3DTV的系统组成及其关键技术和新发展

doi:10.3969/j.issn.1007-2861.2011.04.003

上海大学学报(自然科学版) ›› 2011, Vol. 17 ›› Issue (4): 353-359.doi: 10.3969/j.issn.1007-2861.2011.04.003

3DTV的系统组成及其关键技术和新发展

张兆杨，沈礼权，张秋闻，安平

上海大学通信与信息工程学院，上海 200072

收稿日期:2011-06-23 出版日期:2011-08-30 发布日期:2011-08-30
通讯作者: 张兆杨(1938～)，男，教授，博士生导师，研究方向为图像、视频压缩编码等. E-mail:zhyzhang@shu.edu.cn
基金资助:
国家自然科学基金重点资助项目（60832003）；上海市科委重点资助项目（10510500500）；上海市科委世博专项基金资助项目（10DZ0580800）

Development and Key Technology of 3DTV System

HANG Zhao-yang, SHEN Li-quan, ZHANG Qiu-wen, AN Ping

School of Communication and Information Engineering, Shanghai University, Shanghai 200072, China

Received:2011-06-23 Online:2011-08-30 Published:2011-08-30

摘要/Abstract

摘要： 综述3DTV系统的3种类型，包括基于双目的3DTV、基于多视的3DTV和由2D视频转换为3D视频的3DTV系统，并在概述各自实现方法的基础上，指出相应的优缺点.对作为今后发展主流的多视3DTV系统，分析其尚需突破的三方面关键技术，并进一步介绍有利于解决这些关键技术的以“多视+深度”表示的3DTV新模式，以及课题组对此新模式所取得的研究进展.最后，对3DTV系统的发展和应用前景进行展望.

关键词: 3DTV, 深度, 视频压缩

Abstract: This paper introduces three types of 3DTV systems including twoview 3DTV, multi-view and 2D-3D systems. Based on the description of key components, the merits and drawbacks of each system are analyzed. A new method, i.e., view-plus-depth, to represent 3D scenes, which can effectively reduce 3DTV data for transmission is described. Finally, the procedure of 3DTV development is presented and the prospect of homeoriented 3DTV application is given.

Key words: video compression, 3DTV, depth

中图分类号:

TN 919.81

张兆杨，沈礼权，张秋闻，安平. 3DTV的系统组成及其关键技术和新发展[J]. 上海大学学报(自然科学版), 2011, 17(4): 353-359.

HANG Zhao-yang, SHEN Li-quan, ZHANG Qiu-wen, AN Ping. Development and Key Technology of 3DTV System[J]. Journal of Shanghai University（Natural Science Edition）, 2011, 17(4): 353-359.

[1]	储清源, 楚海建. 一种基于深度学习的超声相控阵扇扫与全聚焦方法相结合的无损检测方法[J]. 上海大学学报(自然科学版), 2026, 32(2): 240-250.
[2]	朱硕, 王永芳, 李子萱, 陈伟. 基于YOLO模型的作业环境实时反光背心检测[J]. 上海大学学报(自然科学版), 2025, 31(4): 691-703.
[3]	曹黎媛, 张震雨, 李春祥. 基于深度强化学习调控的非平稳风速模拟[J]. 上海大学学报(自然科学版), 2024, 30(3): 451-465.
[4]	范沈伟, 李国平, 王国中. 基于深度学习的轻量级图像压缩算法[J]. 上海大学学报(自然科学版), 2024, 30(3): 466-475.
[5]	林越, 刘廷章. 基于深度学习的房间冷负荷预测模型[J]. 上海大学学报(自然科学版), 2023, 29(6): 1068-1075.
[6]	陈娟, 郭琦. 基于强化学习的改进 NSGA-II 算法的城市快速路入口匝道控制 [J]. 上海大学学报(自然科学版), 2023, 29(4): 666-680.
[7]	宋涛, 王彦林, 魏昕恺, 韦艳芳. 深度确定性策略梯度算法耦合模型驱动的行人过街仿真 [J]. 上海大学学报(自然科学版), 2023, 29(4): 651-665.
[8]	张衡, 舒展. 基于点云深度学习的装配式构件尺寸参数识别方法[J]. 上海大学学报(自然科学版), 2023, 29(3): 502-.
[9]	杨英杰, 王永芳, 张涵. 基于注意力和反馈机制的 HDR 视频重建[J]. 上海大学学报(自然科学版), 2023, 29(1): 56-67.
[10]	杨乾成, 罗勇, 胡晗, 周昕, 杜博, 陶大程. 基于联合对抗训练的鲁棒度量迁移[J]. 上海大学学报(自然科学版), 2023, 29(1): 1-9.
[11]	夏瑞玲, 李国平, 王国中, 滕国伟. 基于改进蚁群算法的个性化学习路径推荐[J]. 上海大学学报(自然科学版), 2023, 29(1): 129-139.
[12]	李忠雨, 孙浩东, 李娇. 基于损失加权的实时篮球裁判手势识别系统[J]. 上海大学学报(自然科学版), 2023, 29(1): 68-81.
[13]	李成范, 赵俊娟. 面向遥感图像的小样本目标检测改进算法研究[J]. 上海大学学报(自然科学版), 2022, 28(2): 314-323.
[14]	王榕榕, 徐树公, 黄剑波. 基于深度学习的图像抠图技术[J]. 上海大学学报(自然科学版), 2022, 28(2): 261-269.
[15]	许庚林, 冉峰, 邓良, 史华康, 郭爱英. 轻量化神经网络和哈希跟踪算法在嵌入式人脸抓拍系统中的应用[J]. 上海大学学报(自然科学版), 2021, 27(6): 1018-1028.

3DTV的系统组成及其关键技术和新发展

Development and Key Technology of 3DTV System

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价