【3D视觉原理】3-3D数据表示与转换

最新推荐文章于 2023-07-13 02:32:04 发布
最新推荐文章于 2023-07-13 02:32:04 发布
阅读量1.5k 收藏 3
点赞数 1
分类专栏： # 3D视觉基础 文章标签： 3d 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/guai7guai11/article/details/127061135
版权

文章目录

内容

深度图和点云的数据存储（体像素、八叉树、Kd树、三角剖分）
PLY数据文件格式

深度图和点云的数据存储

在这里插入图片描述

3D相机数据的数据存储形式是二维数组，元素值为物体距离像平面距离Z或者视线距离d。

点云数据存储形式是二维数组，但只有三列 ( X , Y , Z ) (X,Y,Z) (X,Y,Z)，行存储次序任意。

体像素 - 空间均匀分割

在这里插入图片描述

3D数据体像素存储 - 改进：存储

在这里插入图片描述

3D数据体像素存储-代码示例

在这里插入图片描述
在这里插入图片描述

从体像素数组转回点云数据

在这里插入图片描述

体像素的应用

在这里插入图片描述

1 快速检测空间点是否被占据

将带检测空间点的坐标平移，使得原点盒体像素空间立方体最小坐标顶点对齐。

将坐标除以小立方体边长并进行舍入，得到对应体素在3D数组内的存储位置。

查询数组对应元素即可得到空间是否被占用信息。

2 体像素之间的逻辑运算，实现3D、 形状的组合和编辑

体像素存储的优缺点

运算速度快
存储效率很低，尺寸分辨率和空间相互矛盾

需要很大的空间存储3D数组。

量化的精度越高，划分的体像素的格子越多，存储空间越大。

八叉树 - 空间非均匀按需分割

体像素一使 用空间的均匀分割
八叉树一 对空间非均匀分割(按需分割)
具体讨论8叉树之前，我们先从4叉树说起
●2D数据的4叉树表示
●3D数据的8叉树表示

2D数据 - 4叉树

2D数据的4叉树表示

在这里插入图片描述
在这里插入图片描述

2D数据的4叉树构建

在这里插入图片描述

2D数据的4叉树构建 - 算法 改进

如下图所示的情况，如果使用上面的方法构建4叉树，树会很深，浪费空间。针对这种情况，提出三种改进方式。

在这里插入图片描述

4叉树应用 - 快速“碰撞”检测

在这里插入图片描述

4叉树构建 - 代码示例

在这里插入图片描述

4叉树搜索 - 代码示例

在这里插入图片描述

3D数据 - 8叉树

3D数据 - 8叉树 - 表示

在这里插入图片描述

3D数据 - 8叉树 - 构建

在这里插入图片描述

3D数据 - 8叉树 - 构建 - 改进

1 拆分的停止条件可以改成空间内点的数量小于给定正整数K。

2 拆分的停止条件可以改成节点对应空间立方体边长小于门限。

3 叶节点存放的多个点的坐标数据。

3D数据 - 8叉树 - 应用
快速“碰撞”检测
3D光线追踪
knn搜索

在这里插入图片描述

3D数据 - 8叉树 - 代码示例 - Python
3D数据 - 8叉树 - 构建 - 代码示例 - Python

在这里插入图片描述

3D数据 - 8叉树 - 查询 - 代码示例 - Python

在这里插入图片描述

3D数据 - 8叉树 - 代码示例 - PCL（C++实现，效率高）

在这里插入图片描述

Kd树（k-dimensional tree）

从4叉树到kd树

在这里插入图片描述

KD树 - 应用 - 实现快速最近邻查找

KD树 - 构建

在这里插入图片描述

如何选择分割平面的方向？

分割平面有三个方向可以选择：垂直于x轴，垂直于y轴，垂直于z轴。

树的不同层使用不同的方向，例如：树第一层使用垂直于x轴分割，树第二层使用垂直于y轴分割。

KD树 - 构建 - 2D - 示例

在这里插入图片描述
在这里插入图片描述

KD树 - 构建 - 3D - 代码示例

在这里插入图片描述

KD树 - 搜索 - 最近邻

在这里插入图片描述
在这里插入图片描述

KD树 - 搜索 - k近邻 - Python

k 近邻与最近邻搜索算法思想相同，只是 k 近邻搜索中，使用优先级队列保存k个近邻。

在这里插入图片描述

KD树 - 搜索 - k近邻 - PCL（C++实现，效率更高）

在这里插入图片描述

三角剖分

在这里插入图片描述

三角剖分 - 应用 - 人脸3D模型

在这里插入图片描述

如何将随机点划分为三角形？ - Delaunay 三角剖分

在这里插入图片描述

Delaunay 三角剖分

准则：1 空圆；2 最大化最小角。

在这里插入图片描述

Delaunay 三角剖分 - 局部优化（Local Optimization Procedure，LOP）

在这里插入图片描述

在这里插入图片描述

Delaunay 三角剖分 - 全局优化算法Bowyer-Watson

在这里插入图片描述

在这里插入图片描述

Delaunay 三角剖分 - 代码实现 - Python

在这里插入图片描述

Delaunay 三角剖分 - 问题
2D平面上的三角剖分用于3D曲面

曲面的局部看成近似平面，将采样点投影到拟合平面上，进行三角划分。
使用近似的方法，从任一局部小三角形出发，不断“蔓延”， 期间用LOP进行局部优化。

空间任意曲面的三角剖分

结合SDF函数的marching Cube算法。

深度图上的简易三角剖分

以深度图平面上的均匀采样格点直接做三角化。

在这里插入图片描述

注：顶点间可以拼凑成“米”字形。

PLY数据文件格式

1 用多个平面片（三角形或者四边形）描述空间几何体表面

2 有ASCII和二进制2种格式（这里只介绍ASCII格式）

3 平面片描述拆分为:

1)顶点描述;
2)构成平面片的顶点序号

基本格式内容

在这里插入图片描述

头部内容

在这里插入图片描述

数据部分

在这里插入图片描述

平面的法向量方向：右手法则。平面三个坐标点的顺序即为食指绕行方向。

法向量方向会影响渲染出来3D平面的颜色。如果平面法向量朝内，渲染出的平面颜色不是彩色而是灰色。

在这里插入图片描述

PLY数据格式 - 彩色 - 示例

在这里插入图片描述

作业

在这里插入图片描述

在这里插入图片描述

暖焱
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
01-04.3D点云概述-数据结构转换
ZachZheng的专栏
04-04 533
文章目录3D点云常见的数据结构有哪些？点云转化成体像素点云如何转化为八叉树格式点云如何转化为KD树结构 3D点云常见的数据结构有哪些？ 常见的数据结构有：深度图、点云、体像素、三角剖分、八叉树和KD树。 为什么要进行数据格式的转换？主要是为了方便计算。 点云转化成体像素 步骤： 用一个大立方体罩住点云； 把大立方体切分成小立方体； 如果小立方体中存在点云，该立方体置 111；否则，置 000； 程序通过三维数组存储数据； 特点 存储量大； 可以进行逻辑运算； 点云如何转化为八叉树格式
3D立体视觉成像原理介绍【一 】
qq_43627520
03-03 3217
本文将介绍3D立体视觉的成像原理，包括【激光三角测量、飞行时间TOF、结构光3D视觉、时间编码结构光】。
深视3D点云数据转换成HALCON深度图像和灰度图像。
02-22
深视3D点云数据转换成HALCON深度图像和灰度图像。
3D相机如何获取基于立体视觉的3D数据
m0_49762095的博客
02-03 704
3D相机如何获取基于立体视觉的3D数据1 摘要2 立体视觉原理3 相机标定4 深度计算处理步骤4.1 校正4.2 立体匹配4.3 重新投影 1 摘要 本文概述了使用立体相机获取深度感知的主要处理步骤。 2 立体视觉原理 立体视觉的深度感知基于三角测量原理。我们讲两台搭载投影光学系统的相机并排放置，使两台相机的视野在所需物距发生重叠。我们通过这两台相机的拍摄，可以得到两个不同角度下的场景图。如图1所示。物体在圆锥筒前面，圆锥筒散落排列。 在3D空间内，两幅图像中的每一个可见表面点通过两条射
Open3d学习计划——高级篇 6（体素化）
梦醒Blue的博客
10-09 8724
Open3d学习计划——高级篇 6（体素化） 点云和三角网格是一种十分灵活的，但是不规则的几何类型。体素网格是通过规则的3D网格来表示的另一种3D几何类型，并且它可以看作是2D像素在3D上的对照物。Open3d中的VoxelGrid几何类型能够被用来处理体素网格数据。 从三角网格中生成 Open3d提供了create_from_triangle_mesh函数能够从三角网格中生成体素网格。它返回一个体素网格，其中所有与三角形相交的网格被设置为1，其余的设置为0。其中voxel_zie参数是用来设置网格分辨率。
三维数组怎么排列_PointNet: 深度学习点集，用于三维分类和分割
weixin_39950083的博客
11-23 1002
摘要 点云是一种重要的几何数据结构类型。由于其不规则的格式，大多数研究人员将这些数据转换成规则的三维体素网格或图像集合。这使得数据非要地大量增加而造成问题。本文设计了一种直接消耗点云的新型神经网络，充分考虑了输入点的置换不变性。我们的网络名为PointNet，为从对象分类、部分分割到场景语义解析的应用提供了统一的体系结构。虽然简单，但PointNet是非常高效的。从经验上看，...
CV17-相机标定的基本原理与经验分享_CV17-相机标定的基本原理与经验分享_3d视觉_
09-29
在3D视觉、VSLAM（Visual Simultaneous Localization And Mapping）、自动驾驶和图像处理等领域，准确的相机标定对于获取精确的3D信息至关重要。本文将深入探讨相机标定的基本原理，并分享一些实践经验。 首先，...
3D-Led3D.zip
06-07
标题 "3D-Led3D.zip" 暗示我们关注的是一个与3D LED技术相关的项目或软件。描述中的 "3D-Led3D.zip" 重复了标题信息，表明压缩包可能包含了与3D LED显示技术有关的源代码、文档或者其他相关资源。标签进一步确认了...
nuScenes数据集3D转2Dpython源码
04-20
在计算机视觉领域，3D转2D是一项关键的技术，它涉及到将三维空间中的物体信息转换成二维图像平面上的表示，通常用于自动驾驶、物体检测和定位等应用。在这个场景下，“nuScenes数据集3D转2Dpython源码”提供了一个...
2D-3D-Registration-master_自动驾驶、2D-3D匹配_
10-01
2D-3D配准的主要目的是将来自2D图像（如相机捕获的图像）的信息与3D空间中的数据（如激光雷达或3D点云）对齐，以实现精确的环境感知和定位。这个过程对于自动驾驶汽车的路径规划、障碍物检测和避障至关重要。 首先...
halcon 3D中利用find-surface-model 匹配拼接
05-01
在3D视觉中，点云合并是将来自不同视角或者不同时间点的点云数据整合在一起，以获取更完整、更精确的物体信息。这在目标物体部分被遮挡、需要增强细节或者提高定位精度的情况下非常有用。Halcon提供了多种方法来融合...
医学图像处理——读取和解读NII文件
最新发布
huangdianye
07-13 6670
NII文件的存储格式网上有很多资料，在此只做一点简单的描述。nii是一种文件格式，它存储的是在空间中占有一定体积的小方块的物理位置和该位置对应的像素值。这个小方块我们也称之为体素(voxel)。存储的形式是一个三维数组(3D array)，具有三个索引ijk。它存储的物理空间(3D volume)解析出来是整整齐齐的长方体。但是表示一个体积仅仅靠数组是不够的，需要打一些补丁。我们通过苏格拉底式地提问慢慢还原出nii文件的一些重要参数设置。
python 三维数组_Python绘制真正意义上的3D体素色温图
weixin_39771351的博客
11-28 2289
“3D体素(voxel)色温图常用于在三维坐标系下做数据分析和展示,本文从0开始代码演示其绘制实现.”谷歌搜索结果大致很难令人满意:01—准备工作python环境: jupyter notebook。工具包导入:import matplotlib.pyplot as pltimport numpy as npimport matplotlib as mpl#matplot模仿matla...
3D感知技术（1）3D数据及其数据表示
zfjBIT的专栏
08-28 1893
3D数据及其数据表示
3D感知（3D数据表示和转换）
weixin_43384504的博客
03-12 466
TOF 3D相机数据中距离Z的计算关系：问题：得到的距离，是俩点之间的距离，并不是深度，所以要做一下变换。 这里是将光源和相机重合在一起计算得到的，正常情况下，相机和光源是不重合在一起的。 可以结合针孔相机的数学模型： 点云重投影到深度图 好不容易得到点云...
正确理解像素（体素）与分辨率
qq_43449643的博客
07-01 2628
分辨率与像素
3D相机获取点云信息的几种方法
张伟的专栏
12-20 2572
所谓飞行时间法3D成像，是通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行（往返）时间来得到目标物距离。结合激光器的高度，激光扫描角度，就可以准确地计算出每一个地面光斑的三维坐标X，Y，Z，如图所示。点云里的每一个点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等。解相位，也称为相位提取，主要包括相移法，傅里叶变换解相，卷积法解相。这些方法所提取的是相对相位，即相位主值，都是折叠相位，是被折叠在[-pi，pi]之间的，需要相位展开才能得到真实的相位。
32.三维转换属性
potato123232的博客
04-07 1415
三维在网页中显示出来有两个特点 近大远小 被遮挡后不可见 三维转换有四个常用属性，3D位移(translate3d)，3D旋转(rotate3d)，透视(perspective)，3D呈现(transfrom-style) 与二维转换相同，由于转换的属性名都为transform，所以无论写多少transform只有最后的语句生效，写一个二维的再写一个三维的，也是只有最后的语句生效 目录 1三维坐标系 2透视 perspective 3三维移动 translate3d 4三维旋........
深度图与3D点云互转
热门推荐
死亡叹息的博客
01-10 1万+
深度图与3D点云
3d激光轮廓仪点云数据处理
04-27
3D激光轮廓仪是一种高精度的数码测量设备，广泛应用于制造业、建筑业、地质勘探、汽车工业等领域。其工作原理是通过成像激光束扫描目标物体，然后利用高精度的位置传感器记录激光束的位置信息，最终生成目标物体的3D模型。在这个过程中，3D激光轮廓仪会生成大量的点云数据。 点云数据是由大量的离散的点组成的集合，通常会包含数以百万计的点。由于点云数据是高维度的数据，因此需要进行处理才能得到有效的信息。点云数据的处理包括了点云滤波、点云配准、点云分割、点云重建、点云转换等过程。这些过程可以为后续的3D建模、虚拟现实、机器视觉等应用提供支持。 点云滤波是点云数据处理的第一步，目的是通过去噪、降采样等方法减少数据量和噪声。点云配准是将多个点云数据进行对齐，以便进行后续的分析和处理。点云分割是将点云数据中的目标物体与背景分开。点云重建是基于点云数据生成更为精细的三维模型。最后，点云转换是将点云数据转换为不同格式的数据，例如CAD、STL等。这些工作可以通过专业的点云处理软件来完成，例如CloudCompare、MeshLab等。 总之，3D激光轮廓仪的点云数据处理是应用于许多领域中的关键步骤，可以为后续应用提供精确、高效的数据支持。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值