CN101751697A - 一种基于统计模型的三维场景重建方法 - Google Patents
一种基于统计模型的三维场景重建方法 Download PDFInfo
- Publication number
- CN101751697A CN101751697A CN201010013640A CN201010013640A CN101751697A CN 101751697 A CN101751697 A CN 101751697A CN 201010013640 A CN201010013640 A CN 201010013640A CN 201010013640 A CN201010013640 A CN 201010013640A CN 101751697 A CN101751697 A CN 101751697A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- dimensional
- dimensional point
- angle point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于统计模型的三维场景重建方法,技术特征在于步骤为:使用Harris角点检测算法提取每幅图像中的角点,然后生成三维点集合X与摄像机参数集合M;利用马尔可夫链蒙特卡罗MCMC方法估计图像角点与三维点之间的匹配概率,利用图像角点与三维点之间的匹配概率对图像角点进行加权平均得到虚拟测量点矩阵V;采用可处理遮挡的射影因式分解算法对虚拟测量点进行射影重构,加入确定性退火算法迭代求解全局最优射影重构结果,利用基于绝对对偶二次曲面的摄像机自标定算法将射影重构提升为度量重构。将原本一次性计算的过程转化为迭代求精的过程。即使匹配关系未知或初始匹配结果较差,通过迭代反馈的方法,最终仍可精确得到三维重建结果。
Description
技术领域
本发明涉及一种基于统计模型的三维场景重建方法,属于计算机视觉中基于图像的三维场景重建领域,特别是涉及图像中特征点之间匹配关系的建立与优化问题。
背景技术
目前在三维重建领域内,Noah Snavely,Steven M.Seiz和Richard Szeliski在文献Modeling the World from Internet Photo Collections(IJCV,vol.80,pp.189-210,2008)中提出了一种利用互联网上大规模图片进行三维重建的完整算法。该算法对每幅图像提取局部不变特征,通过kd树在两两图像间建立匹配并采用归一化8点算法计算基本矩阵,然后利用特征点跟踪得到所有图像间的特征匹配关系,摄像机内参数从图像EXIF标签读取,最后利用bundle adjustment(BA)算法迭代恢复出三维点结构与摄像机参数。但是如果图像之间视角变化较大,则上述算法匹配结果的精度无法满足要求,产生的大量错误匹配会直接影响三维重建的结果。Frank Dellaert在文献Monte Carlo EM forData-Association and its Applications in Computer Vision(doctoral dissertation,tech.report CMU-CS-01-153,Carnegie Mellon University,September,2001)中引入蒙特卡罗EM算法解决计算机视觉领域中的匹配问题,通过概率方法建立起图像特征点与三维点之间的软匹配并进行迭代优化。但是其马尔可夫链蒙特卡罗(MCMC)算法采样效率不高,且仅使用局部优化算法BA进行模型求解,致使迭代容易陷入局部极值。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于统计模型的三维场景重建方法,可以在图像间匹配关系未知或不准确的条件下有效恢复精确匹配关系与三维场景模型。
本发明的思想在于:
技术方案
一种基于统计模型的三维场景重建方法,其特征在于步骤如下:
步骤1使用Harris角点检测算法提取每幅图像中的角点:针对无序数字图像集合,采用Harris角点检测算法提取每幅图像的角点作为图像特征点,以角点集合U={uik|k∈1…nj,i∈1…m}表示,其中k为图像中的角点序号,i为图像序号,ni为第i幅图像中的角点数量,m为图像数量,uik为第i幅图像中第k个角点的二维坐标;
步骤2生成三维点集合X与摄像机参数集合M:采用满足高斯分布N(0,1)的随机函数生成N个三维点,得到三维点集合X={xi|i∈1…n},xi为第i个三维点的坐标,N的值等于所有图像中最大的角点数量;
步骤3利用马尔可夫链蒙特卡罗MCMC方法估计图像角点与三维点之间的匹配概率:利用基本投影公式计算得到三维点在所有图像的重投影点集合H={hij|j∈1…n,i∈1…m},hij为第j个三维点在i幅图像上的投影点;计算图像角点uik和三维点xj之间的权重:
其中:σ为干扰图像的高斯噪声的方差,初始取为σ0;
然后利用MCMC统计模拟方法对图像角点uij与三维点xj之间的匹配概率fijk进行概率估计:对于任意一幅图像i的图像角点与三维点匹配向量ji={jik|k∈1…ni},匹配向量满足约束:图像i的采样过程如下:
步骤a:为图像i中每个角点随机选择一个三维点,建立角点与三维点间的匹配边,得到匹配向量ji 0,约束条件为:不同角点不可对应同一三维点;
步骤b:从图像i的角点集合ui中随机选择一点uik,计算uik与任意三维点之间的转移概率:
步骤c:选择xj的原有匹配边(xj,uik′)对应的角点uik′作为下一次循环的图像角点;
步骤d:重复步骤b直至某次迭代中选择的图像角点在之前已被选择,得到由图像角点和三维点形成的闭环;
步骤e:删除在建立闭环过程中不属于闭环中的临时边,得到新的闭环C;
步骤f:删除闭环C中在步骤a的原有匹配关系,得到图像特征点与三维点之间新的匹配j′i;
步骤4:利用图像角点与三维点之间的匹配概率对图像角点进行加权平均得到虚拟测量点矩阵V
其中:vij为V中第i行第j个元素;
步骤5采用可处理遮挡的射影因式分解算法对虚拟测量点进行射影重构:具体步骤如下:
步骤a:利用归一化8点算法计算任意两幅图像间的基本矩阵Fij与极点eij;
步骤b:计算每个虚拟测量点vip的射影深度信息λip
步骤c:对虚拟测量矩阵V中的缺失部分进行线性拟合:首先对虚拟测量矩阵V进行T次采样,每次随机抽取4列,得到一个列四元组;对每个列四元组求取其生成子空间,得到Bt,t∈1…T;对Bt进行SVD分解:Bt=StVtDt T,Bt ⊥取为St的最后4列,其中⊥表示线性空间的补集;将每个Bt ⊥按列组合,对得到的联合矩阵使用SVD分解:B取为S的最后四列;将V中存在缺失元素的列表示为B的列的线性组合,即Vj=k1b1+k2b2+k3b3+k4b4,利用列中已知元素计算相应系数,进而计算列中未知元素,最终得到完全矩阵V*;
步骤d:对V*进行SVD分解求取三维点坐标与摄像机参数:对V*进行SVD分解,V*=USVT,取S的前4列得到矩阵摄像机参数三维点坐标X=VT;利用BA算法对三维点坐标和摄像机参数进行优化,以得到的优化结果替换掉原有三维点坐标与摄像机参数;
步骤6加入确定性退火算法迭代求解全局最优射影重构结果:重复步骤3~5进行循环迭代,σ在迭代过程中以等比例策略,将σ参数取为原σ的0.85~0.95,在每次迭代中,比较当前σ与给定阈值σmin大小,若σ≤σmin则迭代结束,进行后续步骤。否则置σt+1=λσt,进入下一次迭代过程;
其中:p为无穷远平面的前三个坐标,将射影重构变换到度量重构,得到欧式空间中三维场景重建的三维结构M×H与摄像机参数H-1X。
有益效果
本发明提出的基于统计模型的三维场景重建方法的优越性在于:
目前的三维重建算法在初始步骤中就对各幅图像的特征点建立确定的匹配关系,并且其在后续步骤中不再变化。当图像之间的摄像机视角变化很小时,如视频序列,这种方法可以取得较好结果。然而对于视角变化较大(30°以上)的图像,匹配结果误差较大,存在大量错误匹配。而特征点匹配又是三维场景重建中非常关键的一步,匹配质量对重建结果有着非常大的影响,如果存在较多错误匹配,将无法得到正确的三维重建结果。
基于统计模型的三维场景重建技术不要求初始就建立高精度特征匹配关系,甚至不要求建立匹配关系。如果匹配关系完全未知,则随机给定初始三维点坐标与摄像机参数;若已有初始匹配估计,则利用传统SfM算法估计相应参数。我们将原本一次性计算的过程转化为迭代求精的过程。即使匹配关系未知或初始匹配结果较差,通过迭代反馈的方法,最终仍可精确得到三维重建结果。
传统的SfM算法直接求解最大似然估计,在匹配关系未知时,需考虑所有可能的匹配关系。若图像数量为m,三维点个数为n,则总的匹配数目为n!m,其随m、n的增大呈现爆炸性增长,精确求解最大似然估计变得不可行。而这里通过引入匹配向量进行迭代求解,解决了上述问题。
由于匹配存在互斥,即不存在某点对应多个点的关系,无法得到图像特征点与三维点之间匹配概率的准确解析式,这里利用MCMC统计方法得到其近似解,只要采样数目足够大,近似解可无限接近于真实值。然而传统的MCMC采样方法存在收敛速度慢且效率低下的缺点,我们通过避免选择原有匹配边,使得采样效率得到明显提升,在相同精度要求下,原始算法需要5000步左右采样步数才能达到稳定状态,而智能交换环仅需2000步左右即可。
传统方法利用BA算法求解三维点坐标与摄像机参数,BA算法是一种局部迭代算法,容易陷入局部最优,需要有良好的初值估计。这里采用可处理遮挡的射影因式分解算法,具有全局最优特性。通过对遮挡点进行填充,弥补了传统因式分解算法需要满足所有图像点可见的缺陷。
从整体引入了确定性退火策略进行全局优化。在迭代初始时MCMC算法能够在采样空间中更加均匀采样,不容易陷入局部极小点。随着迭代的深入,逐步降低温度,减小噪声方差σ,最终使得三维重建结果收敛到全局极小点。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
1、使用Harris角点检测算法提取图像的角点:
对西安钟楼拍摄48幅图像,并利用1-48之间的整数对这48幅图像进行编码标记,对每幅图像采用harris角点检测算法提取角点作为图像特征点,以角点集合U={uik|k∈1…ni,i∈1…48}表示,其中k为图像中的角点序号,i为图像序号,ni为第i幅图像中的角点数量,uik为第i幅图像中第k个角点的二维坐标。
2、生成三维点集合X与摄像机参数集合M:
比较各幅图像中的角点数量,得到最大角点数量N,这里N=213。使用满足高斯分布N(0,1)的随机函数生成213个三维点,得到三维点集合X,X={xi|i∈1…213}。48幅图像集合中每幅图像的摄像机参数mi取为得到摄像机参数集合M,M={mi|i∈1…48}。
3、利用马尔可夫链蒙特卡罗(MCMC)方法估计图像特征点与三维点之间的匹配概率:
设置初始噪声方差σ=20,利用基本投影公式计算213个三维点集合X在48幅图像上的重投影点集合H,H={hij|i∈1…48,j∈1…213}。利用式错误!未找到引用源。计算每幅图像中的角点与任意三维点之间的匹配权重。依次对每幅图像的角点与三维点之间的匹配关系进行MCMC采样,一次采样步骤如下:
步骤a:在213个三维点中为图像i中每个角点随机选择一个三维点,建立角点与三维点间的匹配边,得到匹配向量ji 0,约束条件为:不同角点不可对应同一三维点;
步骤b:从图像i的角点集合ui中随机选择一点uik,计算uik与任意三维点之间的转移概率:
步骤c:选择xj的原有匹配边(xj,uik′)对应的角点uik′作为下一次循环的图像角点;
步骤d:重复步骤b直至某次迭代中选择的图像角点在之前已被选择,得到由图像角点和三维点形成的闭环;
步骤e:删除在建立闭环过程中不属于闭环中的临时边,得到新的闭环C;
步骤f:删除闭环C中在步骤a的原有匹配关系,得到图像特征点与三维点之间新的匹配j′i;
4、利用匹配概率对图像特征点进行加权平均得到虚拟测量点矩阵V:
根据计算虚拟测量点矩阵。
5、采用可处理遮挡的射影因式分解算法对虚拟测量点进行射影重构
步骤a:计算48幅图像集合中每两幅图像之间的基本矩阵Fij与极点eij
步骤c:对虚拟测量点矩阵V进行400次采样。每次采样随机抽取矩阵的4列,得到一个列四元组。对每个列四元组求取其对应生成子空间Bt,t∈1…400。对每个Bt进行SVD分解:Bt=StVtDt T,Bt⊥取为St的最后4列。对联合矩阵使用SVD分解:B取为S的最后四列。将V中存在缺失元素的列表示为B的列的线性组合,即Vj=k1b1+k2b2+k3b3+k4b4,利用列中已知元素计算相应系数,进而对列中未知元素进行填充,最终得到完全填充矩阵V*;
6、加入确定性退火算法迭代求解全局最优射影重构结果:
对步骤3~5进行直接迭代的一个突出缺点就是只能保证收敛到局部极小值,这里引入退火策略。将噪声参数σ看作随温度T变化的退火因子,当T=∞时,σ=∞;当T=0时,T=1。初始时,σ取值较大(一般设为20-30个像素),然后对步骤3~5进行循环迭代,σ在迭代过程中逐渐减小。参数减小包含多种策略,如线性策略、等比例策略等。线性策略是每次减小固定值,即σt+1=σt-c;而等比例策略是将参数取为原来的一定比例(一般设为0.85~0.95),即σt+1=λσt。这里采用等比例退火策略。在每次迭代中,比较当前σ与给定阈值σmin大小,若σ≤σmin则迭代结束,进行后续步骤。否则置σt+1=λσt,进入下一次迭代过程。
本实施例中重复步骤3~5,每次查看噪声方差σ的值,如果σ>1,则令σ=0.93σ,转步骤3进行下一次迭代;否则结束循环。
7、利用基于绝对对偶二次曲面的摄像机自标定算法将射影重构提升为度量重构:
Claims (1)
1.一种基于统计模型的三维场景重建方法,其特征在于步骤如下:
步骤1使用Harris角点检测算法提取每幅图像中的角点:针对无序数字图像集合,采用Harris角点检测算法提取每幅图像的角点作为图像特征点,以角点集合U={uik|k∈1...ni,i∈1...m}表示,其中k为图像中的角点序号,i为图像序号,ni为第i幅图像中的角点数量,m为图像数量,uik为第i幅图像中第k个角点的二维坐标;
步骤2生成三维点集合X与摄像机参数集合M:采用满足高斯分布N(0,1)的随机函数生成N个三维点,得到三维点集合X={xi|i∈1...n},xi为第i个三维点的坐标,N的值等于所有图像中最大的角点数量;
所述的摄像机参数集合M,M={mi|i∈1...m}中每幅图像的摄像机参数初始值mi取为
步骤3利用马尔可夫链蒙特卡罗MCMC方法估计图像角点与三维点之间的匹配概率:利用基本投影公式计算得到三维点在所有图像的重投影点集合H={hij|j∈1...n,i∈1...m},hij为第j个三维点在i幅图像上的投影点;计算图像角点uik和三维点xj之间的权重:
其中:σ为干扰图像的高斯噪声的方差,初始取为σ0;
然后利用MCMC统计模拟方法对图像角点uik与三维点xj之间的匹配概率fijk进行概率估计:对于任意一幅图像i的图像角点与三维点匹配向量ji={jik|k∈1...ni},匹配向量满足约束:k1≠k2 jik1≠jik2,图像i的采样过程如下:
步骤a:为图像i中每个角点随机选择一个三维点,建立角点与三维点间的匹配边,得到匹配向量ji 0,约束条件为:不同角点不可对应同一三维点;
步骤b:从图像i的角点集合ui中随机选择一点uik,计算uik与任意三维点之间的转移概率:
步骤c:选择xj的原有匹配边(xj,uik′)对应的角点uik′作为下一次循环的图像角点;
步骤d:重复步骤b直至某次迭代中选择的图像角点在之前已被选择,得到由图像角点和三维点形成的闭环;
步骤e:删除在建立闭环过程中不属于闭环中的临时边,得到新的闭环C;
步骤f:删除闭环C中在步骤a的原有匹配关系,得到图像特征点与三维点之间新的匹配ji′;
重复3000~5000次步骤a~f,保存每次采样生成的匹配向量ji r,并计算匹配概率:
步骤4:利用图像角点与三维点之间的匹配概率对图像角点进行加权平均得到虚拟测量点矩阵V
步骤5采用可处理遮挡的射影因式分解算法对虚拟测量点进行射影重构:具体步骤如下:
步骤a:利用归一化8点算法计算任意两幅图像间的基本矩阵Fij与极点eij;
步骤b:计算每个虚拟测量点vip的射影深度信息λip
步骤c:对虚拟测量矩阵V中的缺失部分进行线性拟合:首先对虚拟测量矩阵V进行T次采样,每次随机抽取4列,得到一个列四元组;对每个列四元组求取其生成子空间,得到Bt,t∈1...T;对Bt进行SVD分解:Bt=StVtDt T,Bt ⊥取为St的最后4列,其中⊥表示线性空间的补集;将每个Bt ⊥按列组合,对得到的联合矩阵使用SVD分解:B取为S的最后四列;将V中存在缺失元素的列表示为B的列的线性组合,即Vj=k1b1+k2b2+k3b3+k4b4,利用列中已知元素计算相应系数,进而计算列中未知元素,最终得到完全矩阵V*;
步骤d:对V*进行SVD分解求取三维点坐标与摄像机参数:对V*进行SVD分解,V*=USVT,取S的前4列得到矩阵摄像机参数 三维点坐标X=VT;利用BA算法对三维点坐标和摄像机参数进行优化,以得到的优化结果替换掉原有三维点坐标与摄像机参数;
步骤6加入确定性退火算法迭代求解全局最优射影重构结果:重复步骤3~5进行循环迭代,σ在迭代过程中以等比例策略,将σ参数取为原σ的0.85~0.95,在每次迭代中,比较当前σ与给定阈值σmin大小,若σ≤σmin则迭代结束,进行后续步骤。否则置σt+1=λσt,进入下一次迭代过程;
步骤7利用基于绝对对偶二次曲面的摄像机自标定算法将射影重构提升为度量重构:首先计算绝对对偶二次曲面Q∞ *,然后将Q∞ *分解为 得到单应矩阵
其中:p为无穷远平面的前三个坐标,将射影重构变换到度量重构,得到欧式空间中三维场景重建的三维结构M×H与摄像机参数H-1X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100136408A CN101751697B (zh) | 2010-01-21 | 2010-01-21 | 一种基于统计模型的三维场景重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100136408A CN101751697B (zh) | 2010-01-21 | 2010-01-21 | 一种基于统计模型的三维场景重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101751697A true CN101751697A (zh) | 2010-06-23 |
CN101751697B CN101751697B (zh) | 2011-09-14 |
Family
ID=42478635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100136408A Expired - Fee Related CN101751697B (zh) | 2010-01-21 | 2010-01-21 | 一种基于统计模型的三维场景重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101751697B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313731A (zh) * | 2010-07-09 | 2012-01-11 | 中国科学院沈阳自动化研究所 | 一种未知物组成元素含量在线检测方法 |
CN102479293A (zh) * | 2011-04-30 | 2012-05-30 | 深圳光启高等理工研究院 | 一种单元结构的电磁响应曲线预测方法和装置 |
CN102750418A (zh) * | 2012-06-27 | 2012-10-24 | 中国人民解放军第三军医大学第三附属医院 | 基于增强现实的内固定钢板术前设计与预制方法 |
CN104298836A (zh) * | 2014-11-06 | 2015-01-21 | 中国科学院合肥物质科学研究院 | 一种基于蒙特卡罗计算的反应堆堆芯迭代设计系统 |
CN104867185A (zh) * | 2015-06-16 | 2015-08-26 | 桂林电子科技大学 | 基于蛙跳算法的点射影深度估计方法 |
CN104899924A (zh) * | 2015-06-16 | 2015-09-09 | 桂林电子科技大学 | 基于蛙跳算法的直线射影深度估计方法 |
CN106910242A (zh) * | 2017-01-23 | 2017-06-30 | 中国科学院自动化研究所 | 基于深度相机进行室内完整场景三维重建的方法及系统 |
CN106954012A (zh) * | 2017-03-29 | 2017-07-14 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种高清多相机全景立体成像系统及方法 |
CN107194985A (zh) * | 2017-04-11 | 2017-09-22 | 中国农业大学 | 一种面向大场景的三维可视化方法及装置 |
CN107358645A (zh) * | 2017-06-08 | 2017-11-17 | 上海交通大学 | 产品三维模型重建方法及其系统 |
WO2018129890A1 (zh) * | 2017-01-11 | 2018-07-19 | 南京中硼联康医疗科技有限公司 | 基于医学影像数据的平滑几何模型建立方法 |
WO2018129889A1 (zh) * | 2017-01-11 | 2018-07-19 | 南京中硼联康医疗科技有限公司 | 基于医学影像的组织元素质量比例解构方法及几何模型建立方法 |
CN108573501A (zh) * | 2017-03-14 | 2018-09-25 | 中国科学院宁波材料技术与工程研究所 | 一种基础矩阵的解算方法 |
CN111060118A (zh) * | 2019-12-27 | 2020-04-24 | 炬星科技(深圳)有限公司 | 场景地图建立方法、设备及存储介质 |
CN112419492A (zh) * | 2020-12-14 | 2021-02-26 | 长春理工大学 | 视觉感知驱动蒙卡渲染像素路径采样数自适应控制方法 |
-
2010
- 2010-01-21 CN CN2010100136408A patent/CN101751697B/zh not_active Expired - Fee Related
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313731B (zh) * | 2010-07-09 | 2012-12-26 | 中国科学院沈阳自动化研究所 | 一种未知物组成元素含量在线检测方法 |
CN102313731A (zh) * | 2010-07-09 | 2012-01-11 | 中国科学院沈阳自动化研究所 | 一种未知物组成元素含量在线检测方法 |
CN102479293A (zh) * | 2011-04-30 | 2012-05-30 | 深圳光启高等理工研究院 | 一种单元结构的电磁响应曲线预测方法和装置 |
CN102750418B (zh) * | 2012-06-27 | 2015-12-16 | 中国人民解放军第三军医大学第三附属医院 | 基于增强现实的内固定钢板术前设计与预制方法 |
CN102750418A (zh) * | 2012-06-27 | 2012-10-24 | 中国人民解放军第三军医大学第三附属医院 | 基于增强现实的内固定钢板术前设计与预制方法 |
CN104298836A (zh) * | 2014-11-06 | 2015-01-21 | 中国科学院合肥物质科学研究院 | 一种基于蒙特卡罗计算的反应堆堆芯迭代设计系统 |
CN104298836B (zh) * | 2014-11-06 | 2016-05-18 | 中国科学院合肥物质科学研究院 | 一种基于蒙特卡罗计算的反应堆堆芯迭代设计系统 |
CN104899924A (zh) * | 2015-06-16 | 2015-09-09 | 桂林电子科技大学 | 基于蛙跳算法的直线射影深度估计方法 |
CN104867185A (zh) * | 2015-06-16 | 2015-08-26 | 桂林电子科技大学 | 基于蛙跳算法的点射影深度估计方法 |
RU2736917C1 (ru) * | 2017-01-11 | 2020-11-23 | Нойборон Медтех Лтд. | Способ анализа элементов и отношений масс элементов ткани и способ построения геометрической модели на основе медицинского изображения |
US11590360B2 (en) | 2017-01-11 | 2023-02-28 | Neuboron Medtech Ltd. | Method for analyzing elements and mass ratios of elements of tissue and method for establishing geometric model based on medical image |
WO2018129890A1 (zh) * | 2017-01-11 | 2018-07-19 | 南京中硼联康医疗科技有限公司 | 基于医学影像数据的平滑几何模型建立方法 |
WO2018129889A1 (zh) * | 2017-01-11 | 2018-07-19 | 南京中硼联康医疗科技有限公司 | 基于医学影像的组织元素质量比例解构方法及几何模型建立方法 |
US11087524B2 (en) | 2017-01-11 | 2021-08-10 | Neuboron Medtech Ltd. | Method for establishing smooth geometric model based on data of medical image |
CN106910242A (zh) * | 2017-01-23 | 2017-06-30 | 中国科学院自动化研究所 | 基于深度相机进行室内完整场景三维重建的方法及系统 |
CN106910242B (zh) * | 2017-01-23 | 2020-02-28 | 中国科学院自动化研究所 | 基于深度相机进行室内完整场景三维重建的方法及系统 |
CN108573501A (zh) * | 2017-03-14 | 2018-09-25 | 中国科学院宁波材料技术与工程研究所 | 一种基础矩阵的解算方法 |
CN108573501B (zh) * | 2017-03-14 | 2021-09-21 | 中国科学院宁波材料技术与工程研究所 | 一种基础矩阵的解算方法 |
CN106954012A (zh) * | 2017-03-29 | 2017-07-14 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种高清多相机全景立体成像系统及方法 |
CN107194985A (zh) * | 2017-04-11 | 2017-09-22 | 中国农业大学 | 一种面向大场景的三维可视化方法及装置 |
CN107358645A (zh) * | 2017-06-08 | 2017-11-17 | 上海交通大学 | 产品三维模型重建方法及其系统 |
CN107358645B (zh) * | 2017-06-08 | 2020-08-11 | 上海交通大学 | 产品三维模型重建方法及其系统 |
CN111060118B (zh) * | 2019-12-27 | 2022-01-07 | 炬星科技(深圳)有限公司 | 场景地图建立方法、设备及存储介质 |
CN111060118A (zh) * | 2019-12-27 | 2020-04-24 | 炬星科技(深圳)有限公司 | 场景地图建立方法、设备及存储介质 |
CN112419492A (zh) * | 2020-12-14 | 2021-02-26 | 长春理工大学 | 视觉感知驱动蒙卡渲染像素路径采样数自适应控制方法 |
CN112419492B (zh) * | 2020-12-14 | 2022-08-23 | 长春理工大学 | 视觉感知驱动蒙卡渲染像素路径采样数自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101751697B (zh) | 2011-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101751697B (zh) | 一种基于统计模型的三维场景重建方法 | |
Peng et al. | RASL: Robust alignment by sparse and low-rank decomposition for linearly correlated images | |
Zeng et al. | 3D point cloud denoising using graph Laplacian regularization of a low dimensional manifold model | |
Sweeney et al. | Optimizing the viewing graph for structure-from-motion | |
Deng et al. | Noisy depth maps fusion for multiview stereo via matrix completion | |
CN105931264B (zh) | 一种海面红外小目标检测方法 | |
CN103268608A (zh) | 基于近红外激光散斑的深度估计方法及装置 | |
CN111260571B (zh) | 一种基于非凸低秩低梯度的深度图像修复方法 | |
Chen et al. | Hybrid rotation averaging: A fast and robust rotation averaging approach | |
CN104318552B (zh) | 基于凸包投影图匹配的模型配准方法 | |
CN106204477B (zh) | 基于在线低秩背景建模的视频序列背景恢复方法 | |
Héas et al. | Bayesian estimation of turbulent motion | |
CN114494589A (zh) | 三维重建方法、装置、电子设备和计算机可读存储介质 | |
Kwon et al. | Visual tracking via particle filtering on the affine group | |
Yang et al. | Reconstruction of structurally-incomplete matrices with reweighted low-rank and sparsity priors | |
Malhotra et al. | Tomographic reconstruction from projections with unknown view angles exploiting moment-based relationships | |
CN104517123A (zh) | 一种采用局部运动特征相似性引导的子空间聚类方法 | |
Lladó et al. | Non-rigid metric reconstruction from perspective cameras | |
Kuang et al. | Revisiting trifocal tensor estimation using lines | |
CN104459695B (zh) | 基于压缩相位恢复的稀疏微波成像方法 | |
CN103606189A (zh) | 一种面向非刚体三维重建的轨迹基选择方法 | |
CN105608719B (zh) | 一种基于两阶段投影调整的快速ct图像重建方法 | |
Dalalyan et al. | $ L_1 $-Penalized Robust Estimation for a Class of Inverse Problems Arising in Multiview Geometry | |
CN111582310A (zh) | 隐含结构光的解码方法及装置 | |
CN103927782A (zh) | 一种用于深度图像曲面拟合的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110914 Termination date: 20140121 |