CN112950494B - 一种基于高动态范围的三维重建方法 - Google Patents
一种基于高动态范围的三维重建方法 Download PDFInfo
- Publication number
- CN112950494B CN112950494B CN202110153360.5A CN202110153360A CN112950494B CN 112950494 B CN112950494 B CN 112950494B CN 202110153360 A CN202110153360 A CN 202110153360A CN 112950494 B CN112950494 B CN 112950494B
- Authority
- CN
- China
- Prior art keywords
- image
- dynamic range
- expressed
- high dynamic
- stripe
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000010363 phase shift Effects 0.000 claims description 14
- 238000010587 phase diagram Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于高动态范围的三维重建方法,可以对表面动态范围高(表面同时具有深色区域和高度反光区域)的物体进行三维重建。首先,本发明对被重建物体拍下不同曝光度的条纹图像序列,并根据对比度和曝光度,对该条纹图像序列进行融合,生成高动态范围条纹图像;其次,对高动态范围条纹图像进行相位获取和去载频,最终得到被重建物体的三维重建图。本发明可以有效地解决传统的三维重建方法因被重建物体表面的动态范围过高而导致三维重建失败的问题。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于高动态范围的三维重建方法。
背景技术
经过多年的发展,三维重建技术已经很成熟并成功地运用于多个领域中。传统的三维重建的基本原理是将一定光栅周期的正弦条纹投影到被重建物体的表面上,这些正弦条纹会因为被测物的高度而产生变形,从而得到变形条纹图,再通过相位获取和去载频等步骤就可以得出被重建物体的三维信息。但是这种三维重建方法具有一定的局限性,只能用于动态范围不高的被测物体上。如果被测物体表面动态范围高(同时具有高度反光区域和深色区域),就很难找到一个适当的曝光度,使被重建物体表面上反光和深色区域的条纹同时保持清晰。如果相机曝光度过低,则深色区域的条纹不清晰;反之如果相机曝光度过高,则反光区域的条纹不清晰。
因此,对于表面动态范围高的物体的三维重建,可能需要在被重建物体的表面涂上适量的显影剂,使其表面的亮度适合重建,才能得到较理想的三维重建结果。但是对于一些被重建物体,其表面因为某些原因是无法涂上显影剂的。因此,对于这种表面动态范围高的物体的三维重建,成为了一个亟待解决的问题。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于高动态范围的三维重建方法,该三维重建方法可以有效地解决传统的三维重建方法因被重建物体表面的动态范围高而导致三维重建失败的问题。
本发明的目的可以通过采取如下技术方案达到:
一种基于高动态范围的三维重建方法,所述的三维重建方法包括以下步骤:
S1、调整摄像机和投影仪的角度,将一定光栅周期的正弦条纹投影到被重建物体的表面上,通过摄像机对被重建物体拍下N张不同曝光度的条纹图像,N为大于1的整数;
S2、对N张不同曝光度的条纹图像建立权重图:第k张条纹图像Ik对应的权重图Wk的第i行第j列处的值Wk(i,j)表示为:
其中,Ck(i,j)表示位于条纹图像Ik第i行第j列的像素点的对比度,Ek(i,j)表示位于条纹图像Ik第i行第j列的像素点的曝光适当度,Wc为对比度权重系数,取值为大于0的常数,We为曝光适当度权重系数,取值为大于0的常数;
S3、对每张条纹图像和对应的权重图建立高斯金字塔:条纹图像Ik的高斯金字塔以条纹图像Ik为高斯金字塔的最低的一级,记为条纹图像Ik对应的权重图Wk的高斯金字塔以权重图Wk为高斯金字塔的最低的一级,记为条纹图像Ik的高斯金字塔的第L级的第i行第j列处的值表示为:
其中,L的取值范围为{1,2,...,Ng-1},hg是一个5×5的高斯核矩阵,表示为:
S5、对图像金字塔进行融合,得到高动态范围条纹图像;
S6、对高动态范围条纹图像进行三维重建,得到被重建物体的三维信息。
进一步地,所述的步骤S2过程如下:
S21、使用对比度矩阵hc对条纹图像Ik进行卷积操作,计算出位于条纹图像Ik的第i行第j列的像素点的对比度Ck(i,j),表示为:
其中,Ik(i,j)为条纹图像Ik第i行第j列的像素点的值,hc(r,l)为hg的第r+1行第l+1列处的值,对比度矩阵hc表示为:
S22、计算出位于条纹图像Ik的第i行第j列的像素点的曝光适当度Ek(i,j),表示为:
其中,σ为取值大于0的常数。
进一步地,所述的步骤S5过程如下:
S52、计算高动态范围条纹图像的拉普拉斯金字塔:高动态范围条纹图像的拉普拉斯金字塔的第L级LPL的第i行第j列处的值LPL(i,j)表示为:
S53、金字塔融合:从高动态范围条纹图像的拉普拉斯金字塔第Ng-1级开始逐级从上至下进行递推,恢复对应的高动态范围条纹图像高斯金字塔GL,递推方法表示为:
GL=LPL,当L=Ng-1时
HI=G0。
进一步地,所述的步骤S6过程如下:
S61、将高动态范围条纹图像HI中的第i行第j列处的值HI(i,j)表示为:
HI(i,j)=A(i,j)+B(i,j)cos[φ′(i,j)]
其中,A(i,j)为测量平面的光强分布,B(i,j)为条纹对比度分布,φ′(i,j)为条纹图相位,然后,通过摄像机对被重建物体拍下相移量相对于HI分别增加π和的N张不同曝光度的条纹图像,再根据步骤S1至S5计算相移量相对于HI分别增加π和的高动态范围条纹图像HI1、HI2和HI3,HI1、HI2和HI3中的第i行第j列处的值HI1(i,j)、HI2(i,j)和HI3(i,j)表示为:
S62、计算相位图φ,φ的第i行第j列处的值φ(i,j)表示为:
S63、对相位图φ进行相位展开和去载频,得到最终的三维重建图。
进一步地,所述的步骤S63过程如下:
S631、将φ(i,j)表示为:φ(i,j)=φc(i,j)+Δφ(i,j)
其中,f为光栅基频,Δφ(i,j)为相位分布,φc(i,j)为载频相位分量,然后,将φc(i,j)表示为n项泽尼克多项式的组合:
φc(i,j)=a0u0(i,j)+…+azuz(i,j)+...+an-1un-1(i,j)
其中,uz(i,j)为第z+1项泽尼克多项式,az为第z+1项泽尼克多项式对应的系数;
S632、在相位图φ的参考平面区域选取Ns个数据点进行拟合,有:
其中:
其中,φx表示第x个数据点对应的相位,ux,y表示第x个数据点对应的第y+1项泽尼克多项式,可进一步解得:
求解出A后,最终被重建物体的相位分布Δφ(i,j)为:
Δφ(i,j)=φ(i,j)-φc(i,j);
S633、根据被重建物体的相位分布Δφ(i,j),恢复被重建物体的高度信息,即可得到被重建物体的三维信息,表示为:
其中,S为相机到测量面的距离,T为投影正弦光栅的周期,d为相机与投影仪的距离。
本发明相对于现有技术具有如下的优点及效果:
传统的三维重建将一定光栅周期的正弦条纹投影到被重建物体的表面上,这些正弦条纹会因为被测物的高度而产生变形,从而得到包含物体高度信息的条纹图像。但是如果被测物体表面动态范围高(同时具有高度反光区域和深色区域),此时很难找到一个适当的曝光度,使被重建物体表面上反光和深色区域的条纹同时保持清晰。因此,对于表面动态范围高的物体的三维重建,可能需要在被重建物体的表面涂上适量的显影剂,使其表面的亮度适合重建,才能得到较理想的三维重建结果。但是对于一些被重建物体,其表面因为某些原因是无法涂上显影剂的。本发明对被重建物体拍下不同曝光度的条纹图像序列,并根据对比度和曝光度,对该条纹图像序列进行融合,生成高动态范围条纹图像。然后,本发明对高动态范围条纹图像进行相位获取和去载频,最终得到被重建物体的三维重建图像,可以有效地对表面动态范围过高的物体进行三维重建。
附图说明
图1是本发明公开的一种基于高动态范围的三维重建方法的流程图;
图2是本发明实施例中在某引用场景下的不同曝光度的条纹图像序列的示意图;
图3是本发明实施例中在某引用场景下的被重建物体的高动态范围条纹图像示意图;
图5是本发明实施例中在某引用场景下的相移量为π的被重建物体的高动态范围条纹图像示意图;
图7是本发明实施例中在某引用场景下的被重建物体的相位示意图;
图8是本发明实施例中在某引用场景下的被重建物体的三维重建示意图;
图9是本发明实施例中在某引用场景下的低度曝光、中度曝光、高度曝光和高动态范围的条纹图像以及对应的相位图和三维重建图像,其中,图9(a1)是低度曝光下的条纹图像,图9(a2)是中度曝光下的条纹图像,图9(a3)是高度曝光下的条纹图像,图9(a4)是高动态范围条纹图像,图9(b1)是低度曝光下的条纹图像对应的相位图,图9(b2)是中度曝光下的条纹图像对应的相位图,图9(b3)是高度曝光下的条纹图像对应的相位图,图9(b4)是高动态范围条纹图像对应的相位图,图9(c1)是低度曝光下的条纹图像对应的三维重建图像,图9(c2)是中度曝光下的条纹图像对应的三维重建图像,图9(c3)是高度曝光下的条纹图像对应的三维重建图像,图9(c4)是高动态范围条纹图像对应的三维重建图像。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例具体公开了一种基于高动态范围的三维重建方法,该方法包括以下步骤:、
S1、调整摄像机和投影仪的角度,将一定光栅周期的正弦条纹投影到被重建物体的表面上,通过摄像机对被重建物体拍下N张不同曝光度的条纹图像,如图2所示,N为大于1的整数。
S2、对N张不同曝光度的条纹图像建立权重图:第k张条纹图像Ik对应的权重图Wk的第i行第j列处的值Wk(i,j)表示为:
其中,Ck(i,j)表示位于条纹图像Ik的第i行第j列的像素点的对比度,Ek(i,j)表示位于条纹图像Ik的第i行第j列的像素点的曝光适当度,Wc为对比度权重系数,取值为大于0的常数,We为曝光适当度权重系数,取值为大于0的常数,较大的对比度Ck(i,j)表示此像素点具有更多的细节和纹理;较大的曝光适中度Ek(i,j)表示此处更接近于理想的中间曝光,而远离过曝光和欠曝光。
本实施例中,步骤S2过程如下:
S21、使用对比度矩阵hc对条纹图像Ik进行卷积操作,计算出位于条纹图像Ik的第i行第j列的像素点的对比度Ck(i,j),表示为:
其中,Ik(i,j)为条纹图像Ik第i行第j列的像素点的值,hc(r,l)为hg的第r+1行第l+1列处的值,对比度矩阵hc表示为:
当中心像素点与邻域像素点的值之差的绝对值越大时,中心像素点处的对比度越大;当中心像素点与邻域像素点的值之差的绝对值越小时,中心像素点的亮度与邻域像素点的亮度越接近,中心像素点处的对比度越小;
S22、曝光适当度的计算:在像素值中,0代表最暗,255代表最亮,当像某个区域最暗或最亮时,分别对应曝光不足和曝光过度,所以最理想的曝光值应该尽可能远离0或255,所以在本发明中取最佳曝光的像素值为128,然后计算出位于条纹图像Ik第i行第j列的像素点的曝光适当度Ek(i,j),表示为:
其中,σ为取值大于0的常数。
S3、对每张条纹图像和对应的权重图建立高斯金字塔:条纹图像Ik的高斯金字塔以条纹图像Ik为高斯金字塔的最低的一级,记为条纹图像Ik对应的权重图Wk的高斯金字塔以权重图Wk为高斯金字塔的最低的一级,记为条纹图像Ik的高斯金字塔的第L级的第i行第j列处的值表示为:
其中,L的取值范围为{1,2,...,Ng-1},Ng为高斯金字塔的级数,hg是一个5×5的高斯核矩阵,表示为:
S5、对图像金字塔进行融合,得到最终的高动态范围条纹图像。
本实施例中,步骤S5过程如下:
S52、计算高动态范围条纹图像的拉普拉斯金字塔:高动态范围条纹图像的拉普拉斯金字塔的第L级LPL的第i行第j列处的值LPL(i,j)表示为:
S53、金字塔融合:得出高动态范围条纹图像的拉普拉斯金字塔后,要得到最后的高动态范围条纹图像,需要对高动态范围条纹图像的拉普拉斯金字塔进行融合,从高动态范围条纹图像的拉普拉斯金字塔最顶级,即第Ng-1级,开始逐级从上至下进行递推,可以恢复对应的高动态范围条纹图像高斯金字塔GL,递推方法表示为:
GL=LPL,当L=Ng-1时
HI=G0。
S6、对高动态范围条纹图像进行三维重建,得到被重建物体的三维信息。
本实施例中,步骤S6过程如下:
S61、由于投影的光栅是正弦条纹,高动态范围条纹图像HI中的第i行第j列处的值HI(i,j)表示为:
HI(i,j)=A(i,j)+B(i,j)cos[φ′(i,j)]
其中,A(i,j)为测量平面的光强分布,B(i,j)为条纹对比度分布,φ′(i,j)为条纹图相位,然后,通过摄像机对被重建物体拍下相移量相对于HI分别增加π和的N张不同曝光度的条纹图像,再根据步骤S1至S5计算相移量相对于HI分别增加π和的高动态范围条纹图像HI1、HI2和HI3(分别如图4、图5和图6所示),HI1、HI2和HI3中的第i行第j列处的值HI1(i,j)、HI2(i,j)和HI3(i,j)表示为:
S62、计算相位图φ,φ的第i行第j列处的值φ(i,j)表示为:
S63、对相位图φ进行相位展开和去载频,得到最终的三维重建图;
本实施例中,步骤S63过程如下:
S631、将φ(i,j)表示为:
φ(i,j)=φc(i,j)+Δφ(i,j)
其中,f为光栅基频,此时φ(i,j)包含了相位分布Δφ(i,j)和载频相位分量φc(i,j),然后,将φc(i,j)表示为n项泽尼克多项式的组合:
φc(i,j)=a0u0(i,j)+…+azuz(i,j)+...+an-1un-1(i,j)
其中,uz(i,j)为第z+1项泽尼克多项式,az为第z+1项泽尼克多项式对应的系数;
S632、在相位图φ的参考平面区域选取Ns个数据点进行拟合,有:
其中:
其中,φx表示第x个数据点对应的相位,ux,y表示第x个数据点对应的第y+1项泽尼克多项式,可进一步解得:
求解出A后,最终被重建物体的相位分布Δφ(i,j)为:Δφ(i,j)=φ(i,j)-φc(i,j);
S633、根据被重建物体相位分布Δφ(i,j),恢复被重建物体的高度信息,即可得到被重建物体的三维信息,如图8所示,表示为:
其中,S为相机到测量面的距离,T为投影正弦光栅的周期,d为相机与投影仪的距离。
本发明已经在条纹图像、相位图和三维重建图像三个方面对算法的实验结果进行了评估。用于实验的是一个表面同时具有高度反光区域和黑色区域的物体,因此该物体表面的动态范围是非常高的,很难找到一个适合的曝光度使该物体反光区域和深色区域同时具有清晰的条纹。由图9(a1)、图9(a2)、图9(a3)和图9(a4)可以看出,在低度曝光下的条纹图像(图9(a1))中,反光区域条纹清晰,但深色区域条纹不清晰;中度曝光条纹图像(图9(a2))反光区域和深色区域的条纹都不清晰;高度曝光条纹图像(图9(a3))深色区域条纹清晰,但反光区域条纹不清晰,而高动态范围条纹图像(图9(a4)),在反光区域和深色区域都具有较清晰的条纹图像。
由图9(b1)、图9(b2)、图9(b3)和图9(b4)可以看出,在低度曝光下的条纹图像对应的相位图(图9(b1))中,深色区域存在部分相位丢失;中度曝光下的图像对应的相位图(图9(b2))未及高动态范围图像对应的相位图(图9(b4))清晰;在高度曝光下的条纹图像对应的相位图(图9(b3))中反光区域的相位几乎完全丢失;而在高动态范围条纹图像对应的相位图(图9(b4))中,反光区域和深色区域都具有清晰的相位。
由图9(c1)、图9(c2)、图9(c3)和图9(c4)可以看出,低度曝光下的条纹图像、中度曝光下的条纹图像和高度曝光下的条纹图像对应的三维重建图像都未能正确地重建物体的三维体貌,而高动态范围图像的的三维重建图像(图9(c4))可以比较完好地重建被测物的三维体貌。
因此,由图9可以看出,本发明无需在被重建物表面添加显影剂就可以重建表面动态范围高的物体,可以有效地克服反光和深色并存对三维重建的影响。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于高动态范围的三维重建方法,其特征在于,所述的三维重建方法包括以下步骤:
S1、调整摄像机和投影仪的角度,将一定光栅周期的正弦条纹投影到被重建物体的表面上,通过摄像机对被重建物体拍下N张不同曝光度的条纹图像,N为大于1的整数;
S2、对N张不同曝光度的条纹图像建立权重图:第k张条纹图像Ik对应的权重图Wk的第i行第j列处的值Wk(i,j)表示为:
其中,Ck(i,j)表示位于条纹图像Ik第i行第j列的像素点的对比度,Ek(i,j)表示位于条纹图像Ik第i行第j列的像素点的曝光适当度,Wc为对比度权重系数,取值为大于0的常数,We为曝光适当度权重系数,取值为大于0的常数;
S3、对每张条纹图像和对应的权重图建立高斯金字塔:条纹图像Ik的高斯金字塔以条纹图像Ik为高斯金字塔的最低的一级,记为条纹图像Ik对应的权重图Wk的高斯金字塔以权重图Wk为高斯金字塔的最低的一级,记为条纹图像Ik的高斯金字塔的第L级的第i行第j列处的值表示为:
其中,L的取值范围为{1,2,...,Ng-1},hg是一个5×5的高斯核矩阵,表示为:
S5、对图像金字塔进行融合,得到高动态范围条纹图像;
S6、对高动态范围条纹图像进行三维重建,得到被重建物体的三维信息。
3.根据权利要求1所述的一种基于高动态范围的三维重建方法,其特征在于,所述的步骤S5过程如下:
S52、计算高动态范围条纹图像的拉普拉斯金字塔:高动态范围条纹图像的拉普拉斯金字塔的第L级LPL的第i行第j列处的值LPL(i,j)表示为:
S53、金字塔融合:从高动态范围条纹图像的拉普拉斯金字塔第Ng-1级开始逐级从上至下进行递推,恢复对应的高动态范围条纹图像高斯金字塔GL,递推方法表示为:
GL=LPL,当L=Ng-1时
HI=G0。
4.根据权利要求3所述的一种基于高动态范围的三维重建方法,其特征在于,所述的步骤S6过程如下:
S61、将高动态范围条纹图像HI中的第i行第j列处的值HI(i,j)表示为:
HI(i,j)=A(i,j)+B(i,j)cos[φ′(i,j)]
其中,A(i,j)为测量平面的光强分布,B(i,j)为条纹对比度分布,φ′(i,j)为条纹图相位,然后,通过摄像机对被重建物体拍下相移量相对于HI分别增加π和的N张不同曝光度的条纹图像,再根据步骤S1至S5计算相移量相对于HI分别增加π和的高动态范围条纹图像HI1、HI2和HI3,HI1、HI2和HI3中的第i行第j列处的值HI1(i,j)、HI2(i,j)和HI3(i,j)表示为:
S62、计算相位图φ,φ的第i行第j列处的值φ(i,j)表示为:
S63、对相位图φ进行相位展开和去载频,得到最终的三维重建图。
5.根据权利要求4所述的一种基于高动态范围的三维重建方法,其特征在于,所述的步骤S63过程如下:
S631、将φ(i,j)表示为:φ(i,j)=φc(i,j)+Δφ(i,j)
其中,f为光栅基频,Δφ(i,j)为相位分布,φc(i,j)为载频相位分量,然后,将φc(i,j)表示为n项泽尼克多项式的组合:
φc(i,j)=a0u0(i,j)+…+azuz(i,j)+...+an-1un-1(i,j)
其中,uz(i,j)为第z+1项泽尼克多项式,az为第z+1项泽尼克多项式对应的系数;
S632、在相位图φ的参考平面区域选取Ns个数据点进行拟合,有:
其中:
其中,φx表示第x个数据点对应的相位,ux,y表示第x个数据点对应的第y+1项泽尼克多项式,解得:
求解出A后,最终被重建物体的相位分布Δφ(i,j)为:
Δφ(i,j)=φ(i,j)-φc(i,j);
S633、根据被重建物体的相位分布Δφ(i,j),恢复被重建物体的高度信息,得到被重建物体的三维信息,表示为:
其中,S为相机到测量面的距离,T为投影正弦光栅的周期,d为相机与投影仪的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153360.5A CN112950494B (zh) | 2021-02-04 | 2021-02-04 | 一种基于高动态范围的三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153360.5A CN112950494B (zh) | 2021-02-04 | 2021-02-04 | 一种基于高动态范围的三维重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950494A CN112950494A (zh) | 2021-06-11 |
CN112950494B true CN112950494B (zh) | 2022-09-30 |
Family
ID=76243710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153360.5A Active CN112950494B (zh) | 2021-02-04 | 2021-02-04 | 一种基于高动态范围的三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950494B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018071041A1 (en) * | 2016-10-14 | 2018-04-19 | Hewlett-Packard Development Company, L.P. | Rebuilding three-dimensional models to provide simplified three-dimensional models |
CN108519064A (zh) * | 2018-04-20 | 2018-09-11 | 天津工业大学 | 一种应用于多频率三维测量的反光抑制方法 |
CN110702034A (zh) * | 2019-10-25 | 2020-01-17 | 湖北工业大学 | 高反光表面三维面形测量方法、服务器及系统 |
CN111028165A (zh) * | 2019-11-29 | 2020-04-17 | 郑州轻工业大学 | 一种基于raw数据抵抗相机抖动的高动态图像恢复方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012012943A1 (en) * | 2010-07-28 | 2012-02-02 | Shenzhen Institute Of Advanced Technology Chinese Academy Of Sciences | Method for reconstruction of urban scenes |
CN109993825B (zh) * | 2019-03-11 | 2023-06-20 | 北京工业大学 | 一种基于深度学习的三维重建方法 |
-
2021
- 2021-02-04 CN CN202110153360.5A patent/CN112950494B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018071041A1 (en) * | 2016-10-14 | 2018-04-19 | Hewlett-Packard Development Company, L.P. | Rebuilding three-dimensional models to provide simplified three-dimensional models |
CN108519064A (zh) * | 2018-04-20 | 2018-09-11 | 天津工业大学 | 一种应用于多频率三维测量的反光抑制方法 |
CN110702034A (zh) * | 2019-10-25 | 2020-01-17 | 湖北工业大学 | 高反光表面三维面形测量方法、服务器及系统 |
CN111028165A (zh) * | 2019-11-29 | 2020-04-17 | 郑州轻工业大学 | 一种基于raw数据抵抗相机抖动的高动态图像恢复方法 |
Non-Patent Citations (4)
Title |
---|
Three Dimensional Image Reconstruction Method Based on Two Dimensional Radar Image and Optical Image;X. Yao,et al.;《2019 IEEE 4th International Conference on Signal and Image Processing (ICSIP)》;20191017;第959-965页 * |
基于OpenCV的三维重建关键算法研究;罗建国;《信息科技辑》;20180615(第06期);第I138-1291页 * |
基于倾斜影像与点云数据的城市三维建模及应用研究;刘涛;《基础科学辑》;20200215(第02期);第A008-246页 * |
多尺度细节融合的多曝光高动态图像重建;付争方等;《计算机工程与应用》;20180408(第24期);第187-192、202页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112950494A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107894215B (zh) | 基于全自动曝光的高动态范围光栅投影三维测量方法 | |
He et al. | Quaternary gray-code phase unwrapping for binary fringe projection profilometry | |
CN109506589B (zh) | 一种基于结构光场成像的三维轮廓测量方法 | |
Rao et al. | High dynamic range 3D shape determination based on automatic exposure selection | |
CN108195313B (zh) | 一种基于光强响应函数的高动态范围三维测量方法 | |
US7936949B2 (en) | Panchromatic modulation of multispectral imagery | |
JP2010511258A (ja) | 位置合わせされたパンクロマティック画像に基づくマルチスペクトル画像の超解像のための構造化された平滑化 | |
Babaie et al. | Dynamics range enhancement in digital fringe projection technique | |
CN113358063B (zh) | 一种基于相位加权融合的面结构光三维测量方法及系统 | |
CN107071248B (zh) | 一种用于提取强反射表面几何特征的高动态范围成像方法 | |
CN110599578A (zh) | 一种真实感三维彩色纹理重建方法 | |
Xiao et al. | High-quality binary fringe generation via joint optimization on intensity and phase | |
CN115546255A (zh) | 基于sift流单帧条纹投影高动态范围误差补偿方法 | |
CN112950494B (zh) | 一种基于高动态范围的三维重建方法 | |
Zhang et al. | High-dynamic-range 3D shape measurement based on time domain superposition | |
CN114526692A (zh) | 一种基于离焦度解包裹的结构光三维测量方法及装置 | |
Wang et al. | Nonlinear high-order harmonics correction for phase measuring profilometry | |
CN112802084A (zh) | 基于深度学习的三维形貌测量方法、系统和存储介质 | |
CN115187649B (zh) | 抗强环境光干扰的三维测量方法、系统、设备及存储介质 | |
CN114777687B (zh) | 基于概率分布函数的分区域相位误差补偿方法及设备 | |
Huang et al. | Defocusing rectified multi-frequency patterns for high-precision 3D measurement | |
CN116753863A (zh) | 三维测量的方法、装置、电子设备及存储介质 | |
Wu et al. | Point-to-point compensation method for color coupling and imbalance in color-fringe pattern profilometry | |
CN115950378A (zh) | 一种基于二值条纹的快速测量方法 | |
Zhang et al. | Accurate measurement of high-reflective surface based on adaptive fringe projection technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |