Photometric Stereo 光度立体三维重建(三)——由法向量恢复深度
本文分为三部分,第一部分是使用最小二乘法求解物体表面法向量,第二部分是利用求解得到的法向量求出物体表面的深度(物体表面的高度场),第三部分是将求出的高度场写成obj文件后使用MeshLab显示
1. 最小二乘求解物体表面法向量
Python代码
代码所使用的数据来自https://github.com/yasumat/RobustPhotometricStereo
import numpy as np
import cv2
import glob
from sklearn.preprocessing import normalize# 光源位置数据路径以及物体各帧图像的路径
lights_path = r'.\RobustPhotometricStereo\data\bunny\lights.npy'
bunny_path = r'.\RobustPhotometricStereo\data\bunny\bunny_lambert\*.npy'# 读取光源方向
# 读取到的是 L.T
Lt = np.load(lights_path) # 读取图像
M = []
for fname in sorted(glob.glob(bunny_path)):im = np.load(fname).astype(np.float32)im = cv2.cvtColor(im, cv2.COLOR_RGB2GRAY)if M == []:height, width = im.shapeM = im.reshape((-1, 1))else:M = np.append(M, im.reshape((-1, 1)), axis=1)
M = np.asarray(M)# 光度立体计算 使用最小二乘法
# M = NL <-> M.T = L.T N.T
N = np.linalg.lstsq(Lt, M.T)[0].T
N = normalize(N, axis=1)# 可视化
N = np.reshape(N, (height, width, 3))
N[:,:,0], N[:,:,2] = N[:,:,2], N[:,:,0].copy()
N = (N + 1.0) / 2.0
cv2.imshow('normal map', N)
cv2.waitKey()
cv2.destroyAllWindows()
生成的法向量图:
在以上提到的github项目里,有更多求解法向量的方法
2. 恢复物体表面深度(恢复高度场)
2.1 基本原理
参考:1.http://pages.cs.wisc.edu/~csverma/CS766_09/Stereo/stereo.html
2.https://www.zhihu.com/question/388447602/answer/1200616778
由图可知,物体surface patch的法向量n一定与v1和v2正交,该patch与图像平面(i,j)处的像素相对应,可以获得以下关系:
整理可得:
我们将物体区域内所有像素对应的深度排列成k维列向量z,k是物体区域像素总数,可以得到:
其中A的每一行只有两个非零元素1和-1,以其中一组方程组为例,上式的构造为:
求解这个稀疏线性方程组,便可以得到物体的深度,稀疏方程组的求解可以使用共轭梯度下降,Cholesky分解,LU分解等方法。
2.2 代码实现
这一节是基于上面所提到的github项目的,代码也是添加在其中
要在这个项目上基础上实现该功能,首先要对项目里demo.py中一段代码进行修改:
# Evaluate the estimate
N_gt = psutil.load_normalmap_from_npy(filename=GT_NORMAL_FILENAME) # read out the ground truth surface normal
N_gt = np.reshape(N_gt, (rps.height*rps.width, 3)) # reshape as a normal array (p \times 3)
angular_err = psutil.evaluate_angular_error(N_gt, rps.N, rps.background_ind) # compute angular error
print("Mean angular error [deg]: ", np.mean(angular_err[:]))
# 这里原代码有坑,他传入rps.N时,在函数里面转换了通道,因此如果用rps.N来恢复深度图,会出现错误,现在改为copy,就没问题了
psutil.disp_normalmap(normal=rps.N.copy(), height=rps.height, width=rps.width)
print("done.")
然后在demo.py的后面添加:
# 计算出深度图
rps.compute_depth()
rps.save_depthmap(filename="./est_depth")
psutil.disp_depthmap(depth=rps.depth, mask=rps.mask)
其中计算深度图的函数为
2.2.1 compute_depth()
我们前面提到过,numpixels的数量是mask里面非0像素数量,即物体的掩膜像素。
def compute_depth(self):"""计算出深度图原理参考: Mz = vM shape(2*numpixel, numpixel)z shape(numpixel, 1)v shape(2*numpixel, 1)1.http://pages.cs.wisc.edu/~csverma/CS766_09/Stereo/stereo.html2.https://www.zhihu.com/question/388447602/answer/1200616778"""im_h, im_w = self.mask.shapeN = np.reshape(self.N, (self.height, self.width, 3))# 得到掩膜图像非零值索引(即物体区域的索引)obj_h, obj_w = np.where(self.mask != 0)# 得到非零元素的数量no_pix = np.size(obj_h)# 构建一个矩阵 里面的元素值是掩膜图像索引的值full2obj = np.zeros((im_h, im_w))for idx in range(np.size(obj_h)):full2obj[obj_h[idx], obj_w[idx]] = idx# Mz = vM = scipy.sparse.lil_matrix((2*no_pix, no_pix))v = np.zeros((2*no_pix, 1))#--------- 填充M和v -----------## failed_rows = []for idx in range(no_pix):# 获取2D图像上的坐标h = obj_h[idx]w = obj_w[idx]# 获取表面法线n_x = N[h, w, 0]n_y = N[h, w, 1]n_z = N[h, w, 2]# z_(x+1, y) - z(x, y) = -nx / nzrow_idx = idx * 2if self.mask[h, w+1]:idx_horiz = full2obj[h, w+1]M[row_idx, idx] = -1M[row_idx, idx_horiz] = 1v[row_idx] = -n_x / n_zelif self.mask[h, w-1]:idx_horiz = full2obj[h, w-1]M[row_idx, idx_horiz] = -1M[row_idx, idx] = 1v[row_idx] = -n_x / n_z# else:# failed_rows.append(row_idx)# z_(x, y+1) - z(x, y) = -ny / nzrow_idx = idx * 2 + 1if self.mask[h+1, w]:idx_vert = full2obj[h+1, w]M[row_idx, idx] = 1M[row_idx, idx_vert] = -1v[row_idx] = -n_y / n_zelif self.mask[h-1, w]:idx_vert = full2obj[h-1, w]M[row_idx, idx_vert] = 1M[row_idx, idx] = -1v[row_idx] = -n_y / n_z# else:# failed_rows.append(row_idx)# # 将全零的行删除 对于稀疏矩阵M,要先将其恢复成稠密矩阵进行行删除再转为稀疏矩阵# M = M.todense()# M = np.delete(M, failed_rows, 0)# M = scipy.sparse.lil_matrix(M)# v = np.delete(v, failed_rows, 0)# 求解线性方程组 Mz = v <<-->> M.T M z= M.T vMtM = M.T @ MMtv = M.T @ vz = scipy.sparse.linalg.spsolve(MtM, Mtv)std_z = np.std(z, ddof=1)mean_z = np.mean(z)z_zscore = (z - mean_z) / std_z# 因奇异值造成的异常outlier_ind = np.abs(z_zscore) > 10z_min = np.min(z[~outlier_ind])z_max = np.max(z[~outlier_ind])# 将z填充回正常的2D形状Z = self.mask.astype('float')for idx in range(no_pix):# 2D图像中的位置h = obj_h[idx]w = obj_w[idx]Z[h, w] = (z[idx] - z_min) / (z_max - z_min) * 255self.depth = Z
2.2.2 辅助函数
保存深度图:
def save_depthmap(self, filename=None):"""将深度图保存为npy格式:param filename: filename of a depth map:retur: None"""psutil.save_depthmap_as_npy(filename=filename, depth=self.depth)
def save_depthmap_as_npy(filename=None, depth=None):"""将深度图保存为npy:param filename: filename of the depth array:param normal: surface depth array:return: None"""if filename is None:raise ValueError("filename is None")np.save(filename, depth)
显示深度图
def disp_depthmap(depth=None, mask=None, delay=0, name=None):"""显示深度图:param depth: array of surface depth :param delay: duration (ms) for visualizing normal map. 0 for displaying infinitely until a key is pressed.:param name: display name:return: None"""if depth is None:raise ValueError("Surface depth `depth` is None")if mask is not None:depth = depth * maskdepth = np.uint8(depth)if name is None:name = 'depth map'cv2.imshow(name, depth)cv2.waitKey(delay)cv2.destroyAllWindows(name)cv2.waitKey(1)
生成的深度图:
3. 写入obj文件用MeshLab进行可视化
import scipy.io as sio
import cv2
import numpy as npdepth = np.load('est_depth.npy')
r, c = depth.shapef = open('bunny.obj', 'w')for i in range(r):for j in range(c):if depth[i, j] > 0:seq = 'v' + ' ' + str(float(i)) + ' ' + str(float(j)) + ' ' + str(depth[i, j]) + '\n'f.writelines(seq)f.close()
点云图:
我组建了一个光度立体技术的交流群,有兴趣的朋友可以一起来讨论一下!
Photometric Stereo 光度立体三维重建(三)——由法向量恢复深度相关推荐
- Photometric Stereo光度立体三维重建(五)——基于深度学习的PS方法
本文将会介绍几种具有代表性的将深度学习与Photometric Stereo进行结合来进行三维重建的方法 一.开山之作 DPSN 论文:Deep Photometric Stereo Network ...
- Photometric Stereo 光度立体三维重建(一)——介绍
在计算机视觉的三维重建中,基于几何的方法有: SFM立体视觉 结构光 我们在这篇文章中介绍的是基于光度立体视觉的三维重建方法: 基于几何的三维重建方法中可以恢复粗略的三维形状,而光度法的特点是可以对物 ...
- 如何获取物体表面的法向量?好好谈谈光度立体法
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:AI算法与图像处理 这种逼真的效果,一个很重要的原因是获 ...
- 光度立体(Photometric Stereo)领域中的GBR问题
1999年P. N. Belhumeur等人在<The Bas-Relief Ambiguity>中首次对GBR问题进行了阐述,所谓"bas-reliefs",是指当从 ...
- 光度立体(一)- 基于先验信息的快速表面法向量求解
基于先验信息的快速表面法向量求解 一.光度立体法简介 二.经典光度立体法求解法向量 三.基于先验信息快速求解法向量 一.光度立体法简介 光度立体法(Photometric Stereo)是一种使用多个 ...
- CNN-PS: CNN-Based Photometric Stereo for General Non-convex Surfaces 2018ECCV
摘要 大多数传统的光度立体算法反过来解决了基于BRDF的图像形成模型.然而,由于在非凸表面上的全局光传播,实际的成像过程通常要复杂得多.本文提出了一种光度立体网络,该网络可以直接学习光度立体输入与场景 ...
- 【paper reading】Uncalibrated Photometric Stereo under Natural Illumination
[paper reading]Uncalibrated Photometric Stereo under Natural Illumination 1.简介 2.等效方向光模型 3. 法向估计 3.1 ...
- Halcon 光度立体法应用(二)——皮革表面缺陷检测
Halcon 光度立体法应用--皮革表面缺陷检测 如果想深刻.系列的了解光度立体法,建议根据博客顺序观看.在这个例程中将会介绍通过光度立体法生成的图像适用场景. 总体代码注释说明 * 此例程介绍的是利 ...
- halcon:光度立体法
下文是对于halcon:光度立体法的一些浅薄理解. 主要用于测试产品表面的凹坑,深一点的划伤等等 光度立体法是通过二维图片提取三维模型,一般使用4张图. 下面先看一下测试原图和测试结果 原图: 结果图 ...
最新文章
- 命名管道 win7未响应_大数据分析Python建立分析数据管道
- CREATE TABLESPACE
- 【算法python实现】 -- 岛屿的个数
- 网易OpenStack部署运维实战
- 数字化转型是什么?核心又是什么呢?
- linux离线安装python3 devel_linux离线安装python3
- POJ 1286 Necklaces of Beads (Burnside定理,有限制型)
- 【动态规划】0/1背包问题
- 办公计算机配件,办公电脑加装傲腾如丝般顺滑的办公体验
- Stata 15.1下载
- 中山大学计算机线性代数第六版答案,中山大学2013线性代数第二次作业
- 2020-06-16
- 海关179号出口清单报文CEB603Message描述规范
- 超星问卷与麦客问卷自动填写(selenium+Chrome)
- 系统架构演变到Spring Cloud
- 基于A*搜索算法迷宫游戏开发
- 台式计算机怎么设置,台式电脑怎么设置声音
- 机器人(自动化)课程的持续学习-2022-
- 京东优惠券查询API接口接入方案,item_search_coupon - 京东优惠券查询接口
- [PyQt] Python界面编程学习总结
热门文章
- android 画板(选择图片作为背景并保存)
- 关注中国移动互联网市场:海外移动互联企业图谋中国 喜大市场忧大差异
- 今日股市行情|猴痘概念股票及龙头
- yslow_萤火虫的YSlow性能扩展
- 安卓dip和px相互转换
- 计算机未来对生活的影响英语作文,以未来的生活为话题的英语作文
- rhino软件上Grasshopper 中的快捷键(用gh的同学不妨了解一下)
- WebBrower打开Office2007文件
- 启动3dMax时一直停留在启动屏幕并显示文本“starting 3ds Max…”怎么办?
- 前端基础_配置IIS服务器