- 博客(38)
- 收藏
- 关注
RSS订阅
原创 摄影测量中的计算机视觉之Camera Calibration
相机标定:主要目的是通过相机拍摄的图像恢复出相机参数1 图像获取详细说明使用相机的重要参数, 比如类型,分辨率等.2 控制点测量选取至少6个三维点(在现实世界中选取,最好选取墙角这种自带坐标轴的点, 单位mm), 以及他们对应的二维点(在图像中选取 单位piexl).3 计算投影矩阵.x = PX估计相机的外部方向确定相机的内部方向第一步 依旧是归一化详情见上一篇homogra...
2020-02-12 21:26:42
525
原创 M芯片 mac配置Vulkan环境报错 Xcode
报错：Ignoring file ‘/usr/local/Cellar/glfw/3.3.4/lib/libglfw.3.3.dylib’: found architecture ‘x86_64’, required architecture ‘arm64’Undefined symbols:Linker command failed with exit code 1 (use -v to see invocation)解决：重新安装brew reinstall glfw（检查是不是arm64）
2024-03-27 23:09:30
453
原创 平差之统计分布
正态分布(高斯分布)这个已经学过很多次了, 用N来表示.L∼N(μ,σ2)L \sim N\left(\mu, \sigma^{2}\right)L∼N(μ,σ2)L-正态分布变量μ\muμ:期望值, 决定曲线位置σ\sigmaσ:标准差, 决定曲线形状标准正态分布μ=0σ2=1\begin{aligned}&\mu=0\\&\sigma^{2}=1\end...
2020-05-03 04:37:15
325
原创 GIS1之二叉搜索树(binary search tree)
什么是二叉树:一个父节点最多有两个子节点.什么是二叉搜索树:创建(插入):左子节点小于父节点, 右子节点大于等于父节点的二叉树.举个例子:对于数组:83, 53, 20, 47, 75, 7, 5, 4, 65, 9983为根节点, 53<83, 放在83左边, 20<83<53, 放在53左边, 47<83<53,但47>20, 所以放在20右...
2020-04-06 23:19:52
239
原创 C++之递归(recursion)和迭代(iteration)
只要能用程序实现的,都是可分解的.感觉所有的事儿都能用循环,和判断语句实现.如何写递归:1 知道函数功能, 大框架搭好.givenunknown2 找到递归结束的条件(也就是最最简单的情况)写在前面3 functional model这个真的是最难的模块,注意参数值是用given里面推得的,如果A可以推出B,那么初始参数就只有A,把B的定义写在里面.把递归写在最后面,尾递归?...
2020-03-26 04:08:59
634
原创 地理信息系统1之冒泡排序(Bubble sort)
void bubbleSort (int arr[], int Left, int Right){ for (int j = 0; j < Right; j++){ for (int i = j; i < Right;i++){ int r = Right - i, l = r - 1; if(arr[l]>...
2020-03-25 22:34:19
93
原创 地理信息系统1之快速排序(Quick Sort)
中心思想就是 随机找一个pivot(也就是随机选择一个数) 然后左边一个指针,右边一个指针, 左指针往右移, 右指针往左移, 当左指针遇到比pivot大的数就停下, 当右指针遇到比pivot小的数也停下, 然后交换这两个数.继续移动这两个指针,当左右指针相遇时(也就是指向同一个数时)停下, 将这个数和pivot交换.此时pivot就已经完成了其排序.剩下的数可以分为pivot左半边和pivot右...
2020-03-25 00:59:46
109
原创 平差之最小二乘法
测量里同精度的观测数据都是呈正态分布的:X∼N(μ,σ2)X \sim N\left(\mu, \sigma^{2}\right)X∼N(μ,σ2)概率密度函数为:f(x)=1σ2πe−(x−μ)22σ2f(x)=\frac{1}{\sigma \sqrt{2 \pi}} e^{-\frac{(x-\mu)^{2}}{2 \sigma^{2}}}f(x)=σ2π1e−2σ2(x−...
2020-03-08 05:02:23
4185
原创 平差之经验离散度测量
离散度测量说白了就是方差理论的离散度测量:随机误差=观测值−期望值随机误差 = 观测值- 期望值随机误差=观测值−期望值εj=lj⏟Actual −μl⏟Nominal ⇒∀j⏟for all j\varepsilon_{j}=\underbrace{l_{j}}_{\text {Actual }}-\underbrace{\mu_{l}}_{\te...
2020-03-07 04:10:54
200
原创 平差之统计学基础(二)
单独观测(随机变量)的方差/标准差和均值:假如对1个观测量测上n次(l1−lnl_{1}-l_{n}l1−ln),n趋近于无穷,也就是总体为n,则这n个数据呈正态分布N(μl,σl2)\mathcal{N}\left(\mu_{l}, \sigma_l^{2}\right)N(μl,σl2)但是，如果总体量很大，不能做到全部采样，那么就需要用样本来估计总体，假设从总体为n的总数中抽取...
2020-03-06 01:28:15
287
原创 平差之统计学基础
随机变量:随机变量就是你去估计一件事可能发生的结果,然后把这些结果都用数字表达出来.(自己的理解,非准确定义)如果随机变量的值都可以逐个列举出来，则为离散型随机变量。如果随机变量X的取值无法逐个列举则为连续型变量。对于离散的,一般用频率函数去描述.绝对频率:就是一个特定的变量在总量中出现的次数.所有变量出现的次数的总数等于总量的数量.f1+f2+f3+…+fn=N∑fi=N\begin{...
2020-03-04 05:02:28
630
原创 空间数据库与结构之完整性
数据完整性:值域的完整性: 比如邮编在中国都是6位.禁止空值:有些数据是不能为空的,比如制作学生表,学生的姓名不能为空.要有主键:不能有两个元组拥有相同的主属性,主属性不能为空.主键:能唯一确定一行的一个/一组属性.如何设定主键:1CREATE TABLE lecturer(ID_lecturer INTEGER CONSTRAINT ID_lecturer_PK PRIMARY ...
2020-02-28 06:39:43
263
原创 空间数据库与结构之四种连接比较
首先是交叉连接:也就是把一张表里所有的行和另一张表里所有的行相乘.假设A表中有m行,B表中有n行,那么做交叉连接的结果有m*n行SELECT * FROM lecturerCROSS JOIN classes;无需使用选择限制符号(ON)参考: https://www.mathstopia.net/sets/cartesian-product通用连接这个比较简单,就是加一个选择限...
2020-02-28 05:58:44
362
原创 空间数据库与结构之基本查询
数据定义语言 Data Definition Language (DDL)creation, dropping, and altering tables数据的结构会被改变创建CREATE TABLE students (ID INTEGER NOT NULL,name VARCHAR(100) NOT NULL,city VARCHAR(100));删除drop 和 dele...
2020-02-28 05:41:52
357
原创 空间数据库与结构之空间连接SQL语句
ST_GeomFromText: 把几何对象从文本转为内部表达.(插入几何对象的时候需要用到, 除非直接输入的就是内部表达)ST_AsText:把内部表达的几何转为文本形式.空间参考标识符( spatial reference identifier)ST_SetSRID:将几何图形上的SRID设置为特定的整数值。在构造查询的边界框时很有用。只针对一个几何对象.SELECT … ST_S...
2020-02-27 23:44:42
828
原创 空间数据库与结构之空间操作
拓扑定义:直接说Set A, 就是内闭外开.Interior of A 是内开外开Closure of A 是内闭外闭Boundary of A是只有边界拓扑关系点 内部就是点 边界为空集线 内部是除了两个端点以外的其余部分 边界为两个端点多边形 内部就是除了环以外的部分 边界为环(包括内环和外环)然后就是9交叉模型举个多边形的例子别的例子:还有扩展模型(...
2020-02-27 06:53:31
537
原创 空间数据库与结构之简单特征(要素)访问
什么是简单特征访问?其实就是一系列关于二维地理数据存储和访问的标准.OGC和ISO标准（ISO 19125）ISO 19125-1 指定了创建的结构ISO 19125-2 指定了如何用SQL去执行简单要素的一些特点:什么是要素(特征) feature: 对现实现象（城市，建筑物，森林，树木等地理对象）的抽象.特征作为数据集粗存在特征表中建模的空间对象:只有0-2维的对象两点间只...
2020-02-27 05:20:34
273
原创 空间数据库与结构之R树(R Tree)
叶子节点:树的最底端的节点也就是R8 R9 R10 R11 R12 R13 R14 R15 R17 R18 R19非叶子节点:除了叶子节点以外的节点根:树的最顶端的节点BBs(bounding boxes):能圈住一个图形的最小矩形.R树:1 点的查询:描述：假设T为一棵R树的根结点，查找所有搜索矩形S或者点P覆盖的记录条目。第一步:查找子树遍历根的所有目录矩形包含P的子节点, ...
2020-02-27 01:56:58
2309
1
原创 径向畸变(radial distortion)
Lens distortion is a form of optical aberration that causes lenses to deviate from rectilinear projection. Commonly, it is caused by defects in lens design and manufacturing.也叫镜头畸变,是光学相差的一种形式,导致镜头偏离直...
2020-02-18 03:35:38
4215
原创 [C++]判断齐次坐标系中三点是否共线(三个向量是否共面)
其实,齐次坐标系中三点共线,可以等价于求二维欧几里得坐标系中三个向量共面.第一种方法是利用公式:a⋅(b×c)=0\mathbf{a} \cdot(\mathbf{b} \times \mathbf{c})=0a⋅(b×c)=0三个向量的混合积等于0,就证明它们共面.因为两个向量a,b的叉积得到第三个向量d,这个向量与a,b所组成的平面垂直,如果c与d垂直,也就是c与d的点积等于0,那...
2020-02-16 02:44:27
6158
2
原创 摄影测量中的计算机视觉之立体视觉(Stereo Vision)
点在图像中的像的水平移动量与距相机的距离成反比.如图所示,考虑最简单的一种情况,两个相机的像平面在同一个平面上.极线互相平行.如何求得景深Z呢.首先构建坐标系,分别以两个相机对应的的像平面的中心为原点建立坐标系,由于两个相机经过校准以后完全一样,所以正方向也一样,这里假定向右为正方向.那么通过三角关系,我们可以得到如下关系式:XZ=xf\frac{X}{Z}=\frac{x}{f}Z...
2020-02-16 00:13:26
793
原创 摄影测量中的计算机视觉之3D homography
快到期末了最简单的概念都没有搞明白3D homography和Camera matrixP原来不是一个东西3D homography是从3D点X’转到3D点X的矩阵,是4*4的矩阵,Camera matrix也就是projection matrix是从3D点X’转到图像点x’的矩阵,是3*4的矩阵.那么如何得到一个3D homography呢第一步依旧是conditioning(归一化)...
2020-02-15 21:40:01
318
原创 摄影测量中的计算机视觉之基础知识.
计算机视觉说白了也就是在和图像打交道, 而图像就是一个投影空间.现实世界中的物体在照片中会改变大小形状.但是有一些东西是不变的, 就比如点还是点, 直线还是直线,圆还是圆(可能是椭圆)对一幅图旋转和平移不会改变它的长度和体积,距离角的比值,几何中心,平行关系以及和均匀缩放不均匀缩放,剪切重合几何(incidence)主要就是包含点的共线和线的相交. 也就是说,经过投影后, 如果原来点...
2020-02-15 03:24:51
334
原创 光束法平差(bundle adjustment)之迭代方法
需要进行调整的参数有哪些?根据前面提到稀疏矩阵,可以知道需要调整的就是n个camera matrix P的12个参数其所连接的m个目标点在现实世界中的坐标(3个参数).12n + 3m最终的结果就是要使世界坐标系中的所有点X经过相机矩阵P变换后得到的点和其在图像坐标系中对应的点x之间的差的和最小.minPi,Xj∑i=1n∑j=1md(PiXj,xji)2\min _{\mathbf{...
2020-02-15 02:04:25
901
原创 摄影测量中的计算机视觉之Reconstruction
Reconstruction已知两幅图中的匹配点{xi,xi′}\left\{\boldsymbol{x}_{i}, \boldsymbol{x}_{i}^{\prime}\right\}{xi,xi′}估计camera matrixP,P′\mathbf{P}, \mathbf{P}^{\prime}P,P′和3D点.XXX1 第一步计算基础矩阵Fx′TFx=0...
2020-02-14 21:57:43
246
原创 摄影测量中的计算机视觉之Triangulation
什么是Triangulation?已知点X在图像坐标系1中的坐标是x,在图像坐标系2中的坐标是x’,并且已知从世界坐标系下的点X到图像坐标系下的点x的投影矩阵P,从世界坐标系下的点X到图像坐标系2下的点x’的投影矩阵P’,求X.齐次坐标系下:x = PX x’ = P’X非齐次坐标系下:x=α\alphaαPX(这部分我是真的不懂,为什么要用非齐次)x和PX是同向的,所以叉积=0...
2020-02-14 07:18:18
508
原创 摄影测量中的计算机视觉之位姿估计(Pose estimation)
位姿估计是已知一组世界坐标系3D点和其对应的图像坐标系下的2D点,去寻找他们之间转换关系.x=PX已知x和X, 求P是位姿估计.已知x,x’和P,P’,求X是Triangulation.用数学表达式表达就是:x和X都是已知的,那么如何来估计P呢.摄影测量一共涉及到三个坐标系,世界坐标系,相机坐标系(咱助教也叫它sensor coordinates),图像坐标系.现在已知的是目标点在...
2020-02-14 06:12:22
1197
原创 摄影测量中的计算机视觉之bundle adjustment
每个图像中穿过一束从投影中心发出连接到测量点的射线.通过连接这些来自多个图片的光束,可以组成空间射线网络.使用合适的相机配置,这个网络在几何上是稳定的.对所有的投影矩阵和所有的目标点之间的射线的数值调整,就叫光束法平差.非线性方法需要好的估值.最小的全局误差世界坐标系点X经过投影矩阵P转化后的的PX和摄像机坐标系点x之间的距离.为什么不是相等的? 因为有图像噪声的存在.先把一个相机...
2020-02-14 05:16:18
308
原创 从本质矩阵到基础矩阵(推导)
首先推导本质矩阵什么是本质矩阵?给定第一幅图中的一个点,这个点的坐标乘以基础矩阵将得到其在第二幅图中的对极线坐标.Ex = l’如果一个点在对极线上,那么xTl = 0这是投影空间中点和线的二元性.如何证明?两个正交向量的点积=0任意两个向量的叉积与这两个向量所组成的平面垂直.Ex = l’xTl = 0可以推出 xTEx=0本质矩阵和单应性矩阵的区别?本质矩阵是将点映射...
2020-02-13 04:56:36
1944
原创 对极几何
想象从你的眼睛发出一条射线,这条射线连接到物体的中心点§上.你的眼睛(O)就是一个对极点,而这条射线就是对极线OP.在你的眼睛和物体中间设立一个平面M,这个平面和OP垂直.这个平面就是像平面.现在,移动你自己的身体,换一个方向.你眼睛所在的位置是O’.O’P是另一条对极线,同时也有另一个像平面M’.连接O和O’,OO’就是基线.OPO’也组成了一个平面E,这个平面叫对极平面E.对极平...
2020-02-13 01:53:02
135
原创 摄影测量中的计算机视觉之Fundamental Matrix
我写得乱七八糟的~等啥时候有心思了再好好排版.这节的主要目的是确定两幅图像之间的相对位置.两幅图之间的相对定向是由对极几何来定义的.使用代数投影几何, 对极几何可以用基础矩阵来表示.如何估计F是本节重点.part1 手动点击对应点进行估计part2 计算机自动估计part11 图像获取从不同的两个位置拍照.2 对应点获取手动选取至少8对对应点.3 计算基础矩阵第一步...
2020-02-13 00:20:01
662
1
原创 奇异值分解(singular value decomposition) SVD
觉得还是得给奇异值矩阵分解专门写一篇文章毕竟贯穿了整个课程.首先什么是列空间?一个矩阵乘一个列向量可以理解为矩阵中所有列向量的线性组合.这个在平差中也经常用到.Ax = b可以写成 v1x1 + v2x2 + … +vn*xn = b只有当b是v1…vn的线性组合的时候, Ax = b才有解.所有v1… vn的线性组合张成一个空间.(n维空间?,错, 是<=n)这些可能的...
2020-02-12 04:57:42
393
原创 摄影测量中的计算机视觉之Projective Transformation (2D Homography)
本节的主要目的是用几张水平覆盖度大于30%的电子图片合成全景图.图像获取条件1 : 用数码相机拍摄水平覆盖度大于30%的几张图片.举例: 从左往右拍摄三张图, 第一张和第二张之间的水平覆盖度大于30%, 第二张和第三张之间的水平覆盖度大于30%.条件2 : 图像之间没有视差(disparity)存在.举例:相机绕着投影中心转动要么拍摄一个平面的对象,水平移动.对应点分析把三...
2020-02-12 04:56:09
849
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人