Selama tahun-tahun terakhir, penggunaan teknik-teknik proyeksi pinggiran
untuk menghasilkan tiga-dimensi (3D) informasi permukaan
menjadi salah satu yang paling aktif di daerah penelitian metrologi optik. Aplikasinya berkisar dari mengukur bentuk 3D Komponen MEMS pengukuran kelandaian besar panel (2,5 m? ,45 m). Teknik telah menemukan berbagai aplikasi di berbagai bidang: biomedis aplikasi seperti 3D intra-oral pengukuran gigi [1], non-invasif 3D imaging dan pemantauan deformasi dinding pembuluh darah [2], manusia pengukuran bentuk tubuh dipandu untuk bentuk pengobatan radioterapi [3, 4], punggung bawah pengukuran deformasi [5], deteksi dan pemantauan scoliosis [6], pemeriksaan luka [7, 8] kulit topografi dan pengukuran untuk digunakan dalam tata rias [9, 10, 11]; industri dan aplikasi seperti ilmiah karakterisasi dari komponen MEMS [12, 13], analisis getaran [14, 15], refractometry [16], pengukuran global gratis deformasi permukaan [17, 18], pengukuran ketebalan dinding lokal paksa lembaran logam [19], analisis korosi [20, 21], pengukuran kekasaran permukaan [22, 23], reverse engineering [24, 25, 26], kontrol kualitas pembuatan papan sirkuit tercetak [27, 28, 29] dan aliran panas visualisasi [30]; kinematika aplikasi seperti mengukur bentuk dan posisi dari objek bergerak / makhluk [31, 32] dan studi kinematical parameter capung dalam penerbangan bebas [33, 34]; biometrik identifikasi aplikasi seperti wajah 3D rekonstruksi pengembangan sistem pengenalan wajah yang kuat [35, 36]; warisan budaya dan pelestarian [37, 38, 39] etc
Salah satu fitur yang menonjol dari beberapa proyeksi pinggiran
teknik adalah kemampuan mereka untuk memberikan resolusi tinggi, seluruh-bidang rekonstruksi 3D objek dalam cara yang non-kontak di video frame rates. Fitur ini telah mendukung teknik untuk meliputi bidang-bidang baru dari aplikasi seperti sistem keamanan, gaming dan virtual reality. Untuk memperoleh wawasan rangkaian kontribusi yang telah membantu dalam terungkap teknik untuk memperoleh fitur ini, para pembaca merujuk kepada artikel review di masalah khusus ini oleh Zhang Song, dan Xianyu Su et al. Tipikal pinggiran sistem profilometry proyeksi ditunjukkan dalam Gambar 1. Ini terdiri dari unit proyeksi, gambar akuisisi unit dan pengolahan / analisis unit. Pengukuran bentuk melalui teknik proyeksi pinggiran melibatkan (1) memproyeksikan pola terstruktur (biasanya sinusoidal pola rumbai) ke permukaan benda, (2) merekam gambar pola pinggiran yang fase dimodulasi oleh objek distribusi tinggi, (3) menghitung fase modulasi dengan menganalisis gambar dengan salah satu teknik analisis pinggiran (seperti metode Transformasi Fourier, fase fase melangkah dan spasial deteksi methodsmost dari mereka menghasilkan distribusi fase dibungkus) (4) menggunakan cocok fase membuka bungkusan algoritma untuk mendapatkan fase kontinu distribusi yang sebanding dengan variasi ketinggian objek, dan akhirnya (5) kalibrasi sistem untuk memetakan membuka fase distribusi ke dunia nyata 3-D co-koordinat. Gambar. 2 menunjukkan diagram alur yang menggambarkan langkah-langkah yang terlibat di erent dalam pengukuran distribusi tinggi suatu benda menggunakan pinggiran teknik proyeksi dan peranan masing-masing langkah. A bergambar perwakilan yang sama dengan rincian lebih lanjut akan ditampilkan dalam Gambar. 3. Selama tiga dekade terakhir, teknik proyeksi poni telah berkembang sangat karena kontribusi besar sejumlah peneliti dan perkembangan dapat secara luas dikategorikan sebagai berikut : desain atau struktur dari pola digunakan untuk proyeksi [40, 41, 42, 43, 44, 45, 46, 47, 48, 49], metode menghasilkan dan memproyeksikan pola [50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62], belajar dari kesalahan disebabkan oleh peralatan yang digunakan dan mengusulkan mungkin koreksi [63, 64, 65, 66], mengembangkan metode analisis poni baru untuk mengekstrak fasa yang mendasari distribusi [67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83], meningkatkan metode analisis rumbai-rumbai yang ada [84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100], fase membuka bungkus algoritma [101, 102, 103, 104, 105, 106, 107, 108, 109], kalibrasi teknik [110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123], skala pengukuran (mikro / menengah / besar objek) [124, 125, 126, 127, 128, 129, 130], keadaan objek (statis / dinamis) [131, 132, 133, 134] dan menjajaki penggunaan teknik-teknik ini di berbagai bidang (di? erent aplikasi) [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39]. Meskipun pengukuran proses dengan teknik proyeksi pinggiran memiliki beberapa langkah, dan di setiap langkah terdapat beberapa varian, teknik ini diklasifikasikan terutama tergantung pada jenis analisis pinggiran metode yang digunakan. Sebagai contoh, berdasarkan tertentu pinggiran metode analisis yang digunakan dalam pengukuran, pinggir proyeksi teknik diklasifikasikan sebagai fase loncatan profilometry (PSP), Transformasi Fourier profilometry (FTP), wavelet transform profilometry (WTP), spasial penyaringan profilometry (SFP), dll Analisis pinggiran tugas kunci dan pengaruh yang signifikan kinerja keseluruhan proyeksi pinggiran profilometry sistem dalam hal jumlah foto yang diperlukan, resolusi dan keakuratan pengukuran, kebutuhan komputasi dll Selama tiga dekade terakhir, beberapa metode analisis poni telah dikembangkan. Secara umum mereka dapat dikategorikan sebagai spasial dan temporal metode analisis. E? Cient dan sukses aplikasi memerlukan kehadiran seorang su? ciently highfrequency spasial carrier untuk metode spasial, dan akuisisi sejumlah gambar dengan fase-bergeser memproyeksikan pola tepi untuk metode temporal. Beberapa metode analisis pinggiran diperkenalkan dalam konteks proyeksi profilometry pinggiran adalah Transformasi Fourier metode dan berbagai perpanjangan dari itu [67, 84, 85, 86, 87, 88, 89, 90], interpolated Transformasi Fourier [68], Transformasi Fourier regresif [135, 69], dilatasi Gabor mengubah [70], berjendela Transformasi Fourier [71, 136], multiscale Transformasi Fourier berjendela [72, 73], satu-dimensi dan dua dimensi transformasi Wavelet [? 74, 91, 92], Stransform [75], diskrit-cosine transform [76], dimodifikasi Hilbert mengubah [77], analisis menggunakan invers fungsi kosinus [78], saraf jaringan [79, 137], terkunci fase loop [80, 93, 94, 95], regularized fase tracker [81, 138], spasial fase deteksi [82, 96, 139], dan fase-pergeseran metode [83, 97, 98, 99, 100]. Artikel oleh Lei Huang et al. dan C. Quan et al. khusus ini isu menyediakan analisis komparatif di antara beberapa yang paling umum digunakan metode analisis pinggiran. Yang dipulihkan / diperkirakan fase dari pinggir terdeformasi pola dengan menggunakan sebagian besar analisis pinggiran tersebut metode matematis terbatas pada interval [?; +?] sesuai ke nilai utama fungsi arctan. Secara umum, fase sejati bisa berkisar lebih dari satu interval lebih besar daripada 2? di kasus yang mengandung fase pulih diskontinuitas buatan. Proses penentuan integral yang tidak diketahui beberapa dari 2? yang akan ditambahkan pada setiap pixel dari fase dibungkus peta untuk membuatnya terus-menerus dengan menghapus buatan 2? diskontinuitas disebut sebagai fase membuka bungkusan. Fase normal membuka bungkusan dilakukan dengan membandingkan fasa di piksel tetangga dan menambah atau mengurangi 2? membawa fase relatif antara dua piksel ke kisaran ? ke +?. Demikian, fase membuka bungkus adalah tugas sepele jika membungkus peta fase ideal. Akan tetapi, secara real pengukuran, kehadiran bayangan, poni rendah modulasi, non-seragam reflectivities dari permukaan objek, pinggiran diskontinuitas, kebisingan dll membuat sulit membuka bungkusan fase dan path tergantung. Beberapa algoritma membuka bungkusan maju telah dikembangkan dan beberapa dari mereka adalah: Goldstein's Algoritma [140], Z? Malgorithm [141], sementara fase membuka bungkus Algoritma [101], pinggiran algoritma berdasarkan analisis frekuensi [102], profilometry Transformasi Fourier berbasis [103], wilayah fase pertumbuhan membuka bungkusan [104], histogram lokal berdasarkan fase membuka bungkusan [105], meningkatkan kekebalan kebisingan fase membuka bungkusan [106], fase regularized pelacakan [107], banjir mengisi [108], PESONA (fase estimasi menggunakan regularisasi adaptif berdasarkan merapikan lokal) [142], dan kualitas bertingkat dipandu tahap membuka bungkusan algoritma [109]. Beberapa artikel tentang membuka bungkusan review meliputi [143, 144, 145, 146]. Zappa et al. [147] dilakukan perbandingan kinerja algoritma delapan membuka bungkusan (Goldstein, kualitas jalan dipandu berikut, Mask dipotong, Flynn, multi-grid, tertimbang multi-grid, preconditioned konjugat gradien dan minimum Lp-norma algoritma) dalam konteks mengukur bentuk 3D informasi menggunakan Transformasi Fourier profilometry. Dalam kasus dinamis / real-time 3D bentuk pengukuran, setumpuk peta 2D fase dibungkus diperoleh pada berbagai waktu instants perlu membuka, untuk mana threedimensional fase membuka bungkusan algoritma diperlukan. Untuk rincian diskusi pada fase 3D membuka bungkusan, mengacu kepada tinjauan artikel tentang "bentuk 3D dinamis pengukuran" oleh Su dan Xianyu Zhang Qican masalah khusus ini.