齐次坐标与归一化平面

齐次坐标系

齐次坐标的出现是两种几何流派竞争的结构,在文艺复兴时期,发展了经典数学,经典物理学,还有绘画。达芬奇是以画家身份闻名遐迩,且传说其智商特别高,这是为什么呢?那就是其在绘画过程中引入了透视坐标系。
我们知道在笛卡尔坐标系中,两条平行的直线无法相交,但是在透视坐标系中,两条实际的平行线在实际情况下(在透视坐标系)在无穷远处看到会相交。
因此引入了齐次坐标系,在笛卡尔坐标系下(x,y),在齐次坐标系下表示为(x’,y‘,w),以上两个表示满足一定的关系,x=x’/w,y=y‘/w。

归一化平面

归一化平面是建立在齐次坐标的基础上的,在相机的成像过程中,物品面到成像平面的转化就是在平面归一化,在成像平面上是P/Z*f,式中P是P点处的坐标,Z是Z轴的长度,f为焦距,可以将物平面上的图像归一化到成像平面上。

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
matlab 相机标定代码 摄像机标定(Camera calibration)简单来说是从世界坐标系换到图像坐标系的过程,也就是求最终的投影矩阵的过程。 [1]基本的坐标系: 世界坐标系; 相机坐标系; 成像平面坐标系; 像素坐标系 [2]一般来说,标定的过程分为两个部分: 第一步是从世界坐标系转为相机坐标系,这一步是三维点到三维点的转换,包括R,t(相机外参,确定了相机在某个三维空间中的位置和朝向)等参数; 第二部是从相机坐标系转为成像平面坐标系(像素坐标系),这一步是三维点到二维点的转换,包括K(相机内参,是对相机物理特性的近似)等参数; 投影矩阵 : P=K [ R | t ] 是一个3×4矩阵,混合了内参和外参而成。 P=K[Rt] 二.基本知识介绍及 1、摄像机模型 Pinhole Camera模型如下图所示: 摄像机模型与标定 - 小企鹅 - 企鹅的博客 是一个小孔成像的模型,其中: [1]O点表示camera centre,即相机的中心点,也是相机坐标系的中心点; [2]z轴表示principal axis,即相机的主轴; [3]q点所在的平面表示image plane,即相机的像平面,也就是图片坐标系所在的二维平面; [4]O1点表示principal point,即主点,主轴与像平面相交的点; [5]O点到O1点的距离,也就是右边图中的f,即相机的焦距; [6]像平面上的x和y坐标轴是与相机坐标系上的X和Y坐标轴互相平行的; [7]相机坐标系是以X,Y,Z(大写)三个轴组成的且原点在O点,度量值为米(m); [8]像平面坐标系是以x,y(小写)两个轴组成的且原点在O1点,度量值为米(m); [9]像素坐标系一般指图片相对坐标系,在这里可以认为和像平面坐标系在一个平面上,不过原点是在图片的角上,而且度量值为像素的个数(pixel); 2、相机坐标系→成像平面坐标系 [1]以O点为原点建立摄像机坐标系。点Q(X,Y,Z)为摄像机坐标系空间中的一点,该点被光线投影到图像平面上的q(x,y,f)点。 图像平面与光轴z轴垂直,和投影中心距离为f (f是相机的焦距)。按照三角比例关系可以得出: x/f = X/Z y/f = Y/Z ,即 x = fX/Z y = fY/Z 以图像平面的左上角或左下角为原点建立坐标系。假设像平面坐标系原点位于图像左下角,水平向右为u轴,垂直向上为v轴,均以像素为单位。 以图像平面与光轴的交点O1 为原点建立坐标系,水平向右为x轴,垂直向上为y轴。原点O1一般位于图像中心处,O1在以像素为单位的图像坐标系中的坐标为(u0, v0)。 像平面坐标系和像素坐标系虽然在同一个平面上,但是原点并不是同一个。 摄像机模型与标定 - 小企鹅 - 企鹅的博客 设每个像素的物理尺寸大小为 dx * dy (mm) ( 由于单个像素点投影在图像平面上是矩形而不是正方形,因此可能dx != dy), 图像平面上某点在成像平面坐标系中的坐标为(x, y),在像素坐标系中的坐标为(u, v),则二者满足如下关系:[即(x, y)→(u, v)] u = x / dx + u0 v = y / dy + v0 用齐次坐标与矩阵形式表示为: 摄像机模型与标定 - 小企鹅 - 企鹅的博客 将等式两边都乘以点Q(X,Y,Z)坐标中的Z可得: 摄像机模型与标定 - 小企鹅 - 企鹅的博客 将摄像机坐标系中的(1)式代入上式可得: 则右边第一个矩阵和第二个矩阵的乘积亦为摄像机的内参数矩阵(单位为像素),相乘后可得: (2) 和(1)式相比,此内参数矩阵中f/dx, f/dy, cx/dx+u0, cy/dy+v0 的单位均为像素。令内参数矩阵为K,则上式可写成: 摄像机模型与标定 - 小企鹅 - 企鹅的博客 (3) 三.相机内参K(与棋盘所在空间的3D几何相关) 在计算机视觉中,摄像机内参数矩阵 其中 f 为摄像机的焦距,单位一般是mm;dx,dy 为像元尺寸;u0,v0 为图像中心。 fx = f/dx, fy = f/dy,分别称为x轴和y轴上的归一焦距. 为更好的理解,举个实例: 现以NiKon D700相机为例进行求解其内参数矩阵: 就算大家身边没有这款相机也无所谓,可以在网上百度一下,很方便的就知道其一些参数—— 焦距 f = 35mm 最高分辨率:4256×2832 传感器尺寸:36.0×23.9 mm 根据以上定义可以有: u0= 4256/2 = 2128 v0= 2832/2 = 1416 dx = 36.0/4256 dy = 23.9/2832 fx = f/dx = 4137.8 fy = f/dy = 4147.3 分辨率可以从显示分辨率与图像分辨率两个方向来分类。 [1]显示分辨率(屏幕分辨率)是屏幕图像的精密度,是指显示器所能显示的像素有多少。由于屏幕上的点、线和面都是由像素组成的, 显示器可显示的像素越多,画面就越精细,同样的屏幕区域内能显示的信息也越多,所以分辨率是个非常重要的性能指标之一。 可以把整个图像想象成是一个大型的棋盘,而分辨率的表示方式就是所有经线和纬线交叉点的数目。 显示分辨率一定的情况下,显示屏越小图像越清晰,反之,显示屏大小固定时,显示分辨率越高图像越清晰。 [2]图像分辨率则是单位英寸中所包含的像素点数,其定义更趋近于分辨率本身的定义。 四.畸变参数(与点集如何畸变的2D几何相关。) 采用理想针孔模型,由于通过针孔的光线少,摄像机曝光太慢,在实际使用中均采用透镜,可以使图像生成迅速,但代价是引入了畸变。 有两种畸变对投影图像影响较大: 径向畸变和切向畸变。 1、径向畸变 对某些透镜,光线在远离透镜中心的地方比靠近中心的地方更加弯曲,产生“筒形”或“鱼眼”现象,称为径向畸变。 一般来讲,成像仪中心的径向畸变为0,越向边缘移动,畸变越严重。不过径向畸变可以通过下面的泰勒级数展开式来校正: xcorrected = x(1+k1r2+k2r4+k3r6) ycorrected = y(1+k1r2+k2r4+k3r6) 这里(x, y)是畸变点在成像仪上的原始位置,r为该点距离成像仪中心的距离,(xcorrected ,ycorrected )是校正后的新位置。 对于一般的摄像机校正,通常使用泰勒级数中的前两项k1和k2就够了;对畸变很大的摄像机,比如鱼眼透镜,可以使用第三径向畸变项k3 2、切向畸变 当成像仪被粘贴在摄像机的时候,会存在一定的误差,使得图像平面和透镜不完全平行,从而产生切向畸变。也就是说,如果一个矩形被投影到成像仪上时, 可能会变成一个梯形。切向畸变可以通过如下公式来校正: xcorrected = x + [ 2p1y + p2 (r2 + 2x2) ] ycorrected = y + [ 2p2x + p1 (r2 + 2y2) ] 这里(x, y)是畸变点在成像仪上的原始位置,r为该点距离成像仪中心的距离,(xcorrected ,ycorrected )是校正后的新位置。 五.摄像机的外参数 旋转向量(大小为1×3的矢量或旋转矩阵3×3)和平移向量(tx,ty,tz)。 旋转向量:旋转向量是旋转矩阵紧凑的变现形式,旋转向量为1×3的行矢量。 r就是旋转向量,旋转向量的方向是旋转轴 ,旋转向量的模为围绕旋转轴旋转的角度。 通过上面的公式,我们就可以求解出旋转矩阵R。同样的已知旋转矩阵,我们也可以通过下面的公式求解得到旋转向量: 。
大数据背景下数据可视方法研究 作者:黄堰 程晓荣 来源:《电脑知识与技术》2016年第17期 摘要:大数据时代数据飞速增长,高维数据越来越多迫切需要新的数据可视 方法对高维数据进行处理。本文在传统的Radviz数据可视方法基础上,结合弹簧模型 ,给出了一种改进的Radviz数据可视方法,并通过两种模型之间的比较,证明了改进 的Radviz可视方法增强了属性间的合力,降低了数据遮盖度,更好地保持了原有数据 集的特征。 关键词:大数据;数据可视;Radviz;弹簧模型 中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2016)17-0231- 03 随着大数据时代的到来,数据产生的速度呈直线上升,数据海量已成为不可 避免的发展趋势。数据急剧增加对数据处理、数据挖掘以及数据可视等都是一个极大 的挑战。目前,数据可视面临高维数据越来越多,数据量越来越大,数据种类越来越 多等多种挑战。针对这些问题,提出了一种Radviz数据可视方法,将高维数据样本非 线性的投影到二维目标空间,能够快速找到容易被领域专家认可的可视模型。但是传 统的Radviz可视方法将属性值均匀分布在圆周上造成属性间的值相互抵消,从而导致 数据遮盖度较大及可视图形有内缩趋势等问题。本文提出了一种新的改进的Radviz可 视方法,改进的方法增强属性了间的合力,降低了数据遮盖度,使得原始数据集的特 征能够更好地保持。 1 数据可视 数据可视技术诞生于二十世纪八十年代,是运用计算机图形学和图像处理等 技术,以图表、地图、动画或其他使内容更容易理解的图形方式来表示数据,使数据所 表达的内容更加容易被处理。数据可视技术与虚拟现实技术、数据挖掘、人工智能, 甚至与人类基因组计划等前沿学科领域都有着密切的联系[1]。目前数据可视技术大体 可以分为5类:基于几何投影可视技术、面向像素可视技术、基于图标可视技术、 基于层次可视技术以及基于图形可视技术[2]。 数据可视的简易工作图如图1所示: 2 传统的Radviz可视方法分析 Radviz(Radial Coordinate Visualization)是一种基于弹簧模型的可视方法,Radviz是将一系列多维空间的点通 过非线性方法映射到二维空间,实现在平面中对多维数据可视的一种数据分析方法。 自从Ankerst于1996年提出Radviz技术以来,Radviz技术取得了很大的发展,被广泛应用 于可视分析和数据挖掘等领域。近年来更是把Radviz技术运用到基因表达数据的分类 上,且取得了良好的分类效果[3]。 2.1 传统Radviz模型 经典的Radviz方法通常运用在平行坐标系上,将一系列具有多维度属性的点通 过非线性方法映射到二维空间,使人们得以用肉眼观察。如图2所示,设n个特征变量随 机均匀地分布在单位圆周上(如n= 6),记为~,现在假设n个弹性系数不同的弹簧一端全部固定在一个小球上,另一端分 别固定在~。假定第j根弹簧对于观测点i的弹性系数为,如果观测点固定在圆内的一个 平衡位置,那么(,)就是n维空间(,…,)在二维空间的投影,便实现了一个n维数据 转到二维坐标的Radviz可视[3]。 其中,表示随机均匀分布在单位圆周上的特征向量;单位圆周表示一个二维空 间;O表示特征向量映射在二维空间上的平衡点。 根据胡克定律,对一个弹簧而言,小球所受到的弹力取决于弹簧拉伸的长度( 矢量)和弹簧的弹性系数(标量) ,当小球静止不动时,则表明其受到所有弹簧的合力为零。对此可得到如下公式: 其中xj表示第j个变量在二维空间的圆周上的坐标,pi表示第i个观测点在圆内 二维空间平衡位置的坐标。公式(2-2)表示第i个观测的平衡位置,式(2- 3)表示观测平衡位置向量pi为各变量的坐标位置的加权平均。为了避免负值的出现,常 常采用归一的方法,即将最大值和最小值归为1和0,归一后的所有得数值都位于[0 ,1]之间[4]。归一公式为: 从上述公式分析,我们可以得出如下结论: (1)维度值越大,那么该投影位置将更靠近该维度在圆周上的位置; (2)改变圆周上的属性,将影响投影的位置; 传统的Radviz可视方法计算复杂度低;可显示维度大;相似多维对象的投影 点十分接近,容易发现聚类信息;直观便于理解。但是传统的Radviz方法也存在一些不 足,该方法受数据本身及数据集的类型影响,当相似的数据集或成比例的数据集较多时 ,数据遮盖度会很大,将会影响对原始数据集的特征保持[5.6]。 3 改进的Radviz可视方法分析 传统的Radviz可视方法受数据本身和数据集类型的影响,一旦相似数据集或 成比例的数据集较多,数据遮盖度就会很大,那么原始数据集的特征将会被影响,造

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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