2020-09-08

最新推荐文章于 2022-11-02 17:43:50 发布

酒中喜桃子

最新推荐文章于 2022-11-02 17:43:50 发布

阅读量205

点赞数

本文链接：https://blog.csdn.net/zhangwenhou/article/details/108464052

版权

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言
一、pandas是什么？
二、使用步骤
- 1.引入库
- 2.读入数据
总结

前言

本文主要是针对视觉SLAM十四讲第五章的代码进行相关的解读。

提示：以下是本篇文章正文内容，下面案例可供参考

一、undistortimage.cpp

在读入图像的时候会定义图像的类型。

cv::Mat image_undistort = cv::Mat(rows, cols, CV_8UC1);   // 去畸变以后的图

而对于CV_8UC1类型具体描述在interface.h里面，打开这个文件会看到一些定义的宏。

#define CV_CN_MAX     512
#define CV_CN_SHIFT   3
#define CV_DEPTH_MAX  (1 << CV_CN_SHIFT)

#define CV_8U   0
#define CV_8S   1
#define CV_16U  2
#define CV_16S  3
#define CV_32S  4
#define CV_32F  5
#define CV_64F  6
#define CV_USRTYPE1 7

#define CV_MAT_DEPTH_MASK       (CV_DEPTH_MAX - 1)
#define CV_MAT_DEPTH(flags)     ((flags) & CV_MAT_DEPTH_MASK)

#define CV_MAKETYPE(depth,cn) (CV_MAT_DEPTH(depth) + (((cn)-1) << CV_CN_SHIFT))
#define CV_MAKE_TYPE CV_MAKETYPE

#define CV_8UC1 CV_MAKETYPE(CV_8U,1)
#define CV_8UC2 CV_MAKETYPE(CV_8U,2)
#define CV_8UC3 CV_MAKETYPE(CV_8U,3)
#define CV_8UC4 CV_MAKETYPE(CV_8U,4)
#define CV_8UC(n) CV_MAKETYPE(CV_8U,(n))

#define CV_8SC1 CV_MAKETYPE(CV_8S,1)
#define CV_8SC2 CV_MAKETYPE(CV_8S,2)
#define CV_8SC3 CV_MAKETYPE(CV_8S,3)
#define CV_8SC4 CV_MAKETYPE(CV_8S,4)
#define CV_8SC(n) CV_MAKETYPE(CV_8S,(n))

#define CV_16UC1 CV_MAKETYPE(CV_16U,1)
#define CV_16UC2 CV_MAKETYPE(CV_16U,2)
#define CV_16UC3 CV_MAKETYPE(CV_16U,3)
#define CV_16UC4 CV_MAKETYPE(CV_16U,4)
#define CV_16UC(n) CV_MAKETYPE(CV_16U,(n))

#define CV_16SC1 CV_MAKETYPE(CV_16S,1)
#define CV_16SC2 CV_MAKETYPE(CV_16S,2)
#define CV_16SC3 CV_MAKETYPE(CV_16S,3)
#define CV_16SC4 CV_MAKETYPE(CV_16S,4)
#define CV_16SC(n) CV_MAKETYPE(CV_16S,(n))

#define CV_32SC1 CV_MAKETYPE(CV_32S,1)
#define CV_32SC2 CV_MAKETYPE(CV_32S,2)
#define CV_32SC3 CV_MAKETYPE(CV_32S,3)
#define CV_32SC4 CV_MAKETYPE(CV_32S,4)
#define CV_32SC(n) CV_MAKETYPE(CV_32S,(n))

#define CV_32FC1 CV_MAKETYPE(CV_32F,1)
#define CV_32FC2 CV_MAKETYPE(CV_32F,2)
#define CV_32FC3 CV_MAKETYPE(CV_32F,3)
#define CV_32FC4 CV_MAKETYPE(CV_32F,4)
#define CV_32FC(n) CV_MAKETYPE(CV_32F,(n))

#define CV_64FC1 CV_MAKETYPE(CV_64F,1)
#define CV_64FC2 CV_MAKETYPE(CV_64F,2)
#define CV_64FC3 CV_MAKETYPE(CV_64F,3)
#define CV_64FC4 CV_MAKETYPE(CV_64F,4)
#define CV_64FC(n) CV_MAKETYPE(CV_64F,(n))

他的类型定方式如下：

CV_<bit_depth>(S|U|F)C<number_of_channels>

     1--bit_depth---比特数---代表8bite,16bites,32bites,64bites---举个例子吧--比如说,如
        如果你现在创建了一个存储--灰度图片的Mat对象,这个图像的大小为宽100,高100,那么,现在这张
        灰度图片中有10000个像素点，它每一个像素点在内存空间所占的空间大小是8bite,8位--所以它对
        应的就是CV_8
     2--S|U|F--S--代表---signed int---有符号整形
               U--代表--unsigned int--无符号整形
               F--代表--float---------单精度浮点型
     3--C<number_of_channels>----代表---一张图片的通道数,比如:
         1--灰度图片--grayImg---是--单通道图像
         2--RGB彩色图像---------是--3通道图像
         3--带Alph通道的RGB图像--是--4通道图像

//【1】CV_8UC1---则可以创建----8位无符号的单通道---灰度图片------grayImg
#define CV_8UC1 CV_MAKETYPE(CV_8U,1)
#define CV_8UC2 CV_MAKETYPE(CV_8U,2)
//【2】CV_8UC3---则可以创建----8位无符号的三通道---RGB彩色图像---colorImg
#define CV_8UC3 CV_MAKETYPE(CV_8U,3)
//【3】CV_8UC4--则可以创建-----8位无符号的四通道---带透明色的RGB图像
#define CV_8UC4 CV_MAKETYPE(CV_8U,4)

参考：https://blog.csdn.net/maweifei/article/details/51221259

2.去畸变

而对于具体去畸变的公式则可以参考十四讲（第二版）书上101页。

二、stereoVision.cpp

1.立体匹配

1.什么是立体视觉

参考：https://www.cnblogs.com/twzh123456/p/12780955.html

关于立体匹配使用了SGBM（Semi-Global Block Matching）算法。关于立体匹配是一个很重要的研究课题，根据图象获取方式的区别又可以划分成普通立体视觉和通常所称的光流(optical flow)两大类。普通立体视觉研究的是由两摄像机同时拍摄下的两幅图象，而光流法中研究的是单个摄像机沿任一轨道运动时顺序拍下的两幅或更多幅图象。前者可以看作后者的一个特例，它们具有相同的几何构形，研究方法具有共同点。双目立体视觉是它的一个特例。

该算法是基于灰度的匹配算法，这是一种区域相关方法，在一幅图象中以一点为中心选定一区域（窗口），在另一幅图象中寻找与该区域相关系数最大的区域，把该找到的区域的中心认为是原来那区域中心的对应点。它对噪声很敏感，所以需要搭配去噪滤波使用。

2.什么是视差图

左右双目图像中，两个匹配块中心像素的水平距离。视差图如下图例1所示，相同视差（即相同颜色）代表物体离摄像头位置相同。视差越大越靠近摄像头。

3.怎么计算视差

NCC是归一化相关性(normalization cross-correlation)的简称，NCC,就是用于归一化待匹配目标之间的相关程度，比较的是原始像素。通过在待匹配像素位置p（px，py）构建匹配窗口，与目标像素位置p'(px+d,py）同样构建邻域匹配窗口的方式建立目标函数来对匹配窗口进行度量相关性，注意这里构建相关窗口的前提是两帧图像之间已经校正到水平位置，即光心处于同一水平线上，此时极线是水平的，否则匹配过程只能在倾斜的极线方向上完成。度量方式由如下式子定义：

4.SGBM（semi-global block match）算法

opencv中给出的参数含义参考：https://blog.csdn.net/weixin_43042467/article/details/108199785

2.智能指针（ptr）

在代码中，creat会创建一个指针用来存储视差图，而这时创建了一个cv::StereoSGBM类型的指针。

cv::Ptr<cv::StereoSGBM> sgbm = cv::StereoSGBM::create(
        0, 96, 9, 8 * 9 * 9, 32 * 9 * 9, 1, 63, 10, 100, 32);    // 神奇的参数

opencv的cv::ptr<>模板和 boost的shared_ptr<>模板有点像，智能指针的作用在于申请内存后，一旦指针的实例消失，或者超出作用域，申请的内存将会自动释放。

智能指针主要用于管理在堆上分配的内存，它将普通的指针封装为一个栈对象。当栈对象的生存周期结束后，会在析构函数中释放掉申请的内存，从而防止内存泄漏。C++ 11中最常用的智能指针类型为shared_ptr,它采用引用计数的方法，记录当前内存资源被多少个智能指针引用。该引用计数的内存在堆上分配。当新增一个时引用计数加1，当过期时引用计数减一。只有引用计数为0时，智能指针才会自动释放引用的内存资源。对shared_ptr进行初始化时不能将一个普通指针直接赋值给智能指针，因为一个是指针，一个是类。可以通过make_shared函数或者通过构造函数传入普通指针。并可以通过get函数获得普通指针。

关于只能指针参考：https://www.cnblogs.com/WindSun/p/11444429.html

关于这个函数的参数是根据经验得出的。他的最大差异和最小差异之差为96.

关于这个函数的使用，

常用形式:
mat.ptr<type>(row)[col]

对于Mat的ptr函数，返回的是<>中的模板类型指针，指向的是()中的第row行的起点
通常<>中的类型和Mat的元素类型应该一致
然后再用该指针去访问对应col列位置的元素
参考：https://blog.csdn.net/kupar/article/details/79823054

具体用法：

    cv::Mat image = cv::Mat(400, 600, CV_8UC1); //宽400，长600
    uchar * data00 = image.ptr<uchar>(0);
    uchar * data10 = image.ptr<uchar>(1);
    uchar * data01 = image.ptr<uchar>(0)[1];

解释：

定义了一个Mat变量image。
data00是指向image第一行第一个元素的指针。
data10是指向image第二行第一个元素的指针。
data01是指向image第一行第二个元素的指针。

注意：
如果你的程序使用来image.ptr指针，并且出现了下面这样的错误：（假设你使用的软件是Visual Studio 201x）
某某.exe中的 0x75065b68 处有未经处理的异常:Microsoft C++ 异常; 内存位置0x85e790处的cv::Exception。
这可能是因为你不理解image.ptr这个指针，犯了这样的错误：image.ptr(1);指的不是image中第二个像素，而是第一行第二个像素的指针。
使用上面的代码举例：image有400行，有400*600个像素。假设现在你想得到第3行第42个像素的指针，如果你写成：
uchar * data = image.ptr<uchar>(3*image.cols + 42);
这样写是错误的，会出现上面的错误。你得到的不是第３行第４２个像素的指针，而是第（3×image.cols + 42）行第0个像素的指针，因为没有（3×image.cols + 42）行，所以没有这个指针，所以错误。
正确的写法：
uchar * data = image.ptr<uchar>(3)[42];
所以要注意这一点：如果程序可以正常编译，但是运行时出错，很有可能是你给指针赋值的时候，索引值溢出指定范围，指针乱指，导致程序跑偏，所以只有在运行时才能发现错误。

    cv::Mat image = cv::Mat(400, 600, CV_8UC3); //宽400，长600，３通道彩色图片
    uchar * data000 = image.ptr<uchar>(0);
    uchar * data100 = image.ptr<uchar>(1);
    uchar * data001 = image.ptr<uchar>(0)[1];
    uchar * data

    cv::Mat image = cv::Mat(400, 600, CV_8UC3); //宽400，长600，３通道彩色图片
    cv::Vec3b * data000 = image.ptr<cv::Vec3b>(0);
    cv::Vec3b * data100 = image.ptr<cv::Vec3b>(1);
    cv::Vec3b * data001 = image.ptr<cv::Vec3b>(0)[1];
    cv::Vec3b * data

3.convertTo()函数

disparity_sgbm.convertTo(disparity, CV_32F, 1.0 / 16.0f);

在代码中将视差图转换为CV_32F类型，第三个参数为缩放比例，缩放16倍，

4.图像赋值问题

Mat最直接的拷贝、复制方法是通过cv::Mat::clone()来复制，像Matlab中的拷贝方式用”=“号在这里是错误的，用"="号的结果就是内存不独立，图像Image和拷贝图像copyImage在内存中只有一个，造成混乱。

5.访问图像数据

mat.at<type>(row,col)[i] 通道i

参考：https://blog.csdn.net/u010335870/article/details/8921781

3.joinmap.cpp

1.读取图像

boost::format fmt("./%s/%d.%s"); //图像文件格式
        colorImgs.push_back(cv::imread((fmt % "color" % (i + 1) % "png").str()));
        depthImgs.push_back(cv::imread((fmt % "depth" % (i + 1) % "pgm").str(), -1)); // 使用-1读取原始图像

通过format的方式读取图像字符，

2.mat.data 和step

参考：https://blog.csdn.net/baoxiao7872/article/details/80210021

该处使用的url网络请求的数据。

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

酒中喜桃子

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
2020-09-08

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤 1.引入库 2.读入数据总结前言本文主要是针对视觉SLAM十四讲第五章的代码进行相关的解读。提示：以下是本篇文章正文内容，下面案例可供参考一、undistortimage.cpp在读入图像的时候会定义图像的类型。cv::Mat image_undistort = cv::Mat(rows, cols, CV_8UC1); ..
复制链接

扫一扫