Aufgrund von Problemen mit schwacher Textur und Reflexionen bei der lokalen Vergrößerung stereoskopischer Proben wie Schmuck-, Mineral- und Metallproben unter dem Mikroskop schlägt dieser Artikel einen auf Merkmalsextraktion basierenden multiview stereoskopischen 3D-Rekonstruktionsalgorithmus vor, der für Mikroskopie-Anwendungsszenarien geeignet ist. Der Winkel des Mikroskopobjektivs wird fixiert, und durch Bewegen des Probentischs werden mehrwinkelige Bilder von den stereoskopischen Proben aufgenommen, um eine Bildsequenz zu erhalten. Durch die Kombination der Vorteile der Harris- und SIFT-Algorithmen wurde der ursprünglich im SFM-Verfahren verwendete SIFT-Algorithmus zu Harris-SIFT verbessert, um Merkmale zu extrahieren und abzugleichen, wodurch die Leistung bei der Extraktion von Merkmalinformationen in schwach texturierten Bereichen mikroskopischer Bilder verbessert wurde. Mittels eines vollständig konvolutionalen neuronalen Netzes in Kombination mit einem tiefen Residualnetzwerk werden Tiefe geschätzt und vorhergesagt; die vorhergesagten Tiefendaten werden mittels eines Schwellenwertverfahrens mit der MVS-Tiefenkarte verschmolzen, um die MVS-Tiefenkarte zu korrigieren und eine dichte Punktwolke des Objekts zu rekonstruieren, wodurch die Vollständigkeit der rekonstruierten Struktur erhöht und mehr Punkte extrahiert werden. Experimente am digitalen Mikroskopsystem Keyence VHX-6000 zeigen, dass dieser Algorithmus 31,25 % mehr Punktwolkenpunkte als der ursprüngliche MVS-Rekonstruktionsalgorithmus erzeugt und dabei insgesamt 21,16 % Rekonstruktionszeit einspart.

Mikroskop;3D-Rekonstruktion;Merkmalserkennung;Tiefenschätzung;MVS-Tiefenkarte