【图像配准】图像配准基础知识:入门知识、点云基础、图像配准的概念、基础和分类
图像配准基础
入门知识、背景
点云
点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,在获取物体表面每个采样点的空间坐标后,得到的是点的集合,称之为“点云”(Point Cloud)
点云图像是最基础也是最常见的三维图像
点云的分类
根据激光测量原理得到的点云,包括三维坐标(XYZ)和激光反射强度(Intensity)。强度信息与目标的表面材质、粗糙度、入射角方向,以及仪器的发射能量,激光波长有关。
根据摄影测量原理得到的点云,包括三维坐标(XYZ)和颜色信息(RGB)。
也可以两者结合
点云的获取
RGBD设备(深度摄像机)
PrimeSense公司的PrimeSensor、微软的Kinect、华硕的XTionPRO。
点云的属性
空间分辨率、点位精度、表面法向量等
点云的存储格式
.pts; .asc ; *.dat; .stl ; [1] .imw;.xyz;.las。
点云的数据类型
1)pcl::PointCloudpcl::PointXYZ
PointXYZ 成员:float x,y,z;表示了xyz3D信息
2)pcl::PointCloudpcl::PointXYZI
PointXYZI成员:float x, y, z, intensity; 表示XYZ信息加上强度信息的类型
3)pcl::PointCloudpcl::PointXYZRGB
PointXYZRGB 成员:float x,y,z,rgb; 表示XYZ信息加上RGB信息,RGB存储为一个float
4)pcl::PointCloudpcl::PointXYZRGBA
PointXYZRGBA 成员:float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息,RGBA用32bit的int型存储的。
5)PointXY 成员:float x,y;简单的二维x-y点结构
6)Normal结构体:表示给定点所在样本曲面上的法线方向,以及对应曲率的测量值
三维图像
相比较于常见的二维图像,其最大的特征是表达了空间中三个维度(长度宽度和深度)的数据
表现形式:
深度图(以灰度表达物体与相机的距离)
几何模型(由CAD软件建立)
点云模型(所有逆向工程设备都将物体采样成点云)
点云处理的三个层次
点云数据处理:
https://www.cnblogs.com/yhlx125/p/4952522.html
https://blog.csdn.net/pdw521/article/details/82492428
图像处理分成三个层次
低层次:图像强化,滤波,关键点/边缘检测等
中层次:连通域标记(label),图像分割等
高层次:物体识别,场景分析等
PCL官方的点云处理:
低层次:
①滤波方法:双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。
②关键点:ISS3D、Harris3D、NARF,SIFT3D
中层次:
①特征描述:法线和曲率的计算、特征值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image
②分割与分类:
分割:区域生长、Ransac线面提取、全局优化平面提取、K-Means、Normalize Cut(Context based)、3D Hough Transform(线、面提取)、连通分析
分类:基于点的分类,基于分割的分类,基于深度学习的分类(PointNet,OctNet)
高层次:
①配准
粗配准、精配准
粗配准是指在点云相对位姿完全未知的情况下对点云进行配准,可以为精配准提供良好的初始值。
当前较为普遍的点云自动粗配准算法包括基于穷举搜索的配准算法和基于特征匹配的配准算法。
基于穷举搜索的配准算法:
遍历整个变换空间以选取使误差函数最小化的变换关系或者列举出使最多点对满足的变换关系。如RANSAC配准算法、四点一致集配准算法(4-Point Congruent Set, 4PCS)、Super4PCS算法等……
基于特征匹配的配准算法:
通过被测物体本身所具备的形态特性构建点云间的匹配对应,然后采用相关算法对变换关系进行估计。如基于点FPFH特征的SAC-IA、FGR等算法、基于点SHOT特征的AO算法以及基于线特征的ICL等…
精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。应用最为广泛的精配准算法应该是ICP以及ICP的各种变种(稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP)。
②SLAM图优化:Ceres(Google的最小二乘优化库,很强大), g2o、LUM、ELCH、Toro、SPA
SLAM方法:ICP、MBICP、IDC、likehood Field、NDT
③三维重建
④点云数据管理:点云压缩,点云索引(KD、Octree),点云LOD(金字塔),海量点云的渲染。
概念
图像配准:一个场景的不同图片转换到相同的坐标系中。
目的:空间中同一位置的点一一对应起来,进行信息融合
不同图片拍摄形成的原因:
不同的时间拍摄:找到和评价,连续获得的图像之间场景的改变。应用:运动追踪
不同的传感器拍摄:整个不同来源的信息,获得更复杂、更细节的场景表示。应用:获得更好的图片
不同的视角拍摄:获得更大的2D视图,或扫描场景的3D表示。应用:3D恢复
不同图像之间的空间关系:
硬性转变(rigid):平移、旋转
仿射(affine):大小改变、扭转
同型异义( homography)
复杂的大的变形(Large Deformation Model)
步骤
1)特征检测:
检测显著和独特的对象(闭合边界区域、边缘、轮廓、交线、角点等)
这些特征可以通过点来表示,这些点称为控制点CP
2)特征匹配:
建立场景图像(Sense Image)和参考图像(Reference Image)特征之间的相关性。
使用特征描述符(descriptor)对特征进行描述。
使用相似性度量、特征的空间相关性。
3)转换模型估计:
估计:将 SenseImage 和 ReferenceImage对齐的 映射函数的类型和参数。
参数通过特征相关性计算。
4)图像重采样、图像转换
使用映射函数,转换SenseImage。
使用合适的插值技术,计算非整数坐标的图像值。
1)上:特征检测
2)中:特征匹配、特征描述
3)左下:利用建立的相关性 **估计 **转换模型
4)右下:用合适的插值技术,进行重采样和转换
分类
按照图片不同
按照处理方法不同
(1)基于待配准图像 灰度信息 的配准方法
以整幅图像的灰度信息为依据,建立待配准图像和基准参考图像之间的相似性度量
利用某种搜索算法,寻找出使得相似度量达到最优值的变换模型参数。
也称之为直接配准法;
(2)基于待配准图像 变换域内信息 的配准方法
通常是利用傅里叶变换为基础,进行频域内的配准。
傅里叶变换能够用于具有平移、旋转、缩放的图像配准中是因为
(a)对于两幅具有平移量的图像经过傅里叶变换后,他们的相位关系是不同的,因为在时域内平移量直接决定在傅里叶变换域内的相位关系;
(b)对于两幅具有旋转量的图像,在傅里叶变换域内的旋转量保持不变;
(c)对于两幅具有尺度缩放的图像,先进行坐标系转换,变换到对数坐标系当中,图像的缩放可以转换成图像平移进行处理。
(3)基于待配准图像 特征信息 的配准方法
基于特征的配准方法是目前最常用的配准方法之一.
该算法只需要提取待配准图像中的点、线、边缘等特征信息,不需要其它辅助信息,
在减少计算量、提高效率的同时,能够对图像灰度的变化有一定的鲁棒性。
但是,由于该算法只采用了图像一小部分的特征信息,所以这种算法对特征提取和特征匹配的精度及准确性要求非常高,对错误非常敏感。
根据选取的特征信息的不同,把基于特征的图像配准方法划分为三类
(a)基于特征点的匹配
一般所选取的特征点是相对于其领域表现出来具有某种奇异性的像素点。
特征点往往容易被提取到,但是特征点所包含的信息相对较少,只能反映出其在图像中的位置坐标信息,所以在两幅图像中寻找匹配的特征点是关键所在。
(b)基于特征区域的匹配
在图像中寻找某些明显的区域信息作为特征区域,
然而在实际应用中寻找到特征区域后,采用最多的还是区域的形心点,所以这类算法要求特征区域提取的精度非常高。
(c)基于特征边缘的匹配
图像中最明显的特征就是边缘,而边缘特征也是最好提取的特征之一。
因此给予边缘的匹配方法鲁棒性较强,适用范围很广,但这类方法对特征边缘的提取要求很高,并且要求边缘信息全部用数学语言予以表述也较为困难。
【图像配准】图像配准基础知识:入门知识、点云基础、图像配准的概念、基础和分类相关推荐
- 2022-08-01 零基础吉他入门知识(二) 吉他上的十二平均律,给吉他调弦,规范化弹吉他:节拍器,持琴姿势和拨弦手势
文章目录 0.回顾 1.吉他上的十二平均律 钢琴上的十二平均律:七个白键+五个黑键组成数量为12的不同音调的音阶 吉他上的十二平均律:找出每一根弦上的1234567 吉他上的音阶把位图[记忆] 2.给 ...
- 达梦数据库入门 - 零基础到入门 - 达梦云适配中心
前言: 越来越多的同学或基于工作需求,或基于兴趣爱好上了解到了国产达梦数据库,但往往在想要学习新的知识的时候不知道该从何处入手,网上查询相关资料的话杂乱无章,往往让会令自己更加迷茫于该怎么入手去学习达 ...
- 0基础单片机入门知识:怎么使用数字万用表以及注意事项
怎么零基础玩转数字万用表 万用表是一种多功能.多量程的测量仪表,可用来测量交直流电流.交直流电压.电阻.三极管放大倍数,有的还可以测量电容量.电感量等参数. 首先我们先了解一下数字万用表需要注意的事项 ...
- 2022-07-31 零基础吉他入门知识
文章目录 0.前言 1.吉他的琴弦 1.1.叫什么? 1.2.分别是什么音? 2.吉他的品格 2.1.名词介绍 2.2.变调夹 2.3.看懂和弦图 3.开始弹吉他 3.1.怎么弹 3.2.右手指法练习 ...
- 【单片机基础】入门知识
1.从电路到集成电路 1.1 电路物理课的电学知识,直流电,交流电,当电路,负载,构成一个回路形成电路基尔霍夫电压定律基尔霍夫电流定律欧姆定律功率,体积,功能趋势 : 功率越小(越来越省电),体积越小 ...
- 2022-08-13 零基础吉他入门知识(三) 六线谱,和弦图和爬格子的知识补充,吉他中的和弦:大三和弦的各个和弦图理解
文章目录 1.六线谱 2.和弦图(补充) 3.爬格子(补充):按照六根弦的音阶来爬格子 4.吉他中的大三和弦 4.1.C和弦 4.2.D和弦 4.3.E和弦 4.4.G和弦 4.5.A和弦 4.6.练 ...
- 计算机二级c语言公共基础知识(免费的) 百度云,计算机二级c语言公共基础知识(免费的).doc...
计算机二级c语言公共基础知识(免费的).doc 计算机二级C语言的二级共公基础知识教程 第一章数据结构与算法 1.1 算法 算法:是指解题方案的准确而完整的描述. 算法不等于程序,也不等计算机方法,程 ...
- 零基础python入门密歇根大学安娜堡分校_零基础:Python入门,看这篇就够了~ 王磊...
Python在设计上坚持了清晰划一的风格,这使得Python成为一门易读.易维护,并且被大量用户所欢迎的.用途广泛的语言. 设计者开发时总的指导思想是,对于一个特定的问题,只要有一种最好的方法来解决就 ...
- C语言基础知识入门和C语言入门基础知识大全
一.C语言基础知识入门 C语言一出现,就以其丰富的功能.强大的表达能力.灵活性.方便性和广泛的应用,在世界范围内迅速普及和普及.C语言不仅高效而且可移植.它可以用来开发应用软件.驱动程序.操作系统等. ...
- 【Python零基础快速入门系列 | 03】AI数据容器底层核心之Python列表
• 这是机器未来的第7篇文章 原文首发地址:https://blog.csdn.net/RobotFutures/article/details/124957520 <Python零基础快速入门 ...
最新文章
- Llinux课程计划安排
- 210串口控制台-210移植printf不好使
- 【CyberSecurityLearning 56】自动化注入
- Lucene6去掉了Filter但是可以用BooleanQuery实现Filter查询
- MySQL之命令mysql -- MySQL服务器的客户端工具
- 阿里P8架构师谈:大数据架构设计(文章合集)
- STL中 set 和 multiset
- 2021浙江高考首考成绩查询,浙江2021选考成绩什么时候出成绩?附2021浙江学考成绩查询时间...
- vb里面计算误差咱们解决_盘点3dmax渲染出来是黑色的6个原因及解决方法
- 华为P7电信4G版刷机包 EMUI2.3 官方B125 第3版 精简 ROOT
- Oracle 函数大全(字符串函数,数学函数,日期函数,逻辑运算函数,其他函数)...
- [Erlang 0127] Term sharing in Erlang/OTP 上篇
- 2017年二级计算机c真题语言,2017全国计算机二级C考试真题
- 计算机专业学校课程改革,中专学校计算机专业课程改革初探
- 红米AC2100刷固件心得
- linux内核源码系统调用有多少个,Linux内核源码目录介绍
- 项目管理(PMP)项目经理的角色
- 小学文化学导数——斜率
- php实现选择不同字段查询,laravel 实现根据字段不同值做不同查询
- Vue脚手架使用步骤
热门文章
- c语言输入三个身高输出最高,输入两个人的身高,计算并输出他们的平均身高.(身高以米为单位,最后结果保留两位小数)...
- PAT Basic Level 1089 狼人杀-简单版 解题思路及AC代码 v0.96
- 智象科技一体化运维平台的价值
- 物联网的通天塔困境:试图平息标准之争反而引发另一场大战
- 《云云众声》第102期:直接上干货 聊聊业界最火 HPC和云计算
- 南加大计算机科学博士,喜讯!祝贺天和学子收获南加利福尼亚大学PhD in Computer Science Offer!...
- Java中文编程开发,让Java编写更加容易
- 访问到下单转化率mysql代码_咨询转化率是咨询顾客下单数占
- 【MySQL】——mysql系列之参数调优
- 【算法导论】动态规划之“钢管切割”问题