文章目录
2021年第4周学习小结:
相关术语
Visual Hull
对一幅图像进行分割,整张图像被划分为前景对象(上图中用红色/绿色表示)与背景对象(灰色表示),最终得到的图像称为轮廓图像,在上图中可以观察到目标物体在每个视图中拥有不同的轮廓图像。
其中前景Mask,又称轮廓,是对应3D前景对象的二维投影。将每个视图中的轮廓上的点与其对应的摄像机连起来,就形成了一个包含3D对象的广义圆锥,称为轮廓锥。如上图中两个不同视图产生的轮廓锥,他们的交集就是Visual Hull(可视外壳),如下图。
值得注意的是:考虑到视图中的遮挡问题,Visual Hull并不是三维空间中物体的表面。Visual Hull中包含的空间实际上比真实的物体要更加大,就好像你用一块布盖住某个物体。
Photo-Consistency
Photo-Consistency(照片一致性)用于图像配准/多视图重建,当对象上的某一点、体素…与所有视图中对应的轮廓相似时,认为该对象具有照片一致性。
level set
level set(水平集)常用于图像分割,他的具体处理过程见这一篇文章:
http://profs.etsmtl.ca/hlombaert/levelset/#fig:levelset-square
而对于三维重建任务:许多表面重建的方法本质上都是做了一个分割,即把空间分为内与外两个部分,内部即为三维实体,外部就是背景,那么要重建的表面就处于内外两个空间的分界线上。许多方法也就是将空间划分为一个个小的单元(比如体素,Mesh等表示形式),再通过判断每个小单元的分类标签(内部或者外部)来实现重建。
Graph Cuts
Graph Cuts(图分割)也是图像分割中一种常见的方法,相比一般的无向图多了两个节点,分别代表分割中前景、背景这两个类别,而其余节点对应图像中的每个像素。这样一来图像分割问题就转换为了min cut问题。
正如上面所说的,我们可以利用分割的思路来实现三维重建,因此同样可以使用Graph Cuts,将体素、网格这种基本单元作为图的节点,通过计算min cut来优化重建损失。
Delaunary 三角剖分
如上图,d维空间中的n个离散点P1~Pn(红色)之间相互连接构成了Delaunary三角网格(黑色),画出每个Delaunary三角形中两点之间连线的中垂线(灰色)。所有中垂线相连接,将空间划分为一个个区域,称为Voronoi 图。每个Voronoi单元到内部中心点Pi的距离比空间中其他点的距离都要近:
图中每一个线段的中垂线都将平面空间划分为了两部分,而Voronoi单元V(pi)是由Pi及周围点组成线段的所有中垂线划分空间的交集,可以看出V(pi)是凸集(与二叉空间划分BSP类似),并且对于处于最外层的点,生成的Voronoi单元可能不是封闭的。
n点点集的三角剖分在二维中表示为三角形(复杂度 n l o g ( n ) nlog(n) n