 1, pp. 406-409, 1995