vivo01的专栏

5.2 Infinite Series - Calculus Volume 2 | OpenStax

当我们通过3D扫描设备对物体进行扫描后，会得到三维点云，通过表面建模，我们会重建出物体的3D模型。如果想得到完整的物体的3D模型，需要对物体进行多个角度的扫描并通过拼接算法重建。经过处理得到的3D模型，在很多场景中都有大量应用，下图是一些典型的应用。

5.1 Sequences - Calculus Volume 2 | OpenStax

4.5 First-order Linear Equations - Calculus Volume 2 | OpenStax

4.4 The Logistic Equation - Calculus Volume 2 | OpenStax

4.3 Separable Equations - Calculus Volume 2 | OpenStax

4.2 Direction Fields and Numerical Methods - Calculus Volume 2 | OpenStax

最初投影结果如右上所示，红色点投影到了比较集中的一个小范围中，然后通过迭代优化，红点之间相互排斥，但排斥的距离不会超过绿点约束的范围，因为绿点对红点有吸引力。左下图是经过几轮迭代后，红点逐渐散开到整个表面，右下图是经过多次迭代后得到的较为理想的均匀分布的情况。选取要计算的点和它周围一定范围内的点可以拟合出一个平面，最基本的方法是通过最小二乘法取对这些点到平面的距离进行优化（计算量很大）。WLOP改进了LOP，主要是加入了一项基于点云密度的局部权重项，并且初始的X可以理解为是原有点云的一个下采样的点云。

4.1 Basics of Differential Equations - Calculus Volume 2 | OpenStax

3.7 Improper Integrals - Calculus Volume 2 | OpenStax

三维点云学习（2）中kd-tree 实现代码来自黎老师github三维kd-tree 的图示如下图所示，为三维kd-tree的切割图，进行三个维度的切割，kd-tree的本质就是对三个维度的数据点不断构建平衡二叉树。这种方法，既可以看成是四叉树方法在三维空间的推广，也可以认为是三维体素阵列表示形体方法的一种改进。多个离散的3D点对应上图的点云。体素（Voxel）是3D空间的像素，量化的，大小固定的单位体积组成（可类比2D的像素，只是体素多了一个维度），每个单元都是固定大小和离散坐标。

3.6 Numerical Integration - Calculus Volume 2 | OpenStax

3.5 Other Strategies for Integration - Calculus Volume 2 | OpenStax

3.4 Partial Fractions - Calculus Volume 2 | OpenStax

双目视觉系统中，找到左右图像中的同名点是很困难的。即便是经过了极线校正，也存在很多问题比如高光等造成无匹配。对于结构光方案来说，找到同名点的过程会相对简单些。结构光方案中，会增加一个投射器，将编码后的光束打到物体上，由于投射的图案本身是预知的，可以起到辅助定位的作用。结构光方案有多种，摄像机数量上看有单目和双目的，编码方式上看有线激光、格雷码编码、伪随机吗等方案。结构光重建有很多应用，其成本较低，精度高，能满足很多工业场景。

参考如下两篇笔记：几何角度理解相机成像过程_亦枫Leonlew的博客-CSDN博客本笔记从几何角度来理解相机的成像过程，我们生活在三维世界中，相机所捕捉到的画面是2D的，3D空间中的点是如何投影到2D平面的过程是本笔记关注的。三角测量的原理如上图，假设以左相机为基础坐标系，则有相机的矩阵P'和左图像之前相差一个[R|t]变换，通过这两个相机矩阵可以算出两个同名点链接两个光心的射线，射线交于一点（理想情况下交于一点，实际中存在误差大概率无法相交，需要进行额外计算），这个点就是该点在三维世界中对应的位置点。

一、高斯牛顿法发展历程1、从上倒下为高斯牛顿法的前世今生已经未来的演化：最速下降法（一阶梯度法）牛顿法（二阶梯度法）高斯牛顿法列文伯格法马夸尔特法二、高斯牛顿法引出的前世注：由于原理的相似性，最速下降法和牛顿法可以统称为一阶，二阶梯度法1、最速下降法考虑如下优化目标函数：..._gauss-newton算法步骤。如上图，在不同位姿下对同一个物体采集到了一系列图像， 例子中有四张图片。物体上某点M，在四幅图像上都能找到其观测点。此篇笔记尚未理解，先做笔记。

3.3 Trigonometric Substitution - Calculus Volume 2 | OpenStax

上面的公式中，m1表示M点在左成像平面上观测到的点位置，P1M是通过相机投影矩阵计算出来的M在左成像平面上的对应点位置（m2,P2M也是相同理解，只是所有位置是在右平面）。通过找到多组同名点，就有多个重投影误差项，我们的目的是找到这些所有重投影误差之和，使这个值最小化，在这个过程中，可以找到最优的P1和P2。理想情况下，在左右两幅图像中找到同名点后，连接同名点和光心会产生两条直线，这两条直线会相交于一点，这个点就是物体世界中该点的位置。第一步，对一个物体拍摄出很多图像，这些图像组成一个图像序列。

3.2 Trigonometric Integrals - Calculus Volume 2 | OpenStax