CN113804124A - 一种基于神经网络模型的三维测量方法及系统 - Google Patents

一种基于神经网络模型的三维测量方法及系统 Download PDF

Info

Publication number
CN113804124A
CN113804124A CN202111088346.8A CN202111088346A CN113804124A CN 113804124 A CN113804124 A CN 113804124A CN 202111088346 A CN202111088346 A CN 202111088346A CN 113804124 A CN113804124 A CN 113804124A
Authority
CN
China
Prior art keywords
neural network
network model
object point
micro lens
coordinate values
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
Application number
CN202111088346.8A
Other languages
English (en)
Inventor
罗立恒
彭翔
刘晓利
鲍贤勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Feiyada Precision Technology Co ltd
Shenzhen University
Fiyta Precision Technology Co Ltd
Original Assignee
Feiyada Precision Technology Co ltd
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Feiyada Precision Technology Co ltd, Shenzhen University filed Critical Feiyada Precision Technology Co ltd
Priority to CN202111088346.8A priority Critical patent/CN113804124A/zh
Publication of CN113804124A publication Critical patent/CN113804124A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提出了一种基于神经网络模型的三维测量方法及系统。所述三维测量方法，包括以下步骤：预设标定物点的坐标(x,y,z)；提供用于对标定物点进行拍照的光场相机；将光场相机的微透镜阵列中第n个微透镜形成的标定物点的成像点的坐标记为(sn,tn)；构建神经网络模型(x,y,z)＝f(s1,s2,…,sn,…,si,t1,t2,…,tn,…,ti)；训练所述神经网络模型，从而计算得到所述神经网络模型的函数关系f；验证神经网络模型，判断神经网络模型是否收敛，若是，则采用光场相机对待测物点进行拍照，并根据所述神经网络模型的函数关系f，计算得到待测物点的坐标值。本发明的三维测量方法及系统设计新颖，实用性强。

Description

一种基于神经网络模型的三维测量方法及系统
技术领域
本发明涉及测量领域，尤其涉及一种基于神经网络模型的三维测量方法及系统。
背景技术
现有的光场相机因其结构可在一次曝光时从不同角度获取场景信息，从而用于采集场景的三维信息。采用光场相机捕捉的图像，经过后期处理后可以实现图片重聚焦，生成深度图，从而对场景进行三维重建、三维测量。
然而，由于光场相机内部结构复杂，使用常规相机标定方法难以对光场相机内部结构的参数进行准确标定。这样，由于标定精度不足，使用光场相机进行三维测量的精度因受标定精度限制而不足。
发明内容
本发明针对上述技术问题，提出了一种基于神经网络模型的三维测量方法及系统。
本发明提出以下技术方案：
本发明提出了一种基于神经网络模型的三维测量方法，包括以下步骤：
步骤S1、预设标定物点的坐标(x,y,z)；
提供用于对标定物点进行拍照的光场相机；其中，光场相机包括主镜片，位于主镜片后方的微透镜阵列以及位于微透镜阵列后方、用于捕捉微透镜阵列中各微透镜分别形成标定物点的成像点的CCD；
将微透镜阵列中第n个微透镜形成的标定物点的成像点的坐标记为(sn,tn)；其中，1≤n≤i；i为微透镜阵列中微透镜的数目；
构建神经网络模型(x,y,z)＝f(s1,s2,…,sn,…,si,t1,t2,…,tn,…,ti)；f为神经网络模型的函数关系；
步骤S2、获取标定物点的坐标值以及对应的由微透镜阵列中各微透镜所分别形成的成像点的坐标值，并将其用于训练所述神经网络模型，从而计算得到所述神经网络模型的函数关系f；
步骤S3、验证神经网络模型，判断神经网络模型是否收敛，若是，则采用光场相机对待测物点进行拍照，再获取微透镜阵列中各微透镜所分别形成待测物点的成像点的坐标值，进而根据所述神经网络模型的函数关系f，计算得到待测物点的坐标值。
本发明上述的三维测量方法中，在步骤S2中，所获取的标定物点的坐标值有多个。
本发明上述的三维测量方法中，在步骤S3中，若判断神经网络模型没有收敛，则重新构建神经网络模型。
本发明提出了一种基于神经网络模型的三维测量系统，包括：
神经网络模型构建模块，用于预设标定物点的坐标(x,y,z)；
提供用于对标定物点进行拍照的光场相机；其中，光场相机包括主镜片，位于主镜片后方的微透镜阵列以及位于微透镜阵列后方、用于捕捉微透镜阵列中各微透镜分别形成标定物点的成像点的CCD；
将微透镜阵列中第n个微透镜形成的标定物点的成像点的坐标记为(sn,tn)；其中，1≤n≤i；i为微透镜阵列中微透镜的数目；
构建神经网络模型(x,y,z)＝f(s1,s2,…,sn,…,si,t1,t2,…,tn,…,ti)；
训练模块，用于获取标定物点的坐标值以及对应的由微透镜阵列中各微透镜所分别形成的成像点的坐标值，并将其用于训练所述神经网络模型，从而计算得到所述神经网络模型的函数关系f；
验证和测量模块，用于验证神经网络模型，判断神经网络模型是否收敛，若是，则采用光场相机对待测物点进行拍照，再获取微透镜阵列中各微透镜所分别形成待测物点的成像点的坐标值，进而根据所述神经网络模型的函数关系f，计算得到待测物点的坐标值。
本发明上述的三维测量系统中，训练模块所获取的标定物点的坐标值有多个。
本发明上述的三维测量系统中，神经网络模型构建模块还用于提供棋盘格标定板以及平移台；标定物点设置在该棋盘格标定板上；棋盘格标定板可滑动地设置在平移台上。
本发明上述的三维测量系统中，神经网络模型构建模块还用于提供步进电机控制器；步进电机控制器用于驱动平移台带动棋盘格标定板滑动。
本发明上述的三维测量系统中，验证和测量模块，还用于若判断神经网络模型没有收敛，则重新构建神经网络模型。
本发明的基于神经网络模型的三维测量方法及系统使用光场相机对已知可控制深度z的棋盘格标定板上的标定物点进行连续拍照采集，将一系列采集的图像经过算法处理提取出每个微透镜分别获取的成像点。然后，运用标定物点以及对应的成像点，使用神经网络建立数学关系，完成标定。最后，使用建立好的数学关系，利用相机拍摄待测物点时通过对应的每个微透镜所形成的成像点坐标值，实现三维测量。本发明的三维测量方法及系统设计新颖，实用性强。
附图说明
下面结合附图对本发明进一步说明：
图1示出了本发明优选实施例的基于神经网络模型的三维测量系统的结构示意图；
图2示出了图1所示的三维测量系统的光场相机的结构原理图；
图3示出了本发明优选实施例的基于神经网络模型的三维测量方法的流程图；
图4示出了本发明优选实施例的基于神经网络模型的三维测量系统的功能模块方框图。
具体实施方式
为了使得发明的技术方案、技术目的以及技术效果更为清楚，以使得本领域技术人员能够理解和实施本发明，下面将结合附图及具体实施例对本发明做进一步详细的描述。
如图1-图3所示，图1示出了本发明优选实施例的基于神经网络模型的三维测量系统的结构示意图；图2示出了图1所示的三维测量系统的光场相机的结构原理图；图3示出了本发明优选实施例的基于神经网络模型的三维测量方法的流程图。具体地，三维测量方法包括以下步骤：
步骤S1、预设标定物点的坐标(x,y,z)；
提供用于对标定物点进行拍照的光场相机100；其中，光场相机100包括主镜片110，位于主镜片110后方的微透镜阵列120以及位于微透镜阵列120后方、用于捕捉微透镜阵列120中各微透镜分别形成标定物点的成像点的CCD130；
将微透镜阵列120中第n个微透镜形成的标定物点的成像点的坐标记为(sn,tn)；其中，1≤n≤i；i为微透镜阵列中微透镜的数目；n为自然数；
构建神经网络模型(x,y,z)＝f(s1,s2,…,sn,…,si,t1,t2,…,tn,…,ti)；
在这里，光场相机的机身和普通数码相机差不多，但内部结构大有不同。一般相机以主镜片捕捉光线，再聚焦在主镜片后的胶片或感光器上，所有光线的总和形成相片上的小点，显示影像。而在光场相机中，置于主镜片及感光器之间，有一个微透镜阵列，微透镜阵列接收由主镜片而来的光线后，传送到CCD前，析出聚焦光线及将光线资料转换，以数码方式记下。相机内置软件操作“已扩大光场”，追踪每条光线在不同距离的影像上的落点，经数码重新对焦后，便能拍出完美照片。
步骤S2、获取标定物点的坐标值以及对应的由微透镜阵列120中各微透镜所分别形成的成像点的坐标值，并将其用于训练所述神经网络模型，从而计算得到所述神经网络模型的函数关系f；
在本步骤中，所获取的标定物点的坐标值有多个。通过多个标定物点的坐标值，尽可能地保证神经网络模型的准确性。
步骤S3、验证神经网络模型，判断神经网络模型是否收敛，若是，则采用光场相机100对待测物点进行拍照，再获取微透镜阵列120中各微透镜所分别形成待测物点的成像点的坐标值，进而根据所述神经网络模型的函数关系f，计算得到待测物点的坐标值。
在本步骤中，若判断神经网络模型没有收敛，则重新构建神经网络模型。
进一步地，如图4所示，图4示出了本发明优选实施例的基于神经网络模型的三维测量系统的功能模块方框图。三维测量系统，包括：
神经网络模型构建模块10，用于预设标定物点的坐标(x,y,z)；
提供用于对标定物点进行拍照的光场相机100；其中，光场相机100包括主镜片110，位于主镜片110后方的微透镜阵列120以及位于微透镜阵列120后方、用于捕捉微透镜阵列120中各微透镜分别形成标定物点的成像点的CCD130；
将微透镜阵列120中第n个微透镜形成的标定物点的成像点的坐标记为(sn,tn)；其中，1≤n≤i；i为微透镜阵列中微透镜的数目；
构建神经网络模型(x,y,z)＝f(s1,s2,…,sn,…,si,t1,t2,…,tn,…,ti)；
在这里，光场相机的机身和普通数码相机差不多，但内部结构大有不同。一般相机以主镜片捕捉光线，再聚焦在主镜片后的胶片或感光器上，所有光线的总和形成相片上的小点，显示影像。而在光场相机中，置于主镜片及感光器之间，有一个微透镜阵列，微透镜阵列接收由主镜片而来的光线后，传送到CCD前，析出聚焦光线及将光线资料转换，以数码方式记下。相机内置软件操作“已扩大光场”，追踪每条光线在不同距离的影像上的落点，经数码重新对焦后，便能拍出完美照片。
进一步地，在本实施例中，神经网络模型构建模块10还用于提供棋盘格标定板200以及平移台300；标定物点设置在该棋盘格标定板200上；棋盘格标定板200可滑动地设置在平移台300上。
通过棋盘格标定板200在平移台300上滑动，可以改变标定物点的坐标值；这样，便可以很容易地采集多个标定物点的坐标值；
进一步地，平移台300有电动操作的，也有手动操作的。在本实施例中，神经网络模型构建模块10还用于提供步进电机控制器400；步进电机控制器400用于驱动平移台300带动棋盘格标定板200滑动。
在实际操作时，会将棋盘格标定板固定在高精度电动的平移台上，光场相机固定地正对棋盘格标定板，调整至适当距离。然后，使用步进电机控制器控制电动的平移台工作，每次棋盘格标定板200移动1mm，每次移动后使用光场相机进行拍照。
以棋盘格标定板上的角点作为已知三维坐标点(x,y,z)，相机微透镜记录的照片为获取的二维坐标(s,t)，将三维坐标作为输出参数，其对应的多个二维坐标作为输入参数建立神经网络模型并进行训练，因此输入参数的个数为微透镜个数的两倍，得到像素点与现实点之间的关系。
训练模块20，用于获取标定物点的坐标值以及对应的由微透镜阵列120中各微透镜所分别形成的成像点的坐标值，并将其用于训练所述神经网络模型，从而计算得到所述神经网络模型的函数关系f；
在这里，所获取的标定物点的坐标值有多个。通过多个标定物点的坐标值，尽可能地保证神经网络模型的准确性。
验证和测量模块30，用于验证神经网络模型，判断神经网络模型是否收敛，若是，则采用光场相机100对待测物点进行拍照，再获取微透镜阵列120中各微透镜所分别形成待测物点的成像点的坐标值，进而根据所述神经网络模型的函数关系f，计算得到待测物点的坐标值。
进一步地，验证和测量模块30，还用于若判断神经网络模型没有收敛，则重新构建神经网络模型。
本发明的基于神经网络模型的三维测量方法及系统使用光场相机对已知可控制深度z的棋盘格标定板上的标定物点进行连续拍照采集，将一系列采集的图像经过算法处理提取出每个微透镜分别获取的成像点。然后，运用标定物点以及对应的成像点，使用神经网络建立数学关系，完成标定。最后，使用建立好的数学关系，利用相机拍摄待测物点时通过对应的每个微透镜所形成的成像点坐标值，实现三维测量。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种基于神经网络模型的三维测量方法，其特征在于，包括以下步骤：
步骤S1、预设标定物点的坐标(x,y,z)；
提供用于对标定物点进行拍照的光场相机(100)；其中，光场相机(100)包括主镜片(110)，位于主镜片(110)后方的微透镜阵列(120)以及位于微透镜阵列(120)后方、用于捕捉微透镜阵列(120)中各微透镜分别形成标定物点的成像点的CCD(130)；
将微透镜阵列(120)中第n个微透镜形成的标定物点的成像点的坐标记为(sn,tn)；其中，1≤n≤i；i为微透镜阵列中微透镜的数目；
构建神经网络模型(x,y,z)＝f(s1,s2,…,sn,…,si,t1,t2,…,tn,…,ti)；f为神经网络模型的函数关系；
步骤S2、获取标定物点的坐标值以及对应的由微透镜阵列(120)中各微透镜所分别形成的成像点的坐标值，并将其用于训练所述神经网络模型，从而计算得到所述神经网络模型的函数关系f；
步骤S3、验证神经网络模型，判断神经网络模型是否收敛，若是，则采用光场相机(100)对待测物点进行拍照，再获取微透镜阵列(120)中各微透镜所分别形成待测物点的成像点的坐标值，进而根据所述神经网络模型的函数关系f，计算得到待测物点的坐标值。
2.根据权利要求1所述的三维测量方法，其特征在于，在步骤S2中，所获取的标定物点的坐标值有多个。
3.根据权利要求1所述的三维测量方法，其特征在于，在步骤S3中，若判断神经网络模型没有收敛，则重新构建神经网络模型。
4.一种基于神经网络模型的三维测量系统，其特征在于，包括：
神经网络模型构建模块(10)，用于预设标定物点的坐标(x,y,z)；
提供用于对标定物点进行拍照的光场相机(100)；其中，光场相机(100)包括主镜片(110)，位于主镜片(110)后方的微透镜阵列(120)以及位于微透镜阵列(120)后方、用于捕捉微透镜阵列(120)中各微透镜分别形成标定物点的成像点的CCD(130)；
将微透镜阵列(120)中第n个微透镜形成的标定物点的成像点的坐标记为(sn,tn)；其中，1≤n≤i；i为微透镜阵列中微透镜的数目；
构建神经网络模型(x,y,z)＝f(s1,s2,…,sn,…,si,t1,t2,…,tn,…,ti)；
训练模块(20)，用于获取标定物点的坐标值以及对应的由微透镜阵列(120)中各微透镜所分别形成的成像点的坐标值，并将其用于训练所述神经网络模型，从而计算得到所述神经网络模型的函数关系f；
验证和测量模块(30)，用于验证神经网络模型，判断神经网络模型是否收敛，若是，则采用光场相机(100)对待测物点进行拍照，再获取微透镜阵列(120)中各微透镜所分别形成待测物点的成像点的坐标值，进而根据所述神经网络模型的函数关系f，计算得到待测物点的坐标值。
5.根据权利要求4所述的三维测量系统，其特征在于，训练模块(20)所获取的标定物点的坐标值有多个。
6.根据权利要求4所述的三维测量系统，其特征在于，神经网络模型构建模块(10)还用于提供棋盘格标定板(200)以及平移台(300)；标定物点设置在该棋盘格标定板(200)上；棋盘格标定板(200)可滑动地设置在平移台(300)上。
7.根据权利要求6所述的三维测量系统，其特征在于，神经网络模型构建模块(10)还用于提供步进电机控制器(400)；步进电机控制器(400)用于驱动平移台(300)带动棋盘格标定板(200)滑动。
8.根据权利要求4所述的三维测量系统，其特征在于，验证和测量模块(30)，还用于若判断神经网络模型没有收敛，则重新构建神经网络模型。
CN202111088346.8A 2021-09-16 2021-09-16 一种基于神经网络模型的三维测量方法及系统 Pending CN113804124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111088346.8A CN113804124A (zh) 2021-09-16 2021-09-16 一种基于神经网络模型的三维测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088346.8A CN113804124A (zh) 2021-09-16 2021-09-16 一种基于神经网络模型的三维测量方法及系统

Publications (1)

Publication Number Publication Date
CN113804124A true CN113804124A (zh) 2021-12-17

Family

ID=78941354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088346.8A Pending CN113804124A (zh) 2021-09-16 2021-09-16 一种基于神经网络模型的三维测量方法及系统

Country Status (1)

Country Link
CN (1) CN113804124A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543667A (zh) * 2022-01-21 2022-05-27 同济大学 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5832106A (en) * 1996-05-22 1998-11-03 Electronics And Telecommunications Research Institute Method for camera calibration of range imaging system by use of neural network
GB201216631D0 (en) * 2012-09-18 2012-10-31 Canon Kk Micro lens array with a colour filter set and imaging apparatus
CN105488810A (zh) * 2016-01-20 2016-04-13 东南大学 一种聚焦光场相机内外参数标定方法
CN107339938A (zh) * 2017-07-21 2017-11-10 长春工程学院 一种用于单目立体视觉自标定的异型标定块及标定方法
CN110310338A (zh) * 2019-06-24 2019-10-08 西北工业大学 一种基于多中心投影模型的光场相机标定方法
CN111383281A (zh) * 2018-12-29 2020-07-07 天津大学青岛海洋技术研究院 一种基于rbf神经网络的摄像机标定方法
CN111967288A (zh) * 2019-05-20 2020-11-20 万维数码智能有限公司 智能三维物体识别和定位系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5832106A (en) * 1996-05-22 1998-11-03 Electronics And Telecommunications Research Institute Method for camera calibration of range imaging system by use of neural network
GB201216631D0 (en) * 2012-09-18 2012-10-31 Canon Kk Micro lens array with a colour filter set and imaging apparatus
CN105488810A (zh) * 2016-01-20 2016-04-13 东南大学 一种聚焦光场相机内外参数标定方法
CN107339938A (zh) * 2017-07-21 2017-11-10 长春工程学院 一种用于单目立体视觉自标定的异型标定块及标定方法
CN111383281A (zh) * 2018-12-29 2020-07-07 天津大学青岛海洋技术研究院 一种基于rbf神经网络的摄像机标定方法
CN111967288A (zh) * 2019-05-20 2020-11-20 万维数码智能有限公司 智能三维物体识别和定位系统和方法
CN110310338A (zh) * 2019-06-24 2019-10-08 西北工业大学 一种基于多中心投影模型的光场相机标定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
滕玉坤;郝颖明;付双飞;范晓鹏;: "基于位置敏感器件的视觉测量系统标定技术", 激光与光电子学进展, no. 08, pages 304 - 311 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543667A (zh) * 2022-01-21 2022-05-27 同济大学 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法
CN114543667B (zh) * 2022-01-21 2023-11-07 同济大学 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法

Similar Documents

Publication Publication Date Title
CN107087107B (zh) 基于双摄像头的图像处理装置及方法
JP6080417B2 (ja) 画像処理装置、及び画像処理方法
TWI521255B (zh) 自動對焦方法、其自動對焦裝置和其影像擷取裝置
US8831377B2 (en) Compensating for variation in microlens position during light-field image processing
US20090214107A1 (en) Image processing apparatus, method, and program
CN110009693B (zh) 一种光场相机的快速盲标定方法
US9063323B2 (en) Super light-field lens and image processing methods
CN103491287B (zh) 图像捕获装置
CN109883391B (zh) 基于微透镜阵列数字成像的单目测距方法
CN103828344A (zh) 图像处理设备、图像处理方法和程序、以及包括该设备的摄像设备
EP2709352A2 (en) Image pickup apparatus, image pickup system, image processing device, and method of controlling image pickup apparatus
CN103986854A (zh) 图像处理设备、摄像设备和控制方法
CN103516976A (zh) 图像摄取装置及其控制方法
CN110462679B (zh) 快速多光谱光场成像方法和系统
JP6095266B2 (ja) 画像処理装置及びその制御方法
JP6152772B2 (ja) 撮像装置、半導体集積回路および撮像方法
CN106447735A (zh) 一种全景相机几何标定处理方法
JP3507865B2 (ja) Ｄｍｄを用いたｃｃｄカメラによる実時間形状計測方法と装置
CN113804124A (zh) 一种基于神经网络模型的三维测量方法及系统
TW201143386A (en) Method for adjusting camera module and adjusting device thereof, and method for manufacturing camera module, manufacturing device thereof
CN111292380B (zh) 图像处理方法及装置
TW448340B (en) Single-lens instantaneous three-dimensional image taking apparatus
CN104811688B (zh) 图像获取装置及其图像形变检测方法
CN115393555A (zh) 一种三维图像获取方法、终端设备及存储介质
JP5925109B2 (ja) 画像処理装置、その制御方法、および制御プログラム

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