CN115186600A - 一种船行波数值模拟的稠密重建方法 - Google Patents
一种船行波数值模拟的稠密重建方法 Download PDFInfo
- Publication number
- CN115186600A CN115186600A CN202210652197.1A CN202210652197A CN115186600A CN 115186600 A CN115186600 A CN 115186600A CN 202210652197 A CN202210652197 A CN 202210652197A CN 115186600 A CN115186600 A CN 115186600A
- Authority
- CN
- China
- Prior art keywords
- points
- depth map
- ship
- dense
- traveling wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004088 simulation Methods 0.000 title claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种船行波数值模拟的稠密重建方法,涉及船舶与海洋工程技术领域,包括如下步骤:通过全局邻域视角选择算法以及面片优化算法对船行波数值模拟得到的图像进行分析计算,得到种子点的深度图;通过区域生长法对所述种子点的深度图进行扩张,得到完整的深度图;将所述完整的深度图进行深度图融合,得到完整的稠密空间点。本发明选用物理引擎搭建立体视觉仿真环境采集得到图像,对图像分析得到船行波稠密空间点,逼真地还原了船行波场景,较准确地计算得到了船行波波形特征,进一步提高了船行波观测的精细度。
Description
技术领域
本发明涉及船舶与海洋工程技术领域,具体而言,尤其涉及一种船行波数值模拟的稠密重建方法。
背景技术
船行波是船舶在水面航行时引起的波浪,船行波的研究对船舶的科研与生产十分重要,而波浪监测技术是研究船行波的重要技术手段。
目前常见的波浪测量方法及其特点:波浪测量浮标,大多数的浮标体积均较大,运输与投放过程较复杂且具有一定作业危险性;通过无线电反射的遥感测波,适合大面积的快速测波,但对波长较大的海浪测量存在一定误差;电阻/电容测波,即借助标杆,依据海水导电性进行测量;声学测波,分为水下式测波与水上式测波两种。总体而言,测波的方法可以分为接触式测量与非接触式测量,前者本身对波浪存在一定干扰,因此非接触式的测波方法对研究海浪具有重要意义。
现有的非接触式测波技术通过稀疏重建算法对船行波数值模拟得到的图像进行分析计算得到稀疏空间点,但是空间点数量较少,无法反映出船行波波形特征。
发明内容
有鉴于此,本发明的目的在于提出一船行波数值模拟的稠密重建方法,以解决现有技术下立体视觉难以在仿真环境中对船行波进行观测观察的局限性的技术问题。
本发明采用的技术手段如下:
一种船行波数值模拟的稠密重建方法,包括如下步骤:
通过全局视角选择算法对船行波数值模拟得到的图像数据进行分析计算,得到全局邻域视角;
将所述全局邻域视角构建面片后进行深度值优化,得到种子点的深度图;
通过区域生长法对所述种子点的深度图进行扩张,得到完整的深度图;
将所述完整的深度图进行深度图融合,得到完整的稠密空间点。
进一步地,通过全局视角选择算法对船行波数值模拟得到的图像数据进行分析计算,得到全局邻域视角,包括如下步骤:
对所述图像数据执行特征点检测与三角测量,得到稀疏空间点;
将所述稀疏空间点投影到每个视角中,将投影成功得到的重投影点计数为共有特征点;
计算所述共有特征点两视角之间的视差以及尺度相似度,得到两视角之间的评估分数;
根据所述评估分数,对每个视角进行排序,若视角得分高于指定阈值,则选取为全局邻域视角。
进一步地,将所述全局邻域视角构建面片后进行深度值优化,得到种子点的深度图,包括如下步骤:
根据所述全局邻域视角,为每个空间点重投影得到的观察点构建面片,得到需要优化的面片;
令所述需要优化的面片初始的深度值为空间点到参考视角的距离,为面片选择局部视角,得到局部邻域视角;
将所述局部邻域视角结合光度一致模型,对面片的深度值与颜色尺度进行优化,得到优化完成的面片;
为每个特征检测得到的种子点均执行面片的优化操作,得到种子点的深度图。
进一步地,通过区域生长法对所述种子点的深度图进行扩张,得到完整的深度图,包括如下步骤:
为稀疏特征点建立优先级队列,依据NCC值作为置信度,得到初始的优化队列;
在种子点的周围像素点进行扩张,将邻域像素点加入到初始的优化队列中,得到完整的优化队列;
完整的优化队列中每个像素点结合光度一致模型进行优化,得到完整的深度图。
进一步地,将所述完整的深度图进行深度图融合,得到完整的稠密空间点,包括如下步骤:
将每个视角的完整深度图融合在一起,考虑一致性约束,在融合过程中得到若干个不同的空间点,将若干个不同的空间点进行合并,得到具有一致性的稠密空间点;
针对具有一致性的稠密空间点,校核空间点投影到每个视角得到的投影点之间的NCC关联值,淘汰关联值过小的空间点以及在不同视角中存在遮挡的空间点,得到最终的稠密空间点。
较现有技术相比,本发明具有以下优点:
本专利提供了一种船行波数值模拟的稠密重建方法。通过在物理引擎中对船行波模型进行图像采集以及稠密重建,解决了现有技术下立体视觉难以在仿真环境中对船行波进行观测观察的局限性,实现了粘流CFD数值模拟与立体视觉稠密重建算法的结合,明显地提高了数值模拟环境下立体视觉观测船行波的精细度。
本发明所涉及的基于船行波数值模拟的稠密重建方法通过对种子点建立深度图并且向周围像素点扩张,将得到的完整深度图融合得到稠密空间点,重建结果更为逼真,可以直观地表现出船行波的起伏特征,较准确地重建出船行波波面,是一种非常有效且实用的非接触式测量方法。
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,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图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,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为船行波数值模拟得到的典型视角的图像。
图3为稀疏空间点建立深度图算法流程图。
图4为选择全局视角的算法流程图。
图5为全局视角选择结果图。
图6为极线搜索图。
图7为深度值优化的几何模型图。
图8为避免空间点重叠的可视性约束图。
图9为避免空间点位于物体内部的可视性约束图。
图10为视角13的深度图图。
图11为深度图中的像素点数量图。
图12为船行波稠密重建结果主视图。
图13为船行波稠密重建结果侧视图。
图14为船行波稠密重建结果俯视图。
图15为船行波稠密重建结果立体图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种技术方案:一种船行波数值模拟的稠密重建方法,具体如下:
稠密重建是在特征点的基础上对大量的像素进行计算,得到更丰富的稠密空间点。稠密重建的方法有基于体素空间划分的方法、基于空间patch扩散的方法、基于深度图融合的方法等。本文选用基于深度图融合的方法对船行波进行稠密重建,该方法的流程如图1所示。
(1)计算深度图
运用CFD数值模拟方法分析某船在海洋中航行时引起的波浪,从多个不同的视角拍摄,选取视角13为典型视角,其图像数据如图2所示。
基于深度图融合的船行波稠密重建方法首先为特征点求解深度值,这些特征点可以认为是种子点,为种子点求解深度值成功之后,再向周围的像素点进行扩张,因此种子点是整个稠密深度图的基础。
首先为每一个参考视角选择全局邻域视角,然后将每一个特征点三角测量得到的空间点投影到参考视角中,为投影得到的观察点构建面片,将面片初始的深度值定义为空间点到参考视角的距离,然后在全局邻域视角中选择局部的邻域视角,结合非线性优化方法为面片求解深度,这样就得到了种子点的深度值。具体的算法逻辑如图3所示。
a、全局视角选择
参考视角的全局邻域视角在所有视角中依据一定准则选取。每一个邻域视角都可以计算得到一个分数,只要分数超过一定阈值就可以被选择为全局邻域视角。具体的算法逻辑如图4所示。
全局视角选择的依据如式(1)所示:
式中,FV为邻域视角;FR为参考视角;f∈FV∩FR为两视角之间共有的特征点;wN(f)为两视角之间视差角;ws(f)为视角的尺度相似度;gR(V)为邻域视角相对参考视角的匹配度。
选定参考视角FR,对所有邻域视角FV计算匹配度gR(V),依据两视角之间的匹配度进行排序,即可筛选出合适的全局视角。
视角之间的尺度相似度ws(f)由式(2)计算得到:
式中,r为图像尺度。
图像尺度r由式(3)计算得到:
式中,f为焦距,zc为空间点在相机坐标系中的深度值,w为图像宽度,h为图像高度。
依据计分准则进行全局视角选择的结果如图5所示。
视角7、视角9、视角17、视角18被选择的次数相对较少,整体而言全局视角选择的质量较高,为每个参考视角都选择了较多的邻域视角。
b、局部视角选择
对参考视角中不同的观察点进行深度值计算的过程中,由于不同视角的遮挡情况不同,因此,需要实时地从全局视角中筛选出适合当前观察点的局部视角。
首先通过NCC值确定候选视角,其次视线要足够分散,避免直线特征匹配时的不稳定因素。
另外,在优化深度值的过程中,对于x=[h(s,t),hs,ht]T,可以每5次迭代中有4次迭代仅优化h(s,t),而剩余的1次迭代整体进行优化,并且在优化完成后实时判断每个视角的置信度,如果置信度太小,或者未收敛的迭代步数超过一定值,则将视角替换成其它的置信度较高的视角。
c、区域生长法扩张
首先对参考视角中的稀疏特征点建立优先级队列,依据NCC值作为置信度,估计稀疏特征点的深度值从而得到对应的空间点,进行非线性深度值优化之后,将这些空间点作为种子点。
在种子点的基础上进行扩张,将种子点邻域范围内的像素点加入到队列中,逐步地向周围扩张。如果邻域像素点重建得到的深度值与种子点的深度值相差很大,则需要重新加入队列中优化。
(2)像素点匹配
a、极线搜索
稠密重建的过程中,特征检测得到特征点的过程转变为了将每个像素点视为特征点;每个像素点都计算特征描述子会加大算法的消耗,因此,特征匹配得到匹配对的过程转变为像素点邻域范围的窗口匹配。
参考视角中的一个观察点坐标依据对极约束可以求得邻域视角中的极线表达式,另一方面,极线也可以理解为观察点对应的投影射线在邻域视角中的投影。沿极线扫描邻域视角,得到观察点之间的匹配关系,这个过程是极线搜索。如图6所示。
图6中,p1,p2,p3,...,pn-1,pn为邻域视角中极线上的一系列观察点,d1,d2,d3,...,dn-1,dn分别为邻域视角中观察点对应的投影射线上的深度值。因此针对观察点,只需要沿极线搜索p1,p2,p3,...,pn-1,pn,得到正确的匹配点pi,就可以还原得到观察点的深度值di。
极线搜索减少了算法的工作量,只搜索极线上的像素点而非扫描邻域视角中的所有像素点。同时,极线搜索也提高了算法的精度,搜索得到的深度信息满足双视角之间的光学几何关系,结果更加准确。
b、光度一致性假设
光度一致性假设(Photo-consistency)是指同一空间点投影在不同视角所得的观察点光度相同。稠密重建得到结果主要是物体表面具有光度一致性的局部表面,即对光线的反射强度不随光照方向发生过于明显变化。
极线搜索的过程中,只依据单个像素之间的像素值进行匹配的方法缺乏区分度,因此,在像素点周围建立一个小窗口,比较窗口与窗口之间的匹配关系,判断单个像素的光度一致转变为判断窗口之间的光度一致,匹配的区分度更加明显。
判断两个窗口之间是否具有光度一致性的方法有SSD(Sum ofSquaredDifferences)、SAD(Sum ofAbsolute Differences)、NCC(Normalized CorssCorrelation)。
SSD计算像素之间的平方误差如式(5)所示:
ρSSD(f,g)=||f-g||2 (5)
SAD计算的是差值绝对值的和,如式(6)所示:
NCC即归一化互相关,通过相关系数公式得到两个窗口之间的相关系数矩阵来判断两个窗口是否具有相关性,如式(7)所示:
本文选用NCC归一化互相关的方法计算窗口之间的关联性。满足光度一致性假设时,针对图像上的像素点,在其匹配图像的极线上进行滑动窗口匹配,用NCC计算滑动窗口之间的相似度,即可求得像素点在空间中的深度值,进一步得到图像对应的深度图。
(3)非线性优化
a、优化目标
稠密重建的优化目标是最小化滑动窗口范围内的颜色差异。建立非线性优化的几何模型如图7所示。
参考视角中的像素点(s,t)与空间点X(s,t)之间的对应关系如(8)所示:
针对像素点(s,t)创建一个n×n大小的图像窗口,该像素产生微小偏移后的像素点(s+i,t+j)对应的深度h(s+i,t+j)为:
h(s+i,t+j)=h(s,t)+i*hs(s,t)+j*ht(s,t) (9)
若像素点(s,t)的投影射线与像素点(s+i,t+j)近似相同,则像素点(s+i,t+j)对应的空间点坐标为:
参考视角与邻域视角之间光度一致模型的作用是提升滑动窗口匹配时的准确度,对朗伯反射添加了颜色尺度系数,颜色尺度系数的定义如式(11)所示:
参考视角与邻域视角中互相匹配的观察点像素值相等,如式(12)所示:
IR(s+i,t+j)=ck·Ik(Pk(X(s+i,t+j))) (12)
式中,Pk为第k个邻域视角的投影矩阵,Ik为观察点的像素值。
因此,滑动窗口范围内的颜色差异可以用式(13)表示。
b、调整颜色尺度ck
通过最小二乘法直接求解颜色尺度ck。
能量函数对颜色尺度求偏导,得到:
分别令偏导数为0,可以得到:
c、调整深度值h
选用梯度下降法对深度值进行优化。
得到能量函数E的表达:
求E关于x的梯度,可以得到:
因此,梯度下降的优化过程中:
(4)深度图融合
每个视角都可以计算得到一幅深度图,所有的深度图最终可以合并为一个整体,这个过程就是深度图融合。深度图融合过程中需要考虑到一致性约束与可视性约束。
a、一致性约束
同一个空间点分别投影到不同视角中可以得到不同的观察点,而这些观察点重建的深度图融合在一起时由于存在误差,可能得到若干个空间点,为此,需要对这些空间点进行合并。
另外,参考视角中相邻的两个像素点计算得到的空间点重投影到邻域视角时,得到的观察点之间可能存在重投影误差,对误差过大的点应该进行筛选。
b、可视性约束
可视性约束能够筛选出重叠的空间点以及位于物体内部的空间点。重建得到的所有空间点之间可能存在碰撞,即两个空间点投影到某一视角得到的观察点完全重合,因此需要结合可视性约束进行筛选。
对于已经重建成功的空间点p,若在后续重建过程中,得到了新的空间点q。算法校核时发现两点在视角1中投影得到的观察点相同,则需要将空间点q淘汰,如图8所示。
对重建得到的空间点进行NCC值校核。若得到的空间点q重投影到两个视角的观察点q`1与q`2之间的NCC值很小,说明有可能空间点q位于物体的内部,此时也应淘汰空间点q,如图9所示。
首先依据稀疏特征点经过三角测量所得空间点计算深度,其次逐步加入周围像素点,最终为每个视角扩散得到一幅深度图,结果如图10所示。
视角1~10的深度图在船行波的边缘位置的轮廓较清晰,相对而言视角11~25的轮廓则出现了较明显的起伏变化,将原本不属于船行波三维波面的场景也添加到了深度图中。原因可能是天空背景的颜色与船行波三维模型的颜色较接近,计算过程中辨识不够清晰。各深度图中的像素点数量如图11所示。
深度图中的像素点数量与特征检测的特征点数量变化趋势较为相似,特征点数量较多的图像,其计算得到的深度图中像素点数量也偏多,由此可见特征检测对稠密重建的影响也十分明显。
将所有深度图融合成整体的稠密空间点后,得到的结果如图12、图13、图14、图15所示。
稠密重建基本得到船行波的起伏特征,但视角11~视角25的深度图存在误差,融合之后的稠密空间点在船行波三维模型的下方存在较多的误差点,这些误差点除了物理引擎中的背景颜色干扰之外,还可能由于粘流CFD数值模拟环节引入的误差。由于CFD数值模拟针对试验池的壁面定义了消波区,导致船行波自由表面的边缘部位存在垂直于自由表面的网格单元,这些网格单元在立体视觉计算过程中可能存在干扰。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种船行波数值模拟的稠密重建方法,其特征在于,包括如下步骤:
通过全局视角选择算法对船行波数值模拟得到的图像数据进行分析计算,得到全局邻域视角;
将所述全局邻域视角构建面片后进行深度值优化,得到种子点的深度图;
通过区域生长法对所述种子点的深度图进行扩张,得到完整的深度图;
将所述完整的深度图进行深度图融合,得到完整的稠密空间点。
2.根据权利要求1所述的船行波数值模拟的稠密重建方法,其特征在于,通过全局视角选择算法对船行波数值模拟得到的图像数据进行分析计算,得到全局邻域视角,包括如下步骤:
对所述图像数据执行特征点检测与三角测量,得到稀疏空间点;
将所述稀疏空间点投影到每个视角中,将投影成功得到的重投影点计数为共有特征点;
计算所述共有特征点两视角之间的视差以及尺度相似度,得到两视角之间的评估分数;
根据所述评估分数,对每个视角进行排序,若视角得分高于指定阈值,则选取为全局邻域视角。
3.根据权利要求1所述的船行波数值模拟的稠密重建方法,其特征在于,将所述全局邻域视角构建面片后进行深度值优化,得到种子点的深度图,包括如下步骤:
根据所述全局邻域视角,为每个空间点重投影得到的观察点构建面片,得到需要优化的面片;
令所述需要优化的面片初始的深度值为空间点到参考视角的距离,为面片选择局部视角,得到局部邻域视角;
将所述局部邻域视角结合光度一致模型,对面片的深度值与颜色尺度进行优化,得到优化完成的面片;
为每个特征检测得到的种子点均执行面片的优化操作,得到种子点的深度图。
4.根据权利要求1所述的船行波数值模拟的稠密重建方法,其特征在于,通过区域生长法对所述种子点的深度图进行扩张,得到完整的深度图,包括如下步骤:
为稀疏特征点建立优先级队列,依据NCC值作为置信度,得到初始的优化队列;
在种子点的周围像素点进行扩张,将邻域像素点加入到初始的优化队列中,得到完整的优化队列;
完整的优化队列中每个像素点结合光度一致模型进行优化,得到完整的深度图。
5.根据权利要求1所述的船行波数值模拟的稠密重建方法,其特征在于,将所述完整的深度图进行深度图融合,得到完整的稠密空间点,包括如下步骤:
将每个视角的完整深度图融合在一起,考虑一致性约束,在融合过程中得到若干个不同的空间点,将若干个不同的空间点进行合并,得到具有一致性的稠密空间点;
针对具有一致性的稠密空间点,校核空间点投影到每个视角得到的投影点之间的NCC关联值,淘汰关联值过小的空间点以及在不同视角中存在遮挡的空间点,得到最终的稠密空间点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652197.1A CN115186600A (zh) | 2022-06-09 | 2022-06-09 | 一种船行波数值模拟的稠密重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652197.1A CN115186600A (zh) | 2022-06-09 | 2022-06-09 | 一种船行波数值模拟的稠密重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186600A true CN115186600A (zh) | 2022-10-14 |
Family
ID=83513351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210652197.1A Pending CN115186600A (zh) | 2022-06-09 | 2022-06-09 | 一种船行波数值模拟的稠密重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186600A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600686A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于多幅未标定图像的三维点云重建方法 |
WO2019174377A1 (zh) * | 2018-03-14 | 2019-09-19 | 大连理工大学 | 一种基于单目相机的三维场景稠密重建方法 |
CN111882668A (zh) * | 2020-07-30 | 2020-11-03 | 清华大学 | 一种多视角立体对象重建方法与系统 |
-
2022
- 2022-06-09 CN CN202210652197.1A patent/CN115186600A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600686A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于多幅未标定图像的三维点云重建方法 |
WO2019174377A1 (zh) * | 2018-03-14 | 2019-09-19 | 大连理工大学 | 一种基于单目相机的三维场景稠密重建方法 |
CN111882668A (zh) * | 2020-07-30 | 2020-11-03 | 清华大学 | 一种多视角立体对象重建方法与系统 |
Non-Patent Citations (3)
Title |
---|
刘彬;陈向宁;郭连朋;: "分块立体重建的PMVS算法研究与实现" * |
罗胜;龚振邦;马光;: "多视重建的研究现状" * |
薛栋吉: "基于航拍序列图像的三维重建技术研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
García-Luna et al. | Structure from Motion photogrammetry to characterize underground rock masses: Experiences from two real tunnels | |
Simonetto et al. | Rectangular building extraction from stereoscopic airborne radar images | |
Pizarro et al. | Large area 3-D reconstructions from underwater optical surveys | |
CN103971404B (zh) | 一种高性价比的3d实景复制装置 | |
CN106595500A (zh) | 基于无人机双目视觉的输电线路覆冰厚度测量方法 | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN110766669B (zh) | 一种基于多目视觉的管线测量方法 | |
CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
KR101305305B1 (ko) | 시공간 영상의 상관 분석을 이용한 표면 유속 측정 시스템 및 방법 | |
CN108921864A (zh) | 一种光条中心提取方法及装置 | |
CN105354819A (zh) | 深度数据测量系统、深度数据确定方法和装置 | |
CN109523595A (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
CN112017243B (zh) | 一种介质能见度识别方法 | |
CN109341668A (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 | |
CN104182968A (zh) | 宽基线多阵列光学探测系统模糊动目标分割方法 | |
CN110298271A (zh) | 基于关键点检测网络和空间约束混合模型的海水区域检测方法 | |
CN108830317A (zh) | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN116030208A (zh) | 一种真实无人机虚拟仿真输电线路场景搭建方法及系统 | |
CN114998395A (zh) | 一种有效的堤岸三维数据变化检测方法及系统 | |
CN109696156A (zh) | 基于近景摄影测量的隧道掌子面地质信息快速获取方法 | |
CN112016558B (zh) | 一种基于图像质量的介质能见度识别方法 | |
CN109708570A (zh) | 用于掌子面结构面的信息采集与分析方法及装置 | |
Tu et al. | Detecting facade damage on moderate damaged type from high-resolution oblique aerial images | |
CN116612097A (zh) | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 | |
CN115186600A (zh) | 一种船行波数值模拟的稠密重建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221014 |