基于结构光和序列图像的三维重建方法
三维重建的四种常用方法
三维重建的四种常用方法在计算机视觉和计算机图形学领域中，三维重建是指根据一组二维图像或其他类型的感知数据，恢复或重建出一个三维场景的过程。
三维重建在许多领域中都具有重要的应用，例如建筑设计、虚拟现实、医学影像等。
本文将介绍四种常用的三维重建方法，包括立体视觉方法、结构光法、多视图几何法和深度学习方法。
1. 立体视觉方法立体视觉方法利用两个或多个摄像机从不同的视角拍摄同一场景，并通过计算图像间的差异来推断物体的深度信息。
该方法通常包括以下步骤：•摄像机标定：确定摄像机的内外参数，以便后续的图像处理和几何计算。
•特征提取与匹配：从不同视角的图像中提取特征点，并通过匹配这些特征点来计算相机之间的相对位置。
•深度计算：根据图像间的视差信息，通过三角测量等方法计算物体的深度或距离。
立体视觉方法的优点是原理简单，计算速度快，适用于在实时系统中进行快速三维重建。
然而，该方法对摄像机的标定要求较高，对纹理丰富的场景效果较好，而对纹理缺乏或重复的场景效果较差。
2. 结构光法结构光法利用投影仪投射特殊的光纹或光条到被重建物体表面上，通过观察被投射光纹的形变来推断其三维形状。
该方法通常包括以下步骤：•投影仪标定：确定投影仪的内外参数，以便后续的光纹匹配和几何计算。
•光纹投影：将特殊的光纹或光条投射到被重建物体表面上。
•形状计算：通过观察被投射光纹的形变，推断物体的三维形状。
结构光法的优点是可以获取目标表面的细节和纹理信息，适用于对表面细节要求较高的三维重建。
然而，该方法对光照环境要求较高，并且在光纹投影和形状计算过程中容易受到干扰。
3. 多视图几何法多视图几何法利用多个摄像机从不同视角观察同一场景，并通过计算摄像机之间的几何关系来推断物体的三维结构。
该方法通常包括以下步骤：•摄像机标定：确定每个摄像机的内外参数，以便后续的图像处理和几何计算。
•特征提取与匹配：从不同视角的图像中提取特征点，并通过匹配这些特征点来计算摄像机之间的相对位置。
农林作物三维重建方法研究进展
农林作物三维重建方法研究进展随着科技的不断进步，农林作物三维重建方法已成为研究农作物生长过程、优化农业生产的重要手段。
本文将概述农林作物三维重建方法的现状、研究方法及实验结果，并探讨未来的研究方向和发展趋势。
三维重建技术是指通过计算机技术和图像处理方法，将物体或场景转化为三维模型的过程。
近年来，随着计算机视觉、深度学习等技术的不断发展，三维重建技术已广泛应用于各个领域，包括农业、林业、医学、建筑等。
在农林作物领域，三维重建技术可以用于研究作物生长过程、监测作物病虫害、优化农业生产等方面，具有广阔的应用前景。
目前，农林作物三维重建方法主要包括以下几种：结构光三维重建法：通过结构光扫描获取物体的三维信息，然后利用三角测量原理重建出物体的三维模型。
该方法精度较高，但需要精密的设备支持，且操作较为复杂。
立体视觉三维重建法：通过多个视角的图像获取物体的三维信息，然后利用立体视觉原理重建出物体的三维模型。
该方法适用于远距离和动态目标的重建，但精度较低。
深度学习三维重建法：通过深度学习算法对图像进行特征提取和分类，然后利用分类结果生成物体的三维模型。
该方法适用于复杂结构和动态变化的物体，但需要大量的训练数据。
在农林作物领域，目前应用最为广泛的是深度学习三维重建法。
该方法可以通过对作物图像的学习，自动识别作物的不同部位，如叶片、茎秆、果实等，并生成作物的三维模型。
同时，深度学习算法还可以根据作物的形状、尺寸等特征进行分类和识别，从而为农业生产提供更为精确的数据支持。
在农林作物三维重建方法的研究中，我们采用了深度学习三维重建法进行研究。
具体流程如下：数据采集：收集不同种类农林作物的图像数据，包括正常生长状态和受灾状态下的图像。
数据预处理：对采集的图像进行预处理，包括图像增强、去噪、分割等操作，以提高图像质量和识别效果。
模型训练：利用深度学习算法对预处理后的图像进行训练，学习作物的特征和形态。
三维模型构建：在训练好的模型基础上，对新的图像进行分类和识别，并根据分类结果生成作物的三维模型。
结构光编码原理
结构光编码原理
结构光编码原理是一种在计算机视觉与三维重建领域广泛应用的技术。
它基于结构光投射的原理，利用编码的方式将三维物体表面的形状信息转化为二维图像。
结构光编码原理主要分为投射编码和解码两个过程。
在投射编码过程中，通过投射特定编码序列光源到物体表面，每个编码序列对应一个特定的光源亮度组合。
这些光线经过物体表面的反射或透射后，形成一张编码图像。
编码图像中的每个像素点记录着相应位置处的物体表面信息。
在解码过程中，需要使用一个相机来捕获编码图像。
由于每个像素点处都有不同的光源亮度组合，通过对比观察编码图像和参考图像的差异，可以推导出每个像素点处的物体高度或空间坐标。
结构光编码原理的核心思想是通过编码和解码的过程，实现对三维物体表面信息的捕捉和重建。
通过分析编码图像与参考图像的差异，我们可以获取物体的几何形状、深度信息等。
在许多领域中，如工业制造、计算机图形学、虚拟现实等，结构光编码原理被广泛应用于三维建模和测量中。
总之，结构光编码原理是一种利用特定编码序列和解码算法，将物体表面的形状信息转化为二维图像的技术。
通过对比编码图像和参考图像的差异，可以实现对物体的三维重建和测量。
这项技术在工业制造、计算机图形学等领域有着广泛的应用前景，为我们提供了更多实现三维建模和测量的可能性。
线结构光3d相机 算法
线结构光3d相机算法1.引言1.1 概述概述:随着科技的不断进步和人们对于三维视觉信息获取的需求日益增长，线结构光3D相机成为了一种流行的三维测量设备。
这种相机利用投射的结构光和相机接收的图像来获取目标物体的三维形状和纹理信息。
相比于传统的测量方法，线结构光3D相机具有高精度、高速度和非接触等优点，被广泛应用于工业制造、机器人导航、虚拟现实等领域。
本文将重点介绍线结构光3D相机的算法。
在原理介绍部分，将详细阐述线结构光原理的基本概念和工作原理，包括光源的选择、结构光投影模式和相机的成像原理。
在算法描述部分，将重点讨论相机标定、三维重建和纹理映射等关键算法。
通过对这些算法的深入解析，读者将能够更好地理解线结构光3D相机的原理和工作流程。
本文的目的在于帮助读者全面了解线结构光3D相机算法的基本原理和应用。
无论是学术研究还是工程实践，对于这些算法的掌握都至关重要。
通过本文的学习，读者将能够掌握线结构光3D相机的关键算法，进而应用于实际问题中。
接下来的正文部分将详细介绍线结构光3D相机的原理和算法描述，读者将逐步了解到线结构光3D相机是如何利用结构光和相机图像进行三维测量的，从而获得目标物体的三维形状和纹理信息。
最后的结论部分将对本文的内容进行总结，并展望线结构光3D相机在未来的发展方向。
总之，本文将通过对线结构光3D相机的算法进行深入介绍，帮助读者全面了解线结构光3D相机的原理和应用。
无论是对于科研人员还是工程师来说，对于这种三维测量设备的掌握将会对他们的工作产生重要的帮助。
希望本文能够为读者在相关领域的研究和实践提供有价值的参考。
1.2文章结构文章结构是指文章的组织框架和部分标题的选择，它在一定程度上决定了读者对文章内容的理解和把握。
本文将围绕线结构光3D相机算法展开，主要分为引言、正文和结论三个部分。
在引言部分，我们将对整篇文章进行概述，介绍线结构光3D相机的基本原理和算法在三维重建领域的应用。
通过引言，读者可以初步了解文章的主题以及本文的研究目的和意义。
散斑结构光三维重建
散斑结构光三维重建结构光三维重建是一种常用的三维形状获取方法，通过投射特殊编码的结构光模式，利用相机捕捉物体反射的光线，从而重建物体的三维形状。
而散斑结构光三维重建是结构光三维重建中的一种重要技术手段。
散斑是由光在物体表面上经过反射、折射、散射等过程形成的光强分布不均匀的现象。
在结构光三维重建中，利用散斑现象可以提供物体表面的微小变形信息，从而实现对物体形状的精确重建。
散斑结构光三维重建的原理是，通过投射具有特定空间编码的结构光模式，使光线在物体表面形成散斑。
然后利用相机拍摄物体表面的散斑图像，并对其进行处理。
通过分析散斑图像中的光强分布和变形情况，可以推断出物体表面的形状信息。
散斑结构光三维重建的过程可以分为以下几个步骤：1. 投射结构光：首先需要选择合适的结构光模式，例如条纹、格点等，然后通过投射器将结构光模式照射到物体表面上。
2. 拍摄散斑图像：利用相机拍摄物体表面散斑图像。
由于散斑是由光线在物体表面反射、折射、散射等过程中形成的，因此散斑图像中包含了物体表面微小的形变信息。
3. 图像处理：对拍摄得到的散斑图像进行处理，提取出散斑光强分布的信息。
常用的处理方法包括傅里叶变换、滤波等。
4. 重建物体形状：根据散斑图像中的光强分布和变形情况，推断出物体表面的形状信息。
常用的重建方法包括相位解包、相位提取等。
散斑结构光三维重建技术具有很多优点。
首先，相比其他三维重建方法，散斑结构光无需接触物体，能够快速、非接触地获取物体的三维形状信息。
其次，散斑结构光对物体的表面性质要求较低，可以适用于不同材质的物体。
此外，散斑结构光还能够获取物体表面微小形变的信息，对于一些需要精确测量形变的应用具有重要意义。
然而，散斑结构光三维重建技术也存在一些限制。
首先，散斑图像中往往存在噪声干扰，需要进行一定的图像处理来提取有效信息。
其次，散斑结构光对物体表面的反射特性和光照条件敏感，需要在实际应用中进行光照控制和校准。
基于光学成像技术的三维重建研究
基于光学成像技术的三维重建研究随着光学成像技术的不断发展，三维重建技术也越来越被广泛应用于许多领域，例如医学、建筑、文化遗产保护等等。
基于光学成像技术的三维重建已经成为当前研究的热点之一。
一、光学成像技术的基本原理光学成像技术是指通过光学显微镜等仪器对样品进行成像的一种技术。
其基本原理是，通过光线在物体表面的反射、折射、吸收等作用，来得到样品的信息。
在不同的光学成像技术中，如透射光学、荧光显微镜、共聚焦显微镜等，都有不同的成像原理和优势。
二、基于光学成像技术的三维重建方法目前，常见的光学成像技术在三维重建方面主要应用了以下三种方法：1. 多视图几何法多视图几何法是指通过多个角度、多个位置采集目标物体的图像，以此来还原出物体的三维形态。
这种方法可以采用不同类型的光学成像技术，例如光学显微镜、X射线成像等。
在采集图像时，可以通过自动调焦、滤光器、液晶偏振器等附加设备来提高图像质量和细节。
此外，对于较复杂的样品，还可以采用结构光投影来帮助测量表面形状和深度信息。
2. 物理检测法物理检测法是指通过利用样品的物理特性来得到物体的三维信息。
这种方法常用于成像纳米、微米物质，可以采用原子力显微镜、扫描透射电子显微镜等技术。
通过探测表面形貌、硬度、热力学性质等多种参数，可以对物体进行三维成像。
3. 全息法全息法是指通过采用激光全息术等技术来记录物体的全息图像，然后再通过重建算法来得到物体的三维形态。
这种方法可以在不接触样品的情况下实现三维成像，是一种非常优秀的技术。
可以通过改变全息图的位置、视角和焦点来获取更完整的三维信息，可广泛应用于生物学、材料科学等领域。
三、基于光学成像技术的三维重建应用基于光学成像技术的三维重建已经应用于许多领域，例如：1. 医学领域在医学领域，基于光学成像技术的三维重建可以帮助医生进行更精确的诊断和手术。
例如，利用CT、MRI等成像技术，可以对人体内部结构进行三维成像，并进行数字化分析。
多视角立体三维重建方法研究共3篇
多视角立体三维重建方法研究共3篇多视角立体三维重建方法研究1多视角立体三维重建方法研究立体三维重建是计算机视觉领域中的一个重要研究方向，它能够利用多个视角的图像信息，还原出真实世界中的三维模型，并为图像和视频处理、虚拟仿真等领域的发展提供基础支持。
多视角立体三维重建方法是其中的重要一类，它通过多幅拍摄同一物体的图像，提取出不同视角下的信息，再将它们融合在一起，生成物体完整的三维模型。
本文将重点介绍多视角立体三维重建方法的相关研究进展及其应用领域。
一、多视角立体三维重建方法的基本原理多视角立体三维重建方法是利用多个摄像机或单个摄像机在不同位置拍摄同一物体的方法，以获取该物体不同视角下的信息。
在获得多幅图像之后，通过图像的匹配与融合，形成物体的三维表示。
整个流程可概括为：1、标定摄像机：标定摄像机相对空间位置和内部参数，以获得摄像机的外部和内部参数。
2、采集图像：在不同的位置和角度下，采集物体的多幅图像。
3、匹配图像：通过图像特征提取、匹配和筛选等过程，找到图像间的一一对应关系。
4、计算深度：通过计算三角测量、立体匹配等方法，获得物体表面上各个点的深度信息。
5、融合三维信息：将不同视角下的深度信息融合，生成物体完整的三维模型。
该方法主要适用于对静态场景进行三维建模，对于动态物体的建模需要考虑时间因素,例如，对于一个动态物体的一段时间内的变化，需要合并不同时间段的点云数据，生成其完整的三维模型。
除此之外，在具体应用中，多视角立体三维重建方法也存在一些挑战，例如，对于一些固有缺陷严重、表面反光度高的物体，会导致部分信息获取不到，从而影响三维重建的精度。
二、多视角立体三维重建方法的发展历程多视角立体三维重建方法的应用历史比较悠久。
早在20世纪90年代，该方法就被广泛应用于建模和增强现实领域。
但是，由于当时硬件设备、图像处理能力等方面的发展不完善，该方法的研究和应用受到了较大限制。
近年来，随着计算机视觉、计算机图形学、深度学习等领域的快速发展，多视角立体三维重建方法也得到了进一步的发展，主要表现在以下几个方面：1、相机技术的发展：近年来相机技术迅速发展，如全景相机、深度相机、高速相机等相机的出现，使得多视角立体三维重建方法能够更加精确地采集不同视角下物体的信息。
点云三维重建算法
点云三维重建算法全文共四篇示例，供读者参考第一篇示例：点云三维重建算法是一种将离散的点数据集合转换为三维模型的技术。
随着计算机图形学和机器学习的发展，点云三维重建算法在多个领域得到了广泛应用，比如计算机视觉、机器人技术、地图制图和医学影像等。
本文将介绍点云三维重建算法的基本原理、常用方法和应用领域。
一、点云三维重建算法的基本原理点云是由大量的点坐标数据组成的，可以看作是三维空间中的一个离散采样。
对于一个物体或场景的点云数据，我们希望通过算法将其转换为一个具有表面结构的三维模型，以便于后续的分析和应用。
点云三维重建算法的基本原理就是利用点云数据之间的几何关系和拓扑结构，将其映射到一个三维空间中的表面。
在实际应用中，点云三维重建算法通常分为以下几个步骤：1. 数据预处理：首先对输入的点云数据进行预处理，包括去除噪声、填充缺失值和对数据进行归一化等操作。
2. 特征提取：通过对点云数据进行特征提取，找到点云数据之间的几何特征和结构信息，为后续的模型重建提供重要的信息。
3. 拓扑分析：根据点云数据的拓扑结构和几何关系，确定点与点之间的连接关系和约束条件。
4. 三维重建：根据前面得到的信息和模型，利用不同的重建算法将点云数据转换为具有表面结构的三维模型。
5. 优化调整：对重建的三维模型进行优化调整，使其更加贴合原始的点云数据，提高重建的精度和真实感。
二、常用的点云三维重建算法在点云三维重建领域，有很多研究者提出了各种不同的算法和方法。
下面简要介绍几种常用的点云三维重建算法：1. 基于三维扫描的重建算法：这种算法通过使用激光扫描仪等设备收集大量的三维点云数据，并利用三维重建技术将点云数据转换为表面模型。
这种算法的优点是能够获得高分辨率和高精度的三维模型，但需要昂贵的设备和大量的时间成本。
2. 基于图像的重建算法：这种算法通过将点云数据投影到图像平面上，利用计算机视觉和图像处理技术进行特征匹配和三维重建。
这种算法的优点是简单易用，能够实现快速的三维重建，但对于复杂的场景和物体可能存在一定的限制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net第27卷 第4期吉林大学学报(信息科学版)Vol.27 No.4
2009年7月JournalofJilinUniversity(InformationScienceEdition)July2009
文章编号:167125896(2009)0420400207
收稿日期:2009205213
基金项目:吉林省科技发展重点基金资助项目(20080325)作者简介:滕世明(1982— ),男,长春人,吉林大学硕士研究生,主要从事计算机图像处理研究,(Tel)86213504432041(E2mail)teng2shiming@yahoo1com1cn;许志闻(1965— ),男,长春人,吉林大学教授,博士生导师,主要从事网络流媒体、计算机图形学与图像处理、生物信息学的研究,(Tel)86213904310477(E2mail)zw_xu@yahoo1com.cn。
基于结构光和序列图像的三维重建方法滕世明,王 森,许志闻(吉林大学计算机科学与技术学院,长春130012)
摘要:为解决在基于图像三维重建物体表面的过程中,对不同图像进行立体匹配的难题,提出了基于特征的立体匹配算法,建立了利用序列图像重建物体表面的系统。系统采用投影结构光给物体表面加上主动特征的方法,以快速精确地重建物体表面,并对Canny算法进行了改进,用于轮廓提取、细化和修正等操作,从而准确获取图像主动线索特征。该方法能快速获取物体表面的三维点云数据,并达到了较高的精度。关键词:三维重建;三维建模;双目立体视觉;三角测量原理中图分类号:TP391文献标识码:A
Researchof3DReconstructionBasedonStructuredLightandSequenceImages
TENGShi2ming,WANGSen,XUZhi2wen(CollegeofComputerScienceandTechnology,JilinUniversity,Changchun130012,China)
Abstract:3Dreconstructiontechnologyofobjectsurfacehasthewidespreadapplicationinmanydomains.Intheprocessofreconstructingobjectsurfacebasedonimages,stereomatchingfromdifferentimagesisthemostimportantanddifficultproblemin3Dreconstruction.Tosolvetheproblemandreconstructingobjectsurfacequickly,weuseprojectortoprojectstructuredlighton3Dobject.WegetgoodactivecluefeatureinimagesbyusingimprovedCannyedgedetectionalgorithm,thinningalgorithmandcorrectionalgorithm.Weproposeanim2agematchingalgorithmbasedonimagecharacteristic.Asystemof3Dmodelingisimplementedusingsequenceimages.Thesystemobtainsthe3Ddatainfastspeedandgoodprecision.Keywords:3Dreconstruction;3Dmodeling;binocularstereovision;triangulationtheory
引 言三维表面数据的获取是物体三维重建的基础,它在飞机、汽车、船舶、医学影像建模、机器人视觉、人机交互界面、文物保护、三维人脸识别等制造业和工业领域中有着大量需求。如何快速而准确地获取被测物体表面的三维形状信息,并根据这些信息对被测物体进行三维重建是一项重要而有难度的研究课题。在三维扫描中,非接触式扫描应用比较广泛。非接触式扫描[1]将激光或可见光投射到被测物体表面,然后利用各种感光器件对发射的光进行感光,再利用各种技术计算出物体表面的深度信息。非接触式扫描无需与被测物体直接接触,所以不会直接对被测物体产生物理损伤。在非接触测量方法中,激光扫描不易受到图像采样噪声及物体表面纹理的影响,扫描精度较高,但激光扫描测量过程耗时较长,同时激光扫描仪价格昂贵。光栅投影法投射一次光栅就可获得物体一个侧面的三维信息,与激光扫描法相比,减少了信息的冗余,具有速度快、精度高等优点,代表了光学非接触式测量方法的发展方向。© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
笔者根据双目立体视觉原理,研究设计了一种基于结构光和序列图像的物体表面三维重建系统,该系统装置简单成本低,可快速获取被测物体表面的三维信息,并达到较好的三维重建效果。
1 重建原理与系统构成在双目立体视觉中,摄像机模型描述了三维场景投影到二维图像的过程,摄像机模型确定后,可知道三维空间中某点在二维图像平面的投影点的位置。摄像机针孔模型的成像几何关系如图1所示,引进了3个坐标系:图像坐标系、摄像机坐标系和世界坐标系[2]。
图1 摄像机针孔成像模型Fig11Pinholeimagemodelofcamera
图像坐标系xO
1y定义在图像上,
坐标原
点是O1;(u,v)以像素为单位,坐标原点O0为图像左上角;O1在u,v坐标系中的坐标为(
u
0,
v0)。摄像机坐标系的原点Oc
在相机的光心上,
Xc轴和Yc
轴与图像坐标系中的x轴和y轴平
行,Zc轴为相机光轴,它与图像平面垂直,光轴与图像平面的交点即为图像坐标系的原点O1。OcO1
为相机的有效焦距。世界坐标系是假想的
参考坐标系,可固定于场景中某物体上,用于描述摄像机的位置。图1中A(X
c,Yc,Zc)是摄
像机坐标系中的一个点,a是A在图像坐标系中的投影点。根据针孔成像模型,经过理论推导可以得到像素坐标和世界坐标之间的关系
suv1=MXw
Yw
Zw
1
其中s是比例系数;u,v是点的像素坐标,矩阵M可由摄像机标定得到;(X
w,Yw,Zw)是点A的世界坐标。则
双目视觉模型可表示为
s1u1v11=M1XwYwZw1; s2u2v21=M2
Xw
Yw
Zw
1
m1=(u1,v1)和m2=(u2,v2)是空间同一点在两个角度图像中的对应点,s1和s2是比例系数;M1和M2
是两个角度摄像机参数矩阵。通过摄像机标定得到M1、M2。从而得到一个关于Xw、Yw、Zw的4个线性方程
构成的超定方程组,可利用最小二乘法解得该点的世界坐标。从上面分析可知,为了实现物体表面的三维重建,主要需要解决摄像机标定和对应点立体匹配这两个问题。在本系统中,摄像机标定使用的是张正友平面标定算法[3,4];在总结前人对应点匹配方法的基
础上,提出了适合笔者使用的匹配方法。实验设备包括:数码相机、投影仪、计算机和滑台。为实现二维图像对应点的匹配,使用投影仪向物体投射结构光,在物体表面形成主动线索特征,以进行对应点的匹配。将滑台水平放置,相机在滑台上水平移动,这样相机可在多个角度拍摄到物体的二维图像。这些二维图像都是相机在相同参数条件下拍摄得到的,所以对摄像机只需进行一次标定。对得到的多角度图像进行主动线索特征提取,然后进行立体匹配,即找到空间同一点在多角度图像上的投影点。在图像立体匹配的基础上,结合相机标定的参数,利用双目视觉原理得到空间点的三维数据,最终实现物体表面的三维重建。
104第4期滕世明,等:基于结构光和序列图像的三维重建方法© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net2 对应点立体匹配基于灰度的匹配[5]方法是把一幅图像中某一点的灰度邻域作为模板,在另一幅图像中搜索具有相同(或相似)灰度值分布的对应点邻域。该方法能获得稠密的偏差图,但计算量大,对缺乏纹理特征的图像或深度不连续处误匹配概率较高,匹配精度较差,受外部环境影响明显。基于特征的匹配不是基于图像灰度信息进行简单的相似度比较,而是利用通过灰度导出的几何特征来实现匹配。具有较强的抗干扰性,相对于基于灰度的匹配,计算量小,速度快,并能处理视差不连续的问题。笔者根据实际情况选择以特征为基元的匹配。目前基于特征的匹配主要利用极线几何,需求解基本矩阵,得到对应点所在的极线,极线上具体对应点还需进一步求解。笔者将滑台水平放置,可使相机在滑台上水平移动,竖直方向不发生位移,因此每次相机成像平面都在同一个平面上。从极线几何的角度讲,极线是在一条直线上,所以不同视角拍摄的图像中的物体对应点在竖直方向像素坐标相同。因而只需进行水平方向上的匹配,不用求解基本矩阵,降低了匹配算法复杂度,提高了匹配的速度。211 图像主动线索特征获取为实现图像的特征匹配,采用了投影结构光给物体表面加上主动特征的方法。笔者根据实验需要,
为了能较好地提取带有深度信息的光栅轮廓,采用了对比度最大的黑白相间竖直平行排列的光栅,如图2所示。然后进行如下操作。1)图像预处理。实验中,物体与背景在颜色信息上是有差异的。设定阈值,将物体和背景相分离。然后对图像进行灰度化处理。2)光栅条纹轮廓获取。光栅条纹携带了物体的轮廓深度信息,需对光栅条纹进行轮廓提取。传统的边缘检测算法如Roberts算法、Sobel算法、Prewitt算法都是局域窗口梯度算法,对噪声敏感,实际处理效果不理想。Canny算法在边缘检测方面有良好的效果,但在实际应用中,如果简单地使用Canny算法进行检测,往往达不到很好的效果,笔者对传统Canny算法进行改进,得到了较好的实验效果。传统的Canny边缘检测算法[6]可概括为以下4个步骤。①用高斯滤波器平滑图像。对信号进行平滑滤波,以滤去噪声。②用一阶偏导的有限差分计算梯度的幅值和方向。③对梯度幅值进行非极大值抑制,梯度幅值的非极大点被除去,使边缘变细。④用双阈值算法检测和连接边缘,设定高低阈值连接边缘,去除噪声和细纹引起的假边缘。笔者对Canny边缘检测算法进行了如下改进。①传统Canny算法在2×2邻域内用求有限差分均值计算梯度幅值,对边缘的定位比较准确,但易受噪声影响,容易形成假边缘。为此使用计算方向导数,采用的微分算子是(-101)和(-101)′。②传统Canny算法在非极大值抑制过程中,使用3×3大小,包含8个方向的邻域对梯度幅值阵列的所有像素沿梯度方向进行梯度幅值的插值。在每点上,将邻域的中心像素与沿梯度方向的2个梯度幅值的插值结果进行比较。由于受噪声的影响,容易将噪声点当作边缘点。所以笔者选择使用5×5大小的邻域对梯度幅值阵列的所有像素沿梯度方向进行梯度幅值的插值。在每点上,将邻域的中心像素与沿梯度方向的4个梯度幅值的插值结果进行比较。通过增多梯度方向上比较点的数量降低噪声影响的概率。③传统Canny算法在检测和连接边缘阶段使用的是固定的高、低阈值,不是由图像边缘的特征信息决定,因此不具有自适应能力,自动化程度低,边缘提取的效果不理想[7]。笔者在对梯度幅值进行非极大值抑制后,得到可能的边缘点集,统计可能边缘点集的直方图,将梯度小于高阈值的像素数目占像素总数目的比例设为R1;将低阈值和高阈值的比例设为R2。根据所得图像梯度值对应直方图,从低梯度值等级开始逐步累加图像点数目,当累加数目达到图像总像素数目的R1时,对应的图像梯度值设置为高阈值,低阈值可通过与高阈值的比例求得。在连接边缘的过程中,传统Canny算法在低阈值8邻点位置寻找可以连接到轮廓上的边缘,而笔者