Face aux problèmes de textures faibles et de reflets lors de l'observation locale agrandie d'échantillons stéréoscopiques tels que les bijoux, minéraux et métaux sous microscope, cet article propose un algorithme de reconstruction 3D stéréoscopique multi-vues basé sur l'extraction de caractéristiques, adapté aux scénarios d'utilisation du microscope. L'angle de l'objectif du microscope est fixé, puis la platine d'échantillon est déplacée pour obtenir une séquence d'images multi-angles des échantillons stéréoscopiques. En combinant les avantages des algorithmes Harris et SIFT, l'algorithme SIFT initial utilisé dans la méthode SFM a été amélioré en algorithme Harris-SIFT pour l'extraction et le jumelage des caractéristiques, améliorant la performance d'extraction des informations caractéristiques dans les zones à faible texture des images microscopiques. En utilisant un réseau neuronal convolutif complet combiné à un réseau profond résiduel, une estimation et une prédiction de profondeur des images d'entrée sont réalisées ; les informations de profondeur prédites sont fusionnées avec la carte de profondeur MVS via une méthode à seuil, corrigeant la carte de profondeur MVS, reconstruisant un nuage de points dense de l'objet, améliorant l'intégrité de la structure reconstruite et extrayant un plus grand nombre de points. Les expériences sur le système de microscope numérique Keyence VHX-6000 montrent que cet algorithme produit 31,25% de points en plus dans le modèle de nuage de points reconstruit que l'algorithme de reconstruction MVS d'origine, tout en économisant 21,16% du temps de reconstruction global.

microscope;reconstruction 3D;détection de caractéristiques;estimation de profondeur;carte de profondeur MVS