卫少东-CSDN博客

原创【杂项学习】linux下使用Cmake+GDB断点调试

linux下使用Cmake+GDB断点调试介绍cmakeCMake是一个跨平台的安装（编译）工具，可以用简单的语句来描述所有平台的安装(编译过程)。他能够输出各种各样的makefile或者project文件，能测试编译器所支持的C++特性,类似UNIX下的automake。只是 CMake 的组态档取名为 CMakeLists.txt。Cmake 并不直接建构出最终的软件，而是产生标准的建构档（如 Unix 的 Makefile 或 Windows Visual C++ 的 projects/work

2022-05-19 15:34:02 1938

原创【杂项学习】Open3D的基本使用

Open3D的基本使用前言在处理点云数据时，PCL库的安装和上手难度较大，英特尔的Open3D在性能和开箱即用上表现优异，可以读存、处理和显示各类点云，故做此试验。准备工作安装使用window11下的pychram，配置python3.6的虚拟环境，（PS:open3d到博客写作日期为止，暂时只支持3.6-3.8版本），进行虚拟环境的setting，依次安装open3d，numpy，opencv（optional）测试数据下载在gethub上下载open3d的源码，里面包含了我们需要官方提供的

2022-05-19 15:22:05 1609

原创 CeresSolver采用稀疏矩阵求解大规模BA时参数块设定

CeresSolver采用稀疏矩阵求解大规模BA时参数块设定前言在大规模BA求解中，通常会关注到相机位姿与路标参数构成矩阵的稀疏性，将相机位姿参数与路标点参数分组，采用舒尔补充等方法进行消元求解数据量大的组别，提升求解效率，具体可以参考ceres的LinearSolver¶部分。在实际使用中，构造代价函数时需明确哪些参数为路标点参数，需要被消去；哪些参数为相机参数，首先求解，相当于将参数分组，并决定其消去的顺序。ceres内置了自动分组的方法，但有时不能奏效，此时就需要我们手工指定参数块的分组，并且来

2022-05-19 15:19:52 563

原创 Ubuntu 18.04从源代码编译安装GDAL3.4.1

Ubuntu 18.04从源代码编译安装GDAL3.4.1简要介绍参考地址编译代码注意事项1.configure: error: PROJ 6 symbols not found2. 使用cmake时找不到库3.可以用make -j4 加速检查方法简要介绍参考地址GDALGithubGDAL各版本下载地址官方编译方法地址编译代码./configuremake -j4sudo make install注意，3.5版本可以使用cmake进行编译。注意事项1.configure: err

2022-03-06 14:39:33 3590

原创 (Python)卫星RPC有理多项式模型读取与正反投影坐标计算原理与实现

（Python）卫星RPC有理多项式模型读取与正反投影坐标计算原理与实现文章目录（Python）卫星RPC有理多项式模型读取与正反投影坐标计算原理与实现摘要RPC几何定位模型介绍RPC模型库代码实现Rpc模型库使用示例实验结果精度评估性能评估摘要在航天摄影测量领域，RPC模型是一种通用的卫星几何定位模型。作为基础构件，RPC模型是后续前方交会（三角化）、区域网平差、DSM生成的基础。但是，笔者在实际使用中发现网上的关于RPC模型开源代码良莠不齐，有的介绍详细但没有代码，难以找到一组比较易用的RPC模型

2021-11-16 19:48:00 3688 12

原创（Python）使用Gdal进行批量的多光谱影像波段合成

（Python）使用Gdal进行批量的多光谱影像波段合成文章目录（Python）使用Gdal进行批量的多光谱影像波段合成摘要方法代码介绍完整代码实验结果代码运行结果（部分）多光谱合成结果耗时摘要项目中经常遇到批量多光谱合成的任务需求，数量不多时，可以利用ENVI、ARCGIS等软件进行手工操作，但是当遇到数据量大且数据名称类似的任务时，很容易陷入机械劳动，耗时且易出错。本文提供了个人学习科研进行中，撰写的批量多光谱合成代码。其可以按照合成对象的命名特点搜索文件中的待合成波段的影像列表，并使用Gdal

2021-11-09 21:25:28 5134

原创（Python）使用Gdal进行批量的影像RPC正射校正

使用Python+Gdal进行批量的影像RPC正射校正文章目录使用Python+Gdal进行批量的影像RPC正射校正摘要方法实验数据实现代码介绍完整代码实验结果代码运行结果正射校正结果性能摘要遥感影像经会遇到大批量数据做统一处理的情况，而其影像命名由于其一级产品的生产过程有很强的规律性，天然具备批量处理的潜质。本次针对带RPC的遥感影像批量处理，借助了Python脚本语言，使用re库（正则表达式）来处理字符串与名称搜索、os库来处理路径和文件遍历、GDAL库来进行RPC模型的正射校正，最终实现了批量

2021-11-07 11:46:05 5609 11

原创（Python）绘制地理坐标范围与点

import matplotlib.pyplot as pltfrom matplotlib.path import Pathimport matplotlib.patches as patchesimport numpy as np#plt.rcParams["font.family"]="SimHei" #正常显示中文def drawBoundary(ax, boundary, **kw): """ 绘制地理坐标区域 :param ax: 绘制的坐标轴 :p

2021-10-31 22:55:05 1993

原创（Python）Gdal与Opencv遥感影像Siticher拼接

文章目录前言使用Opencv的Stitcher(傻瓜式)TODO：自己实现运行结果耗时情况拼接效果总体效果局部细节（接缝处）前言“ 很多时候，我们需要研究较大空间范围的研究区域时，单幅遥感图无法覆盖整个研究区域，这时就需要对遥感图像进行镶嵌（或拼接）。”本文使用Python+Opencv+GDAL实现相邻两个遥感图像之间重叠区域的拼接。基本步骤为：对每幅图进行特征点提取对特征点进行匹配进行图像配准把图像拷贝到另一幅图像的特定位置对重叠边界进行特殊处理（颜色融合）最近使用python进行

2021-08-09 15:13:14 1522 1

原创（Python）Gdal与Opencv遥感影像Sift匹配+RANSAC筛选并计算匹配RMSE精度

目录简要介绍代码运行结果简要介绍SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。该方法于1999年由David Lowe 首先发表于计算机视觉国际会议（International Conference on Computer Vision，ICCV），2004年再次经David Lowe整理完善后发表于International jour

2021-08-09 14:34:03 4400 14

原创（Python）使用Gdal+opencv读遥感影像加简单处理

文章目录简介代码运行结果简介使用Python API的gdal和opencv一般遇到最大的问题就是，遥感影像一般为16位和opencv只处理8位，中间的转换有很多的写的非常复杂又不完全对的，本文提供一个可用的例子，用于读取影像截取ROI，这样就可以很方便的使用opencv算法进行图像处理了，以此作为自己的记录和初学者参考。使用库的相关版本python 3.9gdal 3.2.3opencv 4.5（可使用PLI或者matplot）代码from osgeo import gdalimp

2021-08-09 13:10:23 4196 10

原创（Python）使用Gdal+Scipy获得Dem的经纬度的高程值（双线性和三次样条内插）

（Python）使用Gdal+Scipy获得Dem的经纬度的高程值（双线性和三次样条内插）前言基本原理双线性内插三次样条内插代码实现后记前言最近使用python进行一些的遥感影像处理，发现摄影测量方面，相比于CV领域资料非常匮乏，特此记录一些小工具的实现，也做出一些遥感领域的代码做出自己的贡献，水平有限，能用而已。基本原理Dem内插是指根据分布在内插点周围的已知参考点的高程值求出未知点的高程值，由于所采集的原始数据排列一般是不规则的，为了获取规则的 DEM，内插是必不可少的重要步骤。它是 DEM的

2021-08-08 15:18:23 2689

原创论文阅读-Bias Compensation in a Rigorous Sensor Model and Rational Function Model for High-Resolution S

论文阅读-Bias Compensation in a Rigorous Sensor Model and Rational Function Model for High-Resolution Satellite Images-对光学模型和多项式模型的补偿的效果研究论文标题:Bias Compensation in a Rigorous Sensor Model and Rational Function Model for High-Resolution Satellite Images文章地

2021-04-29 10:31:56 203

原创超详细中文车牌识别开源库EasyPR入门实战（win10_VS2019_opencv34）

中文车牌识别库EasyPR配置全过程及编译问题解决（win10_VS2019_opencv34）本文目录中文车牌识别库EasyPR配置全过程及编译问题解决（win10_VS2019_opencv34）开源库介绍准备工作EasyPR源码下载Opencv下载与编译软件环境配置编译中的几个问题明明配置完成还是找不到opencv.hpp出现ANN_MLP有关的问题检测到“RuntimeLibrary”的不匹配项: 值“MD_DynamicRelease”不匹配值“MT_StaticRelease”找不到openc

2021-02-06 12:37:00 4156 4

原创一种GPS辅助的多方位相机的VIO——Slam论文阅读

"A GPS-aided Omnidirectional Visual-Inertial State Estimator in Ubiquitous Environments "论文阅读这里写目录标题"A GPS-aided Omnidirectional Visual-Inertial State Estimator in Ubiquitous Environments "论文阅读论文摘要文章信息背景大背景本文细分背景针对具体问题方法对问题的回应具体思路实验实验设置实验结果结论主要创新点小技巧论文摘要

2021-01-29 15:02:30 672 1

原创 C++ 一维高斯积分的实现

#include <cmath>#include <limits>#include <cstdlib>#include <iostream>#include<cmath>using namespace std;//高斯积分int main(){ double sigma = 1; double mu = 0; double A = 1/(sqrt(2*M_PI) * sigma); // double x = 0; /

2020-10-21 20:53:28 1421 2

原创 HF-Net初探之二:运行demo及相关报错处理

在浏览器中打开demo.ipynb文件官方提供的demo在库的根目录下面,名为demo.ipynb,接触过数据学科的同学很熟悉,要用jupyter打开,回去看看配置文件,官方已经贴心的帮我们安装好了.在hfnet文件中中打开命令行,输入:jupyter notebook就会在浏览器中出现打开demo.ipynb会出现如下的视图,这就已经可以开始调试,运气好的同学点击run就可以一个一个运行直到出现最后的结果,笔者就属于不好的,接下来就一个一个来解决.运行中报错处理加载依赖库时,ros相关错误

2020-07-09 18:39:04 1561 4

原创 HF-Net初探之一:简介与配置使用

pip3 install -r setup/requirements.txtmake: pip3: Command not foundmakefile:2: recipe for target ‘install’ failedmake: *** [install] Error 127

2020-07-09 18:08:38 3333

原创手写系列之手写LM(Levenberg–Marquardt)算法(基于eigen)

紧接上次的手写高斯牛顿,今天顺便将LM算法也进行了手写实现,并且自己基于eigen的高斯牛顿进行了对比,可以很明显的看到,LM的算法收敛更快,精度也略胜一筹,这次高博的书不够用了,参考网上伪代码进行实现.同学们有什么问题都可以讨论,理论部分的细节后面会补上,最近确实有点忙.伪代码程序源码#include <eigen3/Eigen/Core>#include <eigen3/Eigen/Dense>#include"opencv2/opencv.hpp"#include

2020-07-08 19:01:15 2470 3

原创手写系列之手写高斯牛顿法(基于Eigen)

重复造轮子虽然很多人不推荐,但是个人认为,不重复造一下轮子,也就不能真正的懂轮子的写作逻辑优点和考虑,更别说优化轮子.会导致像高中一听就会,一做就错的感觉,所以笔者挑选一下极具代表性的算法进行手写,收货颇丰.本代码基于高翔博士<slam14讲>,写的时候刻意的只看了要求和思路,没有看一眼作者的代码,写出来的竟然惊人的相似.连一些初始化和变量的命名都一样,变相的证明了笔者代码功力的提高(不要脸了开始).全文如下,算法基于eigen3,opencv库只用来产生随机数.代码#include &l

2020-07-07 18:49:51 1374

原创 C++11lamda表达式入门初探

基本语法capture mutable ->return-type{statement}[capture]：捕捉列表。捕捉列表总是出现在Lambda函数的开始处。实际上，[]是Lambda引出符。编译器根据该引出符判断接下来的代码是否是Lambda函数。捕捉列表能够捕捉上下文中的变量以供Lambda函数使用;(parameters)：参数列表。与普通函数的参数列表一致。如果不需要参数传递，则可以连同括号“()”一起省略;mutable：mutable修饰符。默认情况下，Lambda函数总是一个

2020-07-02 17:06:16 129

原创趣谈:C++中引用和只指针的区别

1.引用必须初始化,不可以为空,不可以null;指针可以位NULL,可以在任何时候初始化.2.引用一生只爱一次,一生只爱一个人,一旦绑定一个对象,就不能换对象;指针是情场老手,可以随意的更换对象.3.引用沉溺爱情,丧失了自己,如果使用sizeof(&),返回的是他对象的大小,而指针是他自己的大小.4.同样的,如果伤害引用(给引用赋值),是其对象承担这个结果,是修改他的对象,而不是更换对象.5.引用相当于别名,你还是你,王大锤和小王都是你;但是指针相当与你的身份证号,需要先通过号码查到你的名字

2020-07-01 16:11:53 148

原创不使用任何外部库的C++中生成高斯分布的误差值的方法

/***@brief 产生高斯噪声*@param E 噪声期望大小*@param V 噪声方差大小*@return 返回期望为E,方差为V的double型高斯值*/double gaussrand(double E,double V){ static double V1, V2, S; static int phase = 0; double X; if (phase == 0) { do { double U1 = (double)rand() / RAND_MAX;

2020-06-17 15:13:56 419

原创 ceres解析微分方法示例

slam中的同学都常用的库位g2o和ceres,在求导方面,g2o统一使用数值微分,但是我们是知道,如果有明确的雅克比,解析微分在速度,精度和防止发散方面有着不小的优势.我们具体看一个ceres中使用已知的雅克比的示例:class Rat43Analytic : public SizedCostFunction<1,4> { public: Rat43Analytic(const double x, const double y) : x_(x), y_(y) {}

2020-06-17 11:00:31 434

原创排序算法:插入排序,选择排序,希尔排序,归并排序,快速排序C++实现,基于算法第四版

<算法>第四版的代码实现都是java的,但是和C++的区别甚小,他的代码,严谨,简洁有力,故写成能用的C++的版本供大家参考,而且提供了CMakeLists.txt供linux环境下的同学参考.sort.h#include<iostream>class Sort{private: /* data */public: Sort(int *a,const int n):_a(a),N(n){}; ~Sort(); //选择排序 void

2020-06-15 17:47:20 417

原创精读VINS-FUSION源码之feature_tracker.cc

图像特征提取代码的部分开始阅读,代码批注尽量详细,特别明显的没有写上去,如果有错误请大家及时反馈,讨论:(精读的是港科大的vinsFuison代码;github地址: https://github.com/HKUST-Aerial-Robotics/VINS-Fusion.文件位置位于:VINS-Fusion/vins_estimator/src/featureTracker/feature_tracker.cc)#include "feature_tracker.h"bool FeatureT

2020-06-11 19:58:54 760

原创 SLAM-VINS-FUSION原理学习及源码详细精读

文章目录前言:最近开始学习使用VIO相关的内容,原因有二:手机上的imu天生的就位VIO打好了硬件基础,个人觉得VIO的发展前景较好.苹果的ARkit包含了激光视觉imu等的多传感器融合,做到了非常好的效果,可以预见,传感器融合是slam的大趋势,而vinsfusion论文中中特别强调,这个框架对于每一种传感器(他把每一个当做factor)是平权的,可以容易的做到,视觉,imu,GPS,激光雷达的融合.所以选择研读港科大的SLAM开源框架VINSFUSION作为研读,同时对于其中涉及的论文知识点

2020-06-11 19:30:23 1824 2

原创精读VINS-FUSION源码之feature_tracker.h

由于笔者本人的方向从图像做起,所以选择从特征提取的部分开始阅读,代码批注尽量详细,特别明显的没有写上去,如果有错误请大家及时反馈,讨论:(精读的是港科大的vinsFuison代码;github地址: https://github.com/HKUST-Aerial-Robotics/VINS-Fusion.文件位置位于:VINS-Fusion/vins_estimator/src/featureTracker/feature_tracker.h)bool inBorder(const cv::Poin

2020-06-11 19:28:57 916

空空如也

空空如也