书本模型逆映射最终章

0.前言

前一篇博文讲述了逆映射的原理以及先钱错误的原因，在这之后进行了缩放，最后进行了逆映射。在这个过程中，发现几个问题。

1）缩放应通过平移矩阵的tz去控制，而不是在得到坐标之后以缩放比例进行缩放。

2）在通过对坐标以一定比例进行缩放后，逆映射的结果非常差。

1.以比例缩放的逆映射结果

在以比例进行缩放，得到的逆映射结果

可以看到，整个曲线是弯曲的。

2.通过TZ进行缩放

刚开始的逆映射结果也是弯曲的。后来发现原因是对于tz的归一化发生了错误。

#label value can't in different num level, so normalized the more 1's label value; coeffLst[3] and coeffLst[4],x3 and x2;
def maxMinNormalization(num, isNormalTz):
    if isNormalTz:
        maxV = 161
        minV = 139
        return (num-minV)/(maxV-minV)
    else:
        maxV = 1.3
        minV = -1.48
        return (num-minV)/(maxV-minV)  

将最大值和最小值放反了，所以得到的值是错的。

3.逆映射的原理

相当于直线方程与平面的交点。求解一元三次方程。

m= 380

n = 0.5

        axCubeCoeff = a3_predict*dx/m**2
        bxCubeCoeff = ((3*a3_predict*n+a2_predict)/m)*dx
        cxCubeCoeff = ((3*a3_predict*n**2+2*a2_predict*n+a1_predict)*dx-dz)
        dxCubeCoeff = ((n**3*m*a3_predict+n**2*m*a2_predict+n*m*a1_predict+m*a0)*dx+ox*dz-oz*dx)
        x = shengjinSolution(axCubeCoeff, bxCubeCoeff, cxCubeCoeff, dxCubeCoeff)
        labuda = (x-ox)/dx
        y = oy + labuda*dy
        z = oz + labuda*dz

4.总结

通过求得的坐标，进行了透视形变，然后进行网络训练，接着是测试网络，最后是进行逆映射。

5.下一步任务

接下来要做的就是最关键的一步，取得真实的坐标点，进行实验。