- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算摄影学
三维重建8-立体匹配4
三维重建7-立体匹配3中，我为你介绍了几种用能量函数最小化得到视差图的方法，以及基于局部一致性约束的视差处理方法。这些方法都在标准测试数据集上得到了不错的成绩。 数码相机内的图像处理-基本图像滤波 4. 数码相机内的图像处理-更多图像滤波 早期的这些滤波方案都相对简单，所以后面人们又探索了很多高级的滤波方法，之后我会专门撰文介绍。 三. 三维重建7-立体匹配3也已经讲过了，它的假设是： 在每个分割块内，视差的变化是平滑的 可以把每个分割块视作一个平面 分割一般是基于颜色和空间距离进行的，如此一来同一个分割块内不见得能够视作为一个平面，如下图圆圈内所示 三维重建7-立体匹配3中提到的合作优化算法(Cooperation Optimization)中用到。 三维重建7-立体匹配3 本文同步发表在我的微信公众号和知乎专栏“计算摄影学”，转载请注明作者和来源
62020编辑于 2022-08-30 - 来自专栏计算摄影学
三维重建4-立体校正(Recitification)
三维重建3-两视图几何中，我们看到通过三角测量，可以确定一个像点在三维空间中的位置，其前提是我们提前获取了这个像点在另外一个图像中的对应点，并且知道了两个相机的相机矩阵。 三维重建1——相机几何模型和投影矩阵我们知道 又由于 且从Xw到投影成像点的直线一定会过光心，如下图所示 因此，我们可以把三维空间点坐标表示为下面的式子(上横线表示齐次坐标)，c是指光心的坐标，\ 三维重建2——相机几何参数标定）获得了两个相机的内参和外参，并且已经对图像进行了畸变校正。那么，整个校正过程可以总结如下： 在作者的论文中，列出了22行Matlab代码完成这个过程，你可以查阅看看。 三维重建3——两视图几何 67. 三维重建2——相机几何参数标定
1.9K20编辑于 2022-03-29 - 来自专栏云深之无迹
计算机视觉之三维重建篇.4(极几何)
喜提新书
25930编辑于 2022-11-29 - 来自专栏流川疯编写程序的艺术
三维重建基础
1.2 三维重建技术简介 三维重建技术的重点在于如何获取目标场景或物体的深度信息。在景物深度信息已知的条件下，只需要经过点云数据[4]的配准及融合，即可实现景物的三维重建。 例如图1-4所示，当今分辨率最高的PMD Camcube 2.0 相机，也仅为204×204像素；其次，ToF相机容易受到环境因素的影响，如混合像素、外界光源等，导致景物深度不准确；最后，系统误差与随机误差对测量结果的影响很大 图1-4 SR4000 ToF相机 Fig.1-4 SR4000 ToF camera 3.结构光法 结构光法[20](Structured Light)通过向表面光滑无特征的物体发射具有特征点的光线 图1-5 结构光法原理图 4.三角测距法 三角测距法[22]是一种非接触式的测距方法，以三角测量原理为基础。 [4] Anand A, Koppula H S, Joachims T, et al.
1.2K20编辑于 2022-05-10 - 来自专栏武培轩的专栏
三维重建方法
最近在看三维重建方面的论文，进行一下知识总结。 三维重建技术 三维重建技术就是要在计算机中真实地重建出该物体表面的三维虚拟模型，构建一个物体完整的三维模型，大致可以分为三步： 利用摄像机等图像采集设备对物体的点云数据从各个角度釆集，单个摄像机只能对物体的一个角度进行拍摄 三维重建方法 目前根据重建方式的不同，主要有以下几种重建方法： 双目立体视觉方法 双目立体视觉测量方法主要是模拟人类双眼的立体成像原理，左右两个有合适角度的摄像机在同一时间拍摄场景中某一物体，通过三角几何关系和视差原理 多目立体视觉中的匹配根据光学三角形理论，采用多个重叠点多角度前面交汇”的方法，因而可以有效使用冗佘数据，一定程度上解决误匹配问题，提高三维重建精度，但是这种方法较为繁琐，同时使用的硬件设备也更加复杂和昂贵 基于运动的三维重建 这种方法多用于动态场景跟踪等领域，算法的基本原理是依靠相对运动的摄像机输出一系列图像来重建物体的三维信息。
1.8K70发布于 2018-04-18 - 来自专栏全栈程序员必看
三维重建技术概述_CT三维重建不包括
基于不同类型区分每一套算法，以此把整合所有三维重建流水线功能，保证每套算法的紧凑性、可重用性与可执行性。 本文研究的点云数据为非结构化的散乱点云，属于三维重建特有的点云特点。 （4）坐标系 在三维空间中，所有的点必须以坐标的形式来表示，并且可以在不同的坐标系之间进行转换。 图2-4展示的是两种坐标系之间的位置关系： 图2-4 图像像素坐标系与物理坐标系 Fig.2-4 Image pixel coordinate system and physical coordinate ---- 2.三维重建流程 ---- 本文使用Kinect采集景物的点云数据，经过深度图像增强、点云计算与配准、数据融合、表面生成等步骤，完成对景物的三维重建。 尤其是在三维重建领域。然而由于三维重建过程涉及到大量密集的点云数据处理，计算量巨大，所以对系统进行相应的性能优化显得非常的重要。
1.4K20编辑于 2022-11-15 - 来自专栏计算机视觉工坊
系列篇|三维重建之纯格雷码三维重建
对于新手来说，使用格雷码做单目结构光三维重建是一个入门级的训练。但是在复现时往往会遇到一个问题，明明解码都很不错了，重建后的点云精度却很低，甚至重建出来的平面点云出现断层现象。 本文就简单介绍下如何使用纯格雷码进行三维重建，并得到一个精度尚可的点云（至少不出现重建平面时明显断层/分层现象）。 在无法获得准确的亚像素级的解码精度后，我们可以从三维重建方式本身去考虑,如上图所示。 至此，我们就很好的估计了一个比直接用解码结果按公式求得的更准确的三维重建点了，但是细心的朋友一定发现了，在一般形式的结构光三维重建中，我们仅仅需要用到列方向的条纹，（为什么仅需要一个列方向，可以看系列篇之三维重建原理 纯格雷码的三维重建并不算很常见，如果一定要用，不防试下上述方法，可以保证一定精度，当然还是没有相移法来的准确。
1.1K20发布于 2020-11-19 - 来自专栏3D视觉从入门到精通
系列篇|三维重建之纯格雷码三维重建
本文就简单介绍下如何使用纯格雷码进行三维重建，并得到一个精度尚可的点云（至少不出现重建平面时明显断层/分层现象）。 在无法获得准确的亚像素级的解码精度后，我们可以从三维重建方式本身去考虑,如上图所示。 至此，我们就很好的估计了一个比直接用解码结果按公式求得的更准确的三维重建点了，但是细心的朋友一定发现了，在一般形式的结构光三维重建中，我们仅仅需要用到列方向的条纹，（为什么仅需要一个列方向，可以看系列篇之三维重建原理 纯格雷码的三维重建并不算很常见，如果一定要用，不防试下上述方法，可以保证一定精度，当然还是没有相移法来的准确。 系列篇|结构光三维重建——相移法基本原理 系列篇|一文详解相移步长的选择问题 综述|线结构光中心提取算法研究发展 直播回顾|结构光编码与三维重建技术 关于结构光问题的总结 结构光三维重建原理 直播回顾
1.3K10发布于 2020-11-19 - 来自专栏算法之名
深度学习之三维重建
基于MVS的三维重建基础 三维信息表示方法 一般分为深度图/视差图、点云、网格。它们都是表达3D信息的一种方式，会根据实际应用场景不同来选取不同的方式来表示。
1.4K20编辑于 2022-09-01 - 来自专栏点云PCL
单视图三维重建
在图4中我们展示了由ShapeHD从单张深度图中预测出的3D形状。尽管常用的编码-解码器结构通常生成具有少量细节的平均形状，我们的ShapeHD预测出的形状也具有很大的差异和丰富的细节。
2.2K30发布于 2019-07-30 - 来自专栏3D视觉从入门到精通
三维重建技术综述
三维重建技术的重点在于如何获取目标场景或物体的深度信息。在景物深度信息已知的条件下，只需要经过点云数据的配准及融合，即可实现景物的三维重建。 基于三维重建模型的深层次应用研究也可以随即展开。 3.立体视觉法 立体视觉法（Multi-View Stereo，MVS)是另外一种常用的三维重建方法。 因为实现简单且精度较高，所以结构光法的应用非常广泛，如微软公司的Kinect 4.三角测距法 三角测距法是一种非接触式的测距方法，以三角测量原理为基础。 本文研究的点云数据为非结构化的散乱点云，属于三维重建特有的点云特点。 六. 4. 点云配准 对于多帧通过不同角度拍摄的景物图像，各帧之间包含一定的公共部分。为了利用深度图像进行三维重建，需要对图像进行分析，求解各帧之间的变换参数。
3.3K12发布于 2021-01-13 - 来自专栏流川疯编写程序的艺术
三维重建技术概述
本文研究的点云数据为非结构化的散乱点云，属于三维重建特有的点云特点。 （4）坐标系 在三维空间中，所有的点必须以坐标的形式来表示，并且可以在不同的坐标系之间进行转换。 图2-4展示的是两种坐标系之间的位置关系： 图2-4 图像像素坐标系与物理坐标系 Fig.2-4 Image pixel coordinate system and physical coordinate ---- 2.三维重建流程 本文使用Kinect采集景物的点云数据，经过深度图像增强、点云计算与配准、数据融合、表面生成等步骤，完成对景物的三维重建。 尤其是在三维重建领域。然而由于三维重建过程涉及到大量密集的点云数据处理，计算量巨大，所以对系统进行相应的性能优化显得非常的重要。 通过GPU的并行计算，三维重建性能得到了大幅的提升，实现了实时的输入输出。
1.6K10编辑于 2022-05-10 - 来自专栏计算机视觉life
如何学习图像三维重建？
原文链接：如何学习图像三维重建？ 前言 随着近几年机器人、自动驾驶、AR等技术的飞速发展，三维重建这个学术名词也逐渐出现在大众的视野中。那究竟什么是三维重建呢？ 简单来说，三维重建是指用相机等传感器拍摄真实世界的物体、场景，并通过计算机视觉技术进行处理，从而得到物体的三维模型。如下所示。 下图是图像三维重建的基本流程： 三维重建应用 三维重建是增强现实（AR）、混合现实（MR）、机器人导航、自动驾驶等领域的核心技术之一。本文列举几个典型的应用场景： 自动驾驶。 三维重建是个交叉学科，涉及到高等数学、计算机视觉、计算机图形学等学科，想要学透还挺不容易。
1.1K10编辑于 2022-09-21 - 来自专栏我爱计算机视觉
浅谈单图像三维重建算法
但是三维重建不好做，因为三维数据真值很难获得，或者收集起来很花钱。 所以这就带来一个问题，如何以成本更低的方式完成三维重建。 ▊ 单图像三维重建算法是怎么实现的 从整体来看，最近两年顶会的三维重建算法绝大多数都是基于深度学习的。 CMR是一篇非常经典的论文，后面我们提到的UMR[4]、SMR[5]以及我们没有提到的u-cmr都是以此为蓝本进一步提升的。尤其是染色的解决方案，基本上后面的论文都是仿照这种方案来做的。 CMR 结构图，摘录自论文原文 然后我们来看一下UMR[4]。这篇论文尝试使用part segmentation map来代替蒙版和关键点以简化三维重建问题。 J., “Learning Category-Specific Mesh Reconstruction from Image Collections”, arXiv e-prints, 2018. [4]
98140编辑于 2022-03-23 - 来自专栏计算机视觉工坊
深度学习|三维重建：R-MVSNet
/www.sohu.com/a/334072786_715754 一、背景 该文章来自香港科技大学和深圳Altizure公司的研究团队，该团队在2018年ECCV上提出了MVSNet，用于高精度多视图三维重建 二、摘要 深度学习已经被证明在多视图三维重建(MVS)中可以取得很好的效果，但是，现有的基于深度学习的三维重建方法最大的限制是尺度问题，大量的内存需求导致这些方法无法被应用在大尺度场景中。 这样就可以在显著减小内存消耗的情况下完成高精度三维重建。我们首先展示了该方法在MVS数据集上的优秀表现，然后给出了它在大尺度数据集上的结果，在这种尺度的环境下，原有方法无法完成重建任务。 它的主要贡献包括以下三点： 1）提出了一个用于多视图三维重建的端到端深度学习网络。 2）提出基于单应变换的2D到3D转换方法, 将相机的几何关系结合到神经网络之中。 R-MVSNet 由于MVSNet需要一次性优化所有的3D代价体，因此需要大量的内存存储所有图像对应的数值，当尺度大了以后，如果内存满足不了要求，便无法再进行三维重建了。
1.6K20发布于 2021-04-26 - 来自专栏全栈程序员必看
OpenCV实现SfM（二）：双目三维重建
目录： 文章目录 #极线约束与本征矩阵 在三维重建前，我们先研究一下同一点在两个相机中的像的关系。 mask) { //根据内参矩阵获取相机的焦距和光心坐标（主点坐标） double focal_length = 0.5*(K.at<double>(0) + K.at<double>(4) 三维重建就是通过这些已知信息还原匹配点在空间当中的坐标。 vector<Point2f>& p2, Mat& structure) { //两个相机的投影矩阵[R T]，triangulatePoints只支持float型 Mat proj1(3, 4, CV_32FC1); Mat proj2(3, 4, CV_32FC1); proj1(Range(0, 3), Range(0, 3)) = Mat::eye(3, 3, CV_32FC1);
3.8K11编辑于 2022-08-31 - 来自专栏又见苍岚
Photometric Stereo 光度立体法三维重建
光度立体法，即Photometric Stereo, 最早是由当时在MIT的人工智能实验室的Robert J. Woodham教授在1978年左右提出。他在1979年的论文《Photometric stereo: A reflectance map technique for determining surface orientation from image intensity》，以及1980年的论文《Photometric Method for Determining Surface Orientation from Multiple Images》中比较系统的阐述了整套理论框架。
4.1K20编辑于 2022-08-09 - 来自专栏一点人工一点智能
基于少量图像的三维重建综述
该类视觉信息编码器的设计是人工智能等领域的关键问题，所以本文不再赘述，请参考相关综述，如参考文献[4]。 2.1.2 视频（帧） 与 RGB 图像类似，视频数据也是人工智能模型中常用的输入信息。 （4）AtlasNet AtlasNet[17]是一种利用参数化表面生成三维形状的表面的方法。 从图6可以看出，由于分辨率低，3D-R2N2 产生的三维体素结果缺乏细节，例如图6第4行所示，在椅子的例子中缺少腿，另外如果提高其输出的分辨率还会增加大量的存储开销。 作者提出的表示方法名为 H4D，通过SMPL的形状和初始姿态参数，以及编码运动和辅助信息的隐向量，在一个时间跨度上表示动态的三维人体。 图11 H4D示意[33] 图12 三维人体重建发展时间线 虽然近年来三维人体数据集已经得到了极大丰富和完善，但依然存在缺乏统一认可的数据集的问题。
1.8K40编辑于 2023-08-25 - 来自专栏美团无人配送
无人车业务中的视觉三维重建
该方案仅需一颗前视摄像头，运用深度学习和SLAM技术实现了道路场景的语义三维重建，将建图与定位的过程全部在车端实时进行。 车辆通过前视摄像头捕捉即时交通信息，然后抽象出道路场景的特征（即实现场景语义三维重建），并直接在车端完成地图“绘制”与定位。 Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 4938-4947. 4.
2.5K40发布于 2021-11-02 - 来自专栏3D视觉从入门到精通
使用 OpenMVG+PMVS实现视觉三维重建
一、什么是视觉三维重建？ 我们知道，照相机的原理是将一个三维场景投影到二维平面。所谓视觉三维重建，顾名思义就是从已有的二维图像中复原原始三维场景。 三维重建的原理大致如下： 首先，通过多角度拍摄或者从视频中提取得到一组图像序列，将这些图像序列作为三维重建系统的输入； 然后分析多个视角的图像，根据纹理特征提取出稀疏特征点（稀疏点云），通过这些特征点估计相机位置和参数 基于图像的三维重建基本流程 ? 多张图像的特征点匹配 ? 多视图稠密重建（MVS） 目前，有不少开源的三维重建系统，本文简单介绍使用OpenMVG（有CUDA的可以用colmap）+PMVS（OpenMVS安装的坑比较多），实现三维场景的三维重建。 4.
8.1K11发布于 2020-12-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号