三维重建评价标准

1、Chamfer Distance倒角距离,CD在这里插入图片描述

S1,S2分别表示两组点云,第一项表示S1中任意一点x到S2最小距离之和,第二项则表示S2任意一点y到S1的最小距离之和。
如果该距离较大,则说明两组点云区别较大;如果距离较小,则说明重建效果较好。前一部分保证生成点云与groundtruth点云之间的距离最小,后一部分保证,groundtruth点云在生成点云中的覆盖率。
CD中生成点云和groundtruth点云之间的点云数量不必完全一致。用于网格建模的情况下也可用。

2、EMD(earth mover’s distances)般土距离

EMD算法是用来比较两幅图像相似性的方法。EMD的思想是求得从一幅图像转化为另一幅图像的代价,用直方图来表示就是求得一个直方图转化为另一个直方图的代价,代价越小,越相似。比如一幅图像可以用直方图来表示,横坐标表示像素值,纵坐标表示该像素值下像素的个数,当EMD值越小,两幅图的相似度越大。在三维重建中,用来比较预测点云和groundtruth点云的相似度。

3、Mean Absolute Error(MAE) 原理

MAE就是直接计算模型输出的显著性图谱与Ground-truth 之间的平均绝对误差,首先将两者进行二值化,误差绝对值的平均值,MAE值越小,说明模型质量越好,预测越准确。
在这里插入图片描述

4、图像质量评价指标

PSNR(峰值信噪比)
SSIM(结构相似性)
LPIPS(学习感知图像块相似度)
详细介绍
https://zhuanlan.zhihu.com/p/309892873

  • 3
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【资源说明】 基于C和C++实现的单目多视图立体重建系统源码+项目说明.zip * 数据读取 * 特征点提取和匹配 * 稀疏重建,生成稀疏点云以及估计视图位姿 * 稠密重建,生成每张视图对应的深度图(这里可以进一步生成稠密点云,通过深度图) 数据读取 主要读取输入视图数据,对于无内参的图形,并估计内参(采用张正友相机标定法)。 特征点提取和匹配 * 特征点提取,本项目采用两种特征提取方法,STIF算法和ORB,你可以根据自己的数据和时间要求进行选择,同时你也可以采用一些神经网络的方法来代替此方法。 * 特征点匹配,对于不同的数据量,实则有三种匹配方法,这里只提供第一种: * 对于输入图片属于非连续稀疏图片,采用两两匹配的方式,注意这里不用全部两两匹配,例如A-B匹配完,不用再执行B-A匹配。匹配示意图类似于上三角矩阵。只用匹配对角线以上或者以下的图像对,降低匹配时间。 * 对于连续时间帧图片,采用和相邻时间帧图片进行匹配。例如匹配 [t-50,t+50]区间之间的。 * 对于大数据量图片进行匹配,需要采用词汇树进行匹配。降低匹配复杂度。 以上匹配均采用多线程实现 稀疏重建 本项目给的示例代码是全局增量重建代码,主要分为以下步骤: 1.计算每个图像特征点的Track,也就是图像中每个特征点和几个其他图像中特征点对应。为了让重建结果更加鲁棒,对于Track小于阈值的特征点进行滤除。 2.建立图像之间的Edge,滤出图像间Track对大于一定阈值的建立Edge 3.选取重建初始图像对,这里选取的思想是,sum=0.6*AB+0.2*A+0.2*B;这里AB是A图像和B图像对应特征点的个数,A是A图像与所有其他图像特征点的个数和,B是B图像与所有其他图像特征点的个数和。取sum最大的图像对。同时该图像对应该满足夹角在一定阈值范围里,保证三角化计算不会有太大误差。 4.三角化求取三维点云信息,这里对于步骤三选取的图像对,选取其中与其他图像特征点数最大的图像的相机位置作为世界坐标系,然后通过分解本质矩阵求解另一个图像的位姿信息进行三角化。 5.选取一下一张待重建图像,这个选取的标准是,下一张待重建图像对应该满足特征点数和已重建的三维点交集最大。可以保证通过PNP方法求取初始值相对正确的相机位姿。 6.进行bundle_adjuestment。这里需要对三维点云进行预处理,淘汰那些重投影误差大于一定阈值的三维点,淘汰相机参数不合理的图像。防止在bundle_adjuestment过程中拉偏优化方向。主要借助Ceres库实现,Ceres库主要是一些优化算法例如牛顿高斯法,LM算法等等,借助最小二乘法和泰勒展开去计算让代价函数值最小的变量移动方向和步长。 7.继续重复第5-6步,直到没有合适的图像 8.保存将相机位姿和三维点云 9.对重建结果进行评价,通过.ply文件直接肉眼查看重建形状是否正确,也可以通过统计重投影误差的平均值、最大值、最小值、方差来进行评价。 稠密重建 稠密重建阶段,本项目采用的是patchMatchStereo的方法,为了提高速度通过CUDA实现并行处理。 在稀疏重建阶段已经实现了图像位姿的求解,因此本项目没有采用传统PatchMatchStereo极线对齐的方法,而且是通过单应矩阵来计算对应同名点,并且支持多视图PatchMatchStereo。其中一些实现方法参考了《Massively Parallel Multiview Stereopsis by Surface Normal Diffusion》这篇论文。核心算法主要有四个部分: * 多视图代价计算:在此部分,代价计算的方式和原始的PatchMatchStereo一致。对于多视图代价计算,通过计算参考视图和每个其他视图之间的代价,淘汰不满足阈值的代价,并求其平均值,作为最终代价。 * 空间传播:考虑到原始的PatchMatchStereo算法需要通过左上和右下来传播,但是对于并行计算无法实现,因此应该红黑块的方法。 * RefinePlane:和原始的PatchMatch 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。 欢迎下载,沟通交流,互相学习,共同进步!
图像融合技术就是充分利用多个图像传感器提供的具有互补性和冗余性的 多个源图像,将其进行综合处理,生成比来自任意单传感器更清晰、更完整、更 可靠的图像,以此提高系统的性能。多传感器图像融合技术可广泛用于数字照相 机的大景深成像、医学多模式图像的综合显示、地球遥感图像分类识别、机器人 视觉、虚拟现实、三维图像重建、防恐怖安全检查等领域。论文在探讨和研究多 源图像分类问题、基于多分辨率的图像融合算法和融合图像质量评价方法的基础 上,将评价指标应用在图像融合过程中,提出了关于图像融合的新的思想和方法。 根据图像源的不同,多源图像融合大致可分为:多聚焦图像融合、多传感器 图像融合、遥感多源图像融合以及时间序列(动态)图像融合。人们在图像融合 研究过程中发现,很难设计出一种能够适应各类图像源的图像融合算法,因此实 际应用中一般针对不同的图像源设计不同的图像融合算法。本文在分析多聚焦图 像和医学图像特点的基础上,结合一种通用的图像评价指标,提出了可同时适用 于多聚焦图像和医学图像融合的方法,并证明了这种方法的有效性。 将图像融合评价的信息加入到参数选取和融合规则的选取过程中,可以更 充分地利用信息源所提供的信息,这样形成具有带反馈信息的图像融合模型,其 结果势必会得到比开环图像融合过程更好的效果。多尺度多分辨率方法是图像融 合中使用最普遍的一种方法,这是因为通过尺度和(或)方向分解输入图像的特 征更具代表性,从而提供优越的融合性能。为了给出客观自适应的融合方法,本 文将客观评价指标的概念引入多尺度多分辨率融合系统中,这种自适应地融合算 法能够地广泛地应用于各种场合中。
PCL(Point Cloud Library)是一个开源的点云处理库用于处理和分析三维点云数据。在点云分割任务中,评价指标用于衡量算法的性能和准确度。以下是几个常用的PCL点云分割评价指标: 1. 点云分割准确率(Segmentation Accuracy):该指标用于评估算法对点云数据进行正确分割的能力。准确率可以通过计算正确分割的点数与总点数之比来得到。 2. 点云分割召回率(Segmentation Recall):该指标用于评估算法对点云数据进行完整分割的能力。召回率可以通过计算正确分割的点数与真实分割点数之比来得到。 3. 平均欠分割误差(Under-segmentation Error):该指标用于评估算法对点云数据进行过度分割的程度。欠分割误差可以通过计算未正确分割的点数与总点数之比来得到。 4. 平均过分割误差(Over-segmentation Error):该指标用于评估算法对点云数据进行不足分割的程度。过分割误差可以通过计算错误分割的点数与总点数之比来得到。 5. 边界正确率(Boundary Precision):该指标用于评估算法对点云数据中物体边界的准确度。边界正确率可以通过计算正确分割的边界点数与总边界点数之比来得到。 6. 边界召回率(Boundary Recall):该指标用于评估算法对点云数据中物体边界的完整性。边界召回率可以通过计算正确分割的边界点数与真实边界点数之比来得到。 以上是一些常见的PCL点云分割评价指标,可以根据具体任务和需求选择适合的指标进行评估。

“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