基于图像的三维重建.pptVIP

黄色：任意位置 绿色：平行位置 图像校正 ① 图像校正的目的 图像校正 极线不平行 极线交于极点 极线平行 极点无穷远 相机任意位置 图像未校正 相机平行 校正图像 需计算极线方程 影响运行效率 不需进行极线 提高效率 ② 图像校正的原理 图像校正的过程，就是对里两幅图像分别进行二维的变换。 将这种变换记为U1和U2，则图像点的变换可以看成 其中， 为p1变换后的坐标， 为p2变换后的坐标。 (1a) (1b) 图像校正 为了使极线变成一组平行直线，需要将极点放到无穷远处。设该无穷远极点为 则经过校正后的图像对的基础矩阵 可以表示为 (2) 图像校正 则由式（1a)可以得到如下等式 将式（1a)和式（1b)代入得 由式（2）可得 图像校正 只要知道了基础矩阵F，就可以从上式中分解出变换矩阵 和 ，从而实现图像的校正。 图像校正 设 为 将U分解为如下形式： 透视变换 图像校正 相似变换 错切变换 ③ 图像校正过程 图像校正 透视变换 错切变换 相似变换 极线和图像坐标系的横轴平行 极点被移到了 无穷远点 极线束变成了一组平行直线 使得水平方向的图像畸变最小化 基于窗口的灰度匹配 基于窗口的稀疏点匹配 基于窗口的稠密点匹配 匹配 计算视差 1 2 3 4 5 6 7 8 1 2 3 4 p 5 6 7 8 基于窗口的灰度匹配原则 = 匹配 计算视差 左图中所有匹配点 最大视差为a 最小视差为b 匹配点p的视差为d 视差图中p点的灰度值为 255*|d-b|/|a-b| 匹配 计算视差 匹配 计算视差 3-4 空间点的获取 图像经过校正后可以看成是两台光轴互相平行的摄像机的成像 经过校正后图像上的俩个对应点 空间点P在摄像机C1和C2坐标系下的坐标，b为基线 图像点和三维空间点的映射关系可以得到： 3-5 点云拼接 ① 三维坐标变换 ② 拼接原理 ③ 拼接步骤 ④ 拼接实例 点云拼接 点云拼接 ① 三维坐标变换 点云拼接 表示三维图像的坐标变换 产生比例、旋转、错切等几何变换 产生平移变换 ② 拼接原理 点云拼接 点云拼接 P1中提取一个子集 在数据点集P2 中有一子集 与P1中点一一对应 通过这俩个子集求解R和T 实现 P1与 P2的拼接 三维坐标系 和 之间的位置对应关系可以用下式表示，即： 如果知道了R和T 的值，就可以将坐标系 进行旋转和平移，转化为 坐标系。这样就能将各块测量的数据转换到同一个坐标系，实现拼接任务了。 点云拼接 ③ 拼接步骤： 多视角点云数据的拼接方法可以分为两步。 1 首先利用离散的特征进行匹配的方法实现粗配准 2 再使用迭代最近点算法(ICP)算法进行精确配准 点云拼接 注意： 当零件的表面没有明显的特征的时候，可以通过人为的方式在物体的表面附加特征来处理，常用的是粘贴标记点或者辅助圆球的做法。 点云拼接 ④ 拼接实例 对同一个待测物体从不同的两个方位进行拍摄，其中图(a)的右半部分和图(b)的左半部分事实上是待测物体上的同一个部分。 图(a)中的参考点 4、5、6、7 分别对应图(b)中的 2、1、4、3 点 ①将这些相同点一一对应起来 ②根据它们的坐标解出R和T ③拼接两部分得到的数据点云，形成一段完整的物体表面轮廓。 点云拼接 点云拼接 散乱点集的曲面三角剖分 空间直接剖分 逐 点 插 入 法 分 治 算 法 三 角 网 格 生 长 法 约束delaunay三角剖分 Delaunay三角剖分 最小权三角剖分 Hoppe算法 Choi算法 Voronoi图算法 α-shape算法 平面投影法三角剖分 曲面重构 Delaunay三角剖分 一、定义 二、性质 三、算法分类 曲面重构 定义 三角剖分：假设V是二维实数域上的有限点集，边e是由点集中的点作为端点构成的封闭线段, E为e的集合。那么该点集V的一个三角剖分T=(V,E)是一个平面图G，该平面图满足条件： 　　1.除了端点，平面图中的边不包含点集中的任何点。 　　2.没有相交边。 　　3.平面图中所有的面都是 三角面，且所有三角面的合集是散点集V的凸包。 曲面重构 * * * * * * * * * 基于图像的三维重建 一