English
资源说明：在计算机视觉领域中，深度图（Depth map）的获取变得越来越重要，因为它成为了理解现实世界场景的核心线索。深度图的获取方法经历了从基于双目视觉的多视几何方法，到更经济、高效的方法，例如时间飞行（time-of-flight）传感器、结构光（structured light）、以及革命性的Kinect传感器的演变。Kinect传感器通过捕捉场景的同步深度-彩色图像对，在数米范围内的场景深度进行重建。然而，由于遮挡、反射以及其他光学因素，深度图存在缺陷，如空白区域，这些缺陷直接用于场景重建是不可行的。因此，如何有效地填充这些空白区域，以提高深度图的质量，是计算机视觉应用中的一个关键问题。
对于颜色图像，传统的修复技术不能直接应用于深度图。这是因为深度图中没有足够的线索来准确推断场景结构。因此，本文提出了一种结构引导的融合方法，旨在改进深度图。所提出的融合策略将传统的修复方法与最近发展的非局部均值滤波方案相结合，实现了深度信息和色彩信息之间的良好平衡，从而确保了准确的修复结果。实验结果表明，本文提出的方法的平均绝对误差大约为20毫米，这与Kinect传感器的精度相当。
本文的内容可以总结为以下几个关键知识点：
1. 深度图的重要性和获取方法：深度信息对于计算机视觉来说至关重要，因为它能够帮助我们理解现实世界场景。传统的深度获取方法基于双目视觉原理，但近年来，如Kinect这类更经济的设备被引入深度获取领域。
2. Kinect传感器的特点和限制：Kinect传感器能够捕捉场景的同步深度-彩色图像对，但是深度图常常存在因为遮挡、反射等问题而产生的空白区域，这些空白区域影响了深度图在场景重建中的直接使用。
3. 深度图修复技术的挑战和必要性：与颜色图像的修复不同，深度图的修复需要额外的技术来弥补深度图中的空白区域。这是因为深度图中缺少足够的线索来准确推断场景结构。
4. 结构引导的融合方法：本文提出了一种新型的基于融合的深度图修复方法。该方法结合了传统修复技术和最近发展的非局部均值滤波技术，实现了深度信息和色彩信息之间的平衡，从而提高了深度图修复的准确性。
5. 实验结果和精度评估：文中通过实验验证了所提方法的有效性，实验结果显示，所提出的方法在修复深度图空白区域方面的平均绝对误差约为20毫米，这与Kinect传感器本身的精度相匹配。
综合以上知识点，可以看出深度图的修复在计算机视觉领域有着广泛的应用前景。特别是在利用Kinect这类设备捕捉深度信息时，深度图的质量直接关系到后续处理和分析的准确性。因此，通过结合多种信息源和先进的处理技术来改善深度图的质量，已经成为计算机视觉领域的重要研究方向。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
