CN106251395A - 一种三维模型快速重建方法及系统 - Google Patents
一种三维模型快速重建方法及系统 Download PDFInfo
- Publication number
- CN106251395A CN106251395A CN201610600077.1A CN201610600077A CN106251395A CN 106251395 A CN106251395 A CN 106251395A CN 201610600077 A CN201610600077 A CN 201610600077A CN 106251395 A CN106251395 A CN 106251395A
- Authority
- CN
- China
- Prior art keywords
- photo
- elements
- threedimensional model
- matching
- clarity
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机图形学领域,公开了一种三维模型快速重建方法及系统,通过对目标物进行拍摄,将拍摄结果构成图像序列;求解叠加模型的最优化收敛,以获取照片中的目标物区域;采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;计算照片间的基础矩阵;对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;重建目标物的三维模型。实现了快速的三维模型重建,提高了处理效率和适用范围。
Description
技术领域
本发明涉及计算机图形学领域,尤其涉及一种三维模型快速重建方法及系统。
背景技术
三维重建技术是计算机视觉研究的重要课题之一。所谓三维重建就是指从三维物体的图像来恢复三维物体的空间几何形状。
现今,国内外对目标三维模型重建作了很多研究。
美国CMU大学的Tomasi和Kanade等在假定摄像机为正交投影模型的前提下,利用仿射分解的方法同时求解几何物体的三维结构和摄像机运动、姿态的方法进行重建的系统。该系统的缺点在于只有当被重建物体的深度远远大于物体的几何尺寸时,所假定的正交投影模型才能成立,同时由于只能针对少数关键点进行重建,重建效果不是十分理想。
Facade是Berkeley大学的Debevec等人开发的针对建筑物重建系统,该系统首先要得到建筑物的粗略几何模型,通过交互方式调整该模型的尺寸和位姿使得它在图像平面上的投影与图像特征匹配起来,另外用户还可以交互指定各个几何实体之间的相对位置关系。系统通过非线性优化方法求出反映上述内容的参数集合并最终得到重建结果。该系统的局限在于需要预先得到关于被重建建筑物的几何模型,而且该建筑物的几何结构不能过于复杂。Facade系统本身没有任何商业化版本,但MetaCrations公司推出的Canoma软件吸收了该系统的设计思想,实现了商业应用。
现有技术中,三维重建方法存在适用范围比较窄,自动化程度也不高,效率低的技术问题。
发明内容
本发明提供一种三维模型快速重建方法及系统,解决现有技术中三维重建方法存在适用范围比较窄,自动化程度也不高,效率低的技术问题。
本发明的目的是通过以下技术方案实现的:
一种三维模型快速重建方法,包括:
对目标物进行拍摄,将拍摄结果构成图像序列,其中,连续拍摄的照片间重复区域应大于预设的比例阀值;
求解叠加模型的最优化收敛,以获取照片中的目标物区域;
采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;
计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;
根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;
对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;
根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;
将三维坐标点与照片中的像素构成一一对应的目标物模型纹理,通过三角网的方式构建点平面,并通过图像聚类的方法对目标物三维模型中抠出遮挡物的区域进行纹理修补,以重建目标物的三维模型。
一种三维模型快速重建系统,包括:
拍摄模块,用于对目标物进行拍摄,将拍摄结果构成图像序列,其中,连续拍摄的照片间重复区域应大于预设的比例阀值;
提取模块,用于求解叠加模型的最优化收敛,以获取照片中的目标物区域;
去噪模块,用于采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;
匹配模块,用于计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;
第一计算模块,用于根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;
第二计算模块,用于对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;
坐标变换模块,用于根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;
模型重建模块,用于将三维坐标点与照片中的像素构成一一对应的目标物模型纹理,通过三角网的方式构建点平面,并通过图像聚类的方法对目标物三维模型中抠出遮挡物的区域进行纹理修补,以重建目标物的三维模型。
本发明提供一种三维模型快速重建方法及系统,通过对目标物进行拍摄,将拍摄结果构成图像序列;求解叠加模型的最优化收敛,以获取照片中的目标物区域;采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;重建目标物的三维模型。实现了快速的三维模型重建,提高了处理效率和适用范围。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可根据这些附图获得其他的附图。
图1为本发明实施例提供的一种三维模型快速重建方法的流程图;
图2为本发明实施例提供的一种三维模型快速重建系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,为本发明实施例提供的一种三维模型快速重建方法,包括:
步骤101、对目标物进行拍摄,将拍摄结果构成图像序列,其中,连续拍摄的照片间重复区域应大于预设的比例阀值;
步骤102、求解叠加模型的最优化收敛,以获取照片中的目标物区域;
其中,步骤102具体可以包括:
步骤102-1、构建叠加模型Ii=αiFi+(1-αi)Bi,其中,αi前景区的透明度,Fi为前景区,Bi为背景区,前景区为以遮挡物为主的区域,背景区为以空间目标物为主的区域;
一般地,像素级别的窗口内,F和B近似不变,上述图片的叠加模型可以近似为αi≈aIi+b,其中,
步骤102-2、求解叠加模型的最优化收敛,以获取前景区和背景区的最佳区分;
步骤102-3、根据所述最佳区分,获取照片中的目标物区域。
步骤103、采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;
其中,步骤103具体可以包括:
步骤103-1、采用分块自适应阀值边缘检测算法对所述照片进行边缘检测;
步骤103-2、对边缘区采取单向多级中值滤波算法进行噪处理;
步骤103-3、对非边缘区采取双向多级中值滤波算法进行处理。
步骤104、计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;
其中,步骤104具体可以包括:
步骤104-1、计算每个候选特征点匹配对(A1i,A2j)的匹配度S(A1i,A2j),其中,A1i,A2j为特征点匹配对,N1,N2为特征点集合,n1k,n2l为较为精准的特征点匹配对,Cij为特征点间的自相关系数, σ2(Ik)则为(2n+1)×(2m+1)临域内的灰度标准差为
步骤104-2、计算明确度U=1-S1(x)/S2(x),其中,S1(x)为点x的最大匹配度,S2(x)点x的第二大匹配度;
步骤104-3、根据所述匹配度和所述明确度的数值,选取数值排序前80%的候选特征点匹配对作为特征点匹配对。
步骤105、根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;
其中,步骤105具体可以包括:
根据最少8个特征点匹配对,求解极限方程以获取基础矩阵F。
特征点匹配对中匹配照片的特征点到所述极限方程的直线距离dk1和参考照片的特征点到所述极限方程的直线距离dk2,当所述距离dk1和dk2小于设定的距离阀值D,则认为所述正确的特征点匹配对为特征点真匹配对。
步骤106、对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;
其中,步骤106具体可以包括:
步骤106-1、将所述基础矩阵F分解为F=m2×M21,其中,矩阵m2满足条件m2 T×F=0;
步骤106-2、根据矩阵M21,求解相机的外方位元素为M1=[I 0],相片的内方位元素为[M21m2],I为单位矩阵。
步骤107、根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;
步骤108、重建三维模型;
其中,将三维坐标点与照片中的像素构成一一对应的目标物模型纹理,通过三角网的方式构建点平面,并通过图像聚类的方法对目标物三维模型中抠出遮挡物的区域进行纹理修补,以重建目标物的三维模型。
本发明提供一种三维模型快速重建方法,通过对目标物进行拍摄,将拍摄结果构成图像序列;求解叠加模型的最优化收敛,以获取照片中的目标物区域;采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;重建目标物的三维模型。实现了快速的三维模型重建,提高了处理效率和适用范围。
本发明实施例还提供了一种三维模型快速重建系统,如图2所示,包括:
拍摄模块210,用于对目标物进行拍摄,将拍摄结果构成图像序列,其中,连续拍摄的照片间重复区域应大于预设的比例阀值;
提取模块220,用于求解叠加模型的最优化收敛,以获取照片中的目标物区域;
去噪模块230,用于采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;
匹配模块240,用于计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;
第一计算模块250,用于根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;
第二计算模块260,用于对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;
坐标变换模块270,用于根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;
模型重建模块280,用于将三维坐标点与照片中的像素构成一一对应的目标物模型纹理,通过三角网的方式构建点平面,并通过图像聚类的方法对目标物三维模型中抠出遮挡物的区域进行纹理修补,以重建目标物的三维模型。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种三维模型快速重建方法,其特征在于,包括:
对目标物进行拍摄,将拍摄结果构成图像序列,其中,连续拍摄的照片间重复区域应大于预设的比例阀值;
求解叠加模型的最优化收敛,以获取照片中的目标物区域;
采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;
计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;
根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;
对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;
根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;
将三维坐标点与照片中的像素构成一一对应的目标物模型纹理,通过三角网的方式构建点平面,并通过图像聚类的方法对目标物三维模型中抠出遮挡物的区域进行纹理修补,以重建目标物的三维模型。
2.根据权利要求1所述的三维模型快速重建方法,其特征在于,所述求解叠加模型的最优化收敛,以获取照片中的目标物区域的步骤,包括:
构建叠加模型Ii=αiFi+(1-αi)Bi,其中,αi前景区的透明度,Fi为前景区,Bi为背景区,前景区为以遮挡物为主的区域,背景区为以空间目标物为主的区域;
求解叠加模型的最优化收敛,以获取前景区和背景区的最佳区分;
根据所述最佳区分,获取照片中的目标物区域。
3.根据权利要求1所述的三维模型快速重建方法,其特征在于,所述采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理的步骤,包括:
采用分块自适应阀值边缘检测算法对所述照片进行边缘检测;
对边缘区采取单向多级中值滤波算法进行噪处理;
对非边缘区采取双向多级中值滤波算法进行处理。
4.根据权利要求1所述的三维模型快速重建方法,其特征在于,所述计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对的步骤,包括:
计算每个候选特征点匹配对(A1i,A2j)的匹配度S(A1i,A2j),其中,A1i,A2j为特征点匹配对,N1,N2为特征点集合,n1k,n21为较为精准的特征点匹配对,Cij为特征点间的自相关系数, σ2(Ik)则为(2n+1)×(2m+1)临域内的灰度标准差为
计算明确度U=1-S1(x)/S2(x),其中,S1(x)为点x的最大匹配度,S2(x)点x的第二大匹配度;
根据所述匹配度和所述明确度的数值,选取数值排序前80%的候选特征点匹配对作为特征点匹配对。
5.根据权利要求1所述的三维模型快速重建方法,其特征在于,所述根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵的步骤,包括:
根据最少8个特征点匹配对,求解极限方程以获取基础矩阵F。
6.根据权利要求1所述的三维模型快速重建方法,其特征在于,所述对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素的步骤,包括:
将所述基础矩阵F分解为F=m2×M21,其中,矩阵m2满足条件m2 T×F=0;
根据矩阵M21,求解相机的外方位元素为M1=[I 0],相片的内方位元素为[M21m2],I为单位矩阵。
7.一种三维模型快速重建系统,其特征在于,包括:
拍摄模块,用于对目标物进行拍摄,将拍摄结果构成图像序列,其中,连续拍摄的照片间重复区域应大于预设的比例阀值;
提取模块,用于求解叠加模型的最优化收敛,以获取照片中的目标物区域;
去噪模块,用于采用分块自适应阀值边缘检测算法对所述照片进行边缘检测,并对边缘区和非边缘区进行滤波处理;
匹配模块,用于计算每个候选特征点匹配对的匹配度和明确度,根据所述匹配度和所述明确度的数值,选取特征点匹配对;
第一计算模块,用于根据特征点匹配对求解极限方程,以计算出照片间的基础矩阵;
第二计算模块,用于对基础矩阵进行分解,求解拍摄时相机的内方位元素和外方位元素;
坐标变换模块,用于根据相机的内方位元素和外方位元素,将所述图像序列中目标物的二维坐标转换成空间的三维坐标点;
模型重建模块,用于将三维坐标点与照片中的像素构成一一对应的目标物模型纹理,通过三角网的方式构建点平面,并通过图像聚类的方法对目标物三维模型中抠出遮挡物的区域进行纹理修补,以重建目标物的三维模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610600077.1A CN106251395A (zh) | 2016-07-27 | 2016-07-27 | 一种三维模型快速重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610600077.1A CN106251395A (zh) | 2016-07-27 | 2016-07-27 | 一种三维模型快速重建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106251395A true CN106251395A (zh) | 2016-12-21 |
Family
ID=57604769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610600077.1A Pending CN106251395A (zh) | 2016-07-27 | 2016-07-27 | 一种三维模型快速重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251395A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230254A (zh) * | 2017-05-24 | 2017-10-03 | 上海蓝色星球电力科技有限公司 | 一种二三维数据集成方法及系统 |
CN108492356A (zh) * | 2017-02-13 | 2018-09-04 | 苏州宝时得电动工具有限公司 | 增强现实系统及其控制方法 |
CN109801374A (zh) * | 2019-01-14 | 2019-05-24 | 盾钰(上海)互联网科技有限公司 | 一种通过多角度图像集重构三维模型的方法、介质及系统 |
CN109993318A (zh) * | 2017-12-28 | 2019-07-09 | 中国船舶重工集团公司第七一一研究所 | 船用柴油机的故障处理的方法和装置 |
WO2020029758A1 (zh) * | 2018-08-07 | 2020-02-13 | 北京市商汤科技开发有限公司 | 对象三维检测及智能驾驶控制的方法、装置、介质及设备 |
CN112580541A (zh) * | 2020-12-24 | 2021-03-30 | 中标慧安信息技术股份有限公司 | 聚类化人脸识别方法和系统 |
CN112967372A (zh) * | 2021-02-03 | 2021-06-15 | 武汉南北极测绘地理信息有限公司 | 基于互联网场景的矿物、岩石标本教学展示方法及系统 |
CN113628444A (zh) * | 2021-08-12 | 2021-11-09 | 智道网联科技(北京)有限公司 | 提示交通风险的方法、装置和计算机可读存储介质 |
CN115797185A (zh) * | 2023-02-08 | 2023-03-14 | 四川精伍轨道交通科技有限公司 | 一种基于图像处理、复球面的坐标转换的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077808A (zh) * | 2014-07-20 | 2014-10-01 | 詹曙 | 一种用于计算机图形图像处理的、基于深度信息的实时三维人脸建模方法 |
CN104713576A (zh) * | 2015-03-25 | 2015-06-17 | 中测高科(北京)测绘工程技术有限责任公司 | 基于多张相片的相机自标定方法及其装置 |
-
2016
- 2016-07-27 CN CN201610600077.1A patent/CN106251395A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077808A (zh) * | 2014-07-20 | 2014-10-01 | 詹曙 | 一种用于计算机图形图像处理的、基于深度信息的实时三维人脸建模方法 |
CN104713576A (zh) * | 2015-03-25 | 2015-06-17 | 中测高科(北京)测绘工程技术有限责任公司 | 基于多张相片的相机自标定方法及其装置 |
Non-Patent Citations (3)
Title |
---|
OLIVIER FAUGERAS ET AL: "3-D Reconstruction of Urban Scenes from Image Sequences", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
穆亚东 等: "基于颜色和纹理信息的快速前景提取方法", 《计算机学报》 * |
贾棋: "建筑物三维模型重建的方法与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492356A (zh) * | 2017-02-13 | 2018-09-04 | 苏州宝时得电动工具有限公司 | 增强现实系统及其控制方法 |
CN107230254A (zh) * | 2017-05-24 | 2017-10-03 | 上海蓝色星球电力科技有限公司 | 一种二三维数据集成方法及系统 |
CN109993318A (zh) * | 2017-12-28 | 2019-07-09 | 中国船舶重工集团公司第七一一研究所 | 船用柴油机的故障处理的方法和装置 |
WO2020029758A1 (zh) * | 2018-08-07 | 2020-02-13 | 北京市商汤科技开发有限公司 | 对象三维检测及智能驾驶控制的方法、装置、介质及设备 |
US11100310B2 (en) | 2018-08-07 | 2021-08-24 | Beijing Sensetime Technology Development Co., Ltd. | Object three-dimensional detection method and apparatus, intelligent driving control method and apparatus, medium and device |
CN109801374A (zh) * | 2019-01-14 | 2019-05-24 | 盾钰(上海)互联网科技有限公司 | 一种通过多角度图像集重构三维模型的方法、介质及系统 |
CN109801374B (zh) * | 2019-01-14 | 2023-02-24 | 盾钰(上海)互联网科技有限公司 | 一种通过多角度图像集重构三维模型的方法、介质及系统 |
CN112580541A (zh) * | 2020-12-24 | 2021-03-30 | 中标慧安信息技术股份有限公司 | 聚类化人脸识别方法和系统 |
CN112967372A (zh) * | 2021-02-03 | 2021-06-15 | 武汉南北极测绘地理信息有限公司 | 基于互联网场景的矿物、岩石标本教学展示方法及系统 |
CN113628444A (zh) * | 2021-08-12 | 2021-11-09 | 智道网联科技(北京)有限公司 | 提示交通风险的方法、装置和计算机可读存储介质 |
CN115797185A (zh) * | 2023-02-08 | 2023-03-14 | 四川精伍轨道交通科技有限公司 | 一种基于图像处理、复球面的坐标转换的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251395A (zh) | 一种三维模型快速重建方法及系统 | |
Turner et al. | Fast, automated, scalable generation of textured 3D models of indoor environments | |
CN115082639B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN115100339B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN104346608B (zh) | 稀疏深度图稠密化方法和装置 | |
CN104376596B (zh) | 一种基于单幅图像的三维场景结构建模与注册方法 | |
CN108921926A (zh) | 一种基于单张图像的端到端三维人脸重建方法 | |
CN108898630A (zh) | 一种三维重建方法、装置、设备和存储介质 | |
CN109544677A (zh) | 基于深度图像关键帧的室内场景主结构重建方法及系统 | |
CN110009569B (zh) | 一种基于轻量级卷积神经网络的红外和可见光图像融合方法 | |
CN103559737A (zh) | 一种对象全景建模方法 | |
Li et al. | ADR-MVSNet: A cascade network for 3D point cloud reconstruction with pixel occlusion | |
Gao et al. | IELAS: An ELAS-based energy-efficient accelerator for real-time stereo matching on FPGA platform | |
CN107038718B (zh) | 雾霾环境下的深度计算方法 | |
CN102609983B (zh) | 一种基于图像及立体视觉的闪电三维图像重建方法 | |
CN109584355A (zh) | 基于手机gpu的三维模型快速重建方法 | |
CN103345765B (zh) | 基于dsp+fpga的移动平台下运动目标检测装置及其方法 | |
CN114677479A (zh) | 一种基于深度学习的自然景观多视图三维重建方法 | |
CN112288859A (zh) | 一种基于卷积神经网络的三维人脸建模方法 | |
CN113822825B (zh) | 基于3d-r2n2的光学建筑目标三维重建方法 | |
CN110889868A (zh) | 一种结合梯度和纹理特征的单目图像深度估计方法 | |
CN117132737B (zh) | 一种三维建筑模型构建方法、系统及设备 | |
CN110517348A (zh) | 基于图像前景分割的目标物体三维点云重建方法 | |
Yu et al. | Gaussian opacity fields: Efficient and compact surface reconstruction in unbounded scenes | |
CN116758219A (zh) | 基于神经网络的区域感知多视角立体匹配三维重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |