如何做搜索引擎网站,网页浏览器怎么卸载,河南住房和城乡建设网站,网站没备案可以访问吗前言 小编研究生的研究方向是视觉SLAM#xff0c;目前在自学#xff0c;本篇文章为初学高翔老师课的第四次作业。 文章目录 前言1.图像去畸变2.双目视差的使用3.矩阵微分4.高斯牛顿法的曲线拟合实验 1.图像去畸变 现实⽣活中的图像总存在畸变。原则上来说#xff0c;针孔透…前言 小编研究生的研究方向是视觉SLAM目前在自学本篇文章为初学高翔老师课的第四次作业。 文章目录 前言1.图像去畸变2.双目视差的使用3.矩阵微分4.高斯牛顿法的曲线拟合实验 1.图像去畸变 现实⽣活中的图像总存在畸变。原则上来说针孔透视相机应该将三维世界中的直线投影成直线但是当我们使⽤⼴⾓和鱼眼镜头时由于畸变的原因直线在图像⾥看起来是扭曲的。本次作业你将尝试如何对⼀张图像去畸变得到畸变前的图像。 对于畸变用两张鲜明的照片来展示 undistort_image.cpp
//
// Created by ljh on 2023/11/5.
//#include opencv2/opencv.hpp
#include stringusing namespace std;string image_file /home/lih/video4_homework/homework1/test.png; // 请确保路径正确int main(int argc, char **argv) {// 本程序需要你自己实现去畸变部分的代码。尽管我们可以调用OpenCV的去畸变但自己实现一遍有助于理解。// 畸变参数double k1 -0.28340811, k2 0.07395907, p1 0.00019359, p2 1.76187114e-05;// 内参double fx 458.654, fy 457.296, cx 367.215, cy 248.375;cv::Mat image cv::imread(image_file,0); // 图像是灰度图CV_8UC1int rows image.rows, cols image.cols;cv::Mat image_undistort cv::Mat(rows, cols, CV_8UC1); // 去畸变以后的图// 计算去畸变后图像的内容for (int v 0; v rows; v)for (int u 0; u cols; u) {double u_distorted 0, v_distorted 0;// TODO 按照公式计算点(u,v)对应到畸变图像中的坐标(u_distorted, v_distorted) (~6 lines)// start your code here// 按照公式计算点(u,v)对应到畸变图像中的坐标(u_distorted, v_distorted)
double x (u-cx)/fx, y (v-cy)/fy; // 计算图像点坐标到光心的距离
double r sqrt(x*xy*y);// 计算投影点畸变后的点
double x_distorted x*(1k1*rk2*r*r)2*p1*x*yp2*(r2*x*x);
double y_distorted y*(1k1*rk2*r*r)2*p2*x*yp1*(r2*y*y); // 把畸变后的点投影回去
u_distorted x_distorted*fxcx;
v_distorted y_distorted*fycy;// end your code here// 赋值 (最近邻插值)if (u_distorted 0 v_distorted 0 u_distorted cols v_distorted rows) {image_undistort.atuchar(v, u) image.atuchar((int) v_distorted, (int) u_distorted);} else {image_undistort.atuchar(v, u) 0;}}// 画图去畸变后图像cv::imshow(image undistorted, image_undistort);cv::waitKey();return 0;
}string image_file “/home/lih/video4_homework/homework1/test.png”; // 填写你自己的图片路径 CMakeLists.txt
cmake_minimum_required(VERSION 2.8)PROJECT(undistort_image)IF(NOT CMAKE_BUILD_TYPE) #可选如果没有指定cmake编译模式就选择Relealse模式必须写成三行SET(CMAKE_BUILD_TYPE Release)
ENDIF()MESSAGE(Build type: ${CMAKE_BUILD_TYPE}) #终端打印cmake编译模式的信息set(CMAKE_C_FLAGS ${CMAKE_C_FLAGS} -Wall -O3 -marchnative ) #添加c标准支持库
set(CMAKE_CXX_FLAGS ${CMAKE_CXX_FLAGS} -Wall -O3 -marchnative) #添加c标准支持库# Check C11 or C0x support #检查c11或c0x标准支持库
include(CheckCXXCompilerFlag)
CHECK_CXX_COMPILER_FLAG(-stdc11 COMPILER_SUPPORTS_CXX11)
CHECK_CXX_COMPILER_FLAG(-stdc0x COMPILER_SUPPORTS_CXX0X)
if(COMPILER_SUPPORTS_CXX11)set(CMAKE_CXX_FLAGS ${CMAKE_CXX_FLAGS} -stdc11)add_definitions(-DCOMPILEDWITHC11)message(STATUS Using flag -stdc11.)
elseif(COMPILER_SUPPORTS_CXX0X)set(CMAKE_CXX_FLAGS ${CMAKE_CXX_FLAGS} -stdc0x)add_definitions(-DCOMPILEDWITHC0X)message(STATUS Using flag -stdc0x.)
else()message(FATAL_ERROR The compiler ${CMAKE_CXX_COMPILER} has no C11 support. Please use a different C compiler.)
endif()find_package(OpenCV 3.0 QUIET) #find_package(Name)命令首先会在模块路径中寻找 Findname.cmake
if(NOT OpenCV_FOUND)find_package(OpenCV 2.4.3 QUIET)if(NOT OpenCV_FOUND)message(FATAL_ERROR OpenCV 2.4.3 not found.)endif()
endif()include_directories(${OpenCV_INCLUDE_DIRS})add_executable(image undistort_image.cpp)#链接OpenCV库
target_link_libraries(image ${OpenCV_LIBS})
然后 mkdir build cd build cmake … make ./image
2.双目视差的使用 双⽬相机的⼀⼤好处是可以通过左右⽬的视差来恢复深度。课程中我们介绍了由视差计算深度的过程。本题你需要根据视差计算深度进⽽⽣成点云数据。本题的数据来⾃Kitti 数据集 [2]。 Kitti中的相机部分使⽤了⼀个双⽬模型。双⽬采集到左图和右图然后我们可以通过左右视图恢复出深度。经典双⽬恢复深度的算法有 BM(Block Matching), SGBM(Semi-Global Matching)[3, 4]等但本题不探讨⽴体视觉内容那是⼀个⼤问题。我们假设双⽬计算的视差已经给定请你根据双⽬模型画出图像对应的点云并显⽰到 Pangolin 中。题给定的左右图见 code/left.png 和 code/right.png视差图亦给定见code/right.png。双⽬的参数如下 fx 718.856; fy 718.856; cx 607.1928; cy 185.2157 且双⽬左右间距即基线为 d 0.573 m 请根据以上参数计算相机数据对应的点云并显⽰到 Pangolin 中。程序请code/disparity.cpp ⽂件。 disparity.cpp
// start your code here// 根据双目模型计算 point 的位置double x (u - cx) / fx;double y (v - cy) / fy;double depth fx * b / (disparity.atfloat(v, u));point[0] x * depth;point[1] y * depth;point[2] depth;// end your code here
double x和double y的计算方式和上一题一样,depth就算如下 计算出depth后那么point模仿课上五对图片那个实践仿写即可。只不过实践中的d(视差)没有给出而此题中视差d已给所以公式写出来略有不同。 CMakeLists.txt:
cmake_minimum_required( VERSION 2.8 )
project(stereoVision)
set( CMAKE_CXX_FLAGS -stdc11 -O3)include_directories(/usr/include/eigen3)
find_package(Pangolin REQUIRED)
include_directories( ${Pangolin_INCLUDE_DIRS} )find_package(OpenCV 3.0 QUIET) #find_package(Name)命令首先会在模块路径中寻找 Findname.cmake
if(NOT OpenCV_FOUND)find_package(OpenCV 2.4.3 QUIET)if(NOT OpenCV_FOUND)message(FATAL_ERROR OpenCV 2.4.3 not found.)endif()
endif()include_directories(${OpenCV_INCLUDE_DIRS})add_executable(disparity disparity.cpp)
target_link_libraries(disparity ${OpenCV_LIBRARIES})
target_link_libraries(disparity ${Pangolin_LIBRARIES})然后就是编译五部曲 mkdir build cd build cmake … make ./disparity 如果你出现了这张图片那就是你的disparity.cpp中的图片位置没有写对找不到图片所导致的 运行成功如下
3.矩阵微分 ①第一问如果大家有不理解的地方可以看看这个印度三哥的视屏我认为讲的还是非常清晰的至少我搜了很多国内的都没有这个讲得好虽然语言不通但是一点都不影响学习。高博的清华PPT还是不适合我这种人看。 链接: 矩阵求导讲解 ②第二问如果大家有不理解的地方可以看看这个印度三哥的视屏我认为讲的还是非常清晰的至少我搜了很多国内的都没有这个讲得好虽然语言不通但是一点都不影响学习。高博的清华PPT还是不适合我这种人看。 链接: 矩阵求导讲解 ③第三问 4.高斯牛顿法的曲线拟合实验 当然我觉得大家很有必要了解一下这一块的由来我的上一篇博客讲述了海斯矩阵凸函数等基本概念大家看这个之前我认为很必要学习一下 链接: SLAM第四讲实践中的最优化知识 在做这道题之前我们非常有必要了解一下什么是牛顿法法因为高斯牛顿法是牛顿法的改进我以一道最优化的简单立体让你明白什么是牛顿法 下来我们再看高斯牛顿法我搜查了很多资料很难找到一道高斯牛顿法的数学题来让大家理解所以我只能找到一个更为详细点的高斯牛顿法的计算步骤让大家理解
到这里我们开始做题 gaussnewton.cpp
#include iostream
#include chrono
#include opencv2/opencv.hpp
#include Eigen/Core
#include Eigen/Denseusing namespace std;
using namespace Eigen;int main(int argc, char **argv) {double ar 1.0, br 2.0, cr 1.0; // 真实参数值double ae 2.0, be -1.0, ce 5.0; // 估计参数值int N 100; // 数据点double w_sigma 1.0; // 噪声Sigma值double inv_sigma 1.0 / w_sigma;cv::RNG rng; // OpenCV随机数产生器vectordouble x_data, y_data; // 数据for (int i 0; i N; i) {double x i / 100.0;x_data.push_back(x);y_data.push_back(exp(ar * x * x br * x cr) rng.gaussian(w_sigma * w_sigma));}// 开始Gauss-Newton迭代int iterations 100; // 迭代次数double cost 0, lastCost 0; // 本次迭代的cost和上一次迭代的costchrono::steady_clock::time_point t1 chrono::steady_clock::now();for (int iter 0; iter iterations; iter) {Matrix3d H Matrix3d::Zero(); // Hessian J^T W^{-1} J in Gauss-NewtonVector3d b Vector3d::Zero(); // biascost 0;for (int i 0; i N; i) {double xi x_data[i], yi y_data[i]; // 第i个数据点double error yi - exp(ae * xi * xi be * xi ce);//计算雅可比矩阵JXk和误差f(Xk)Vector3d J; // 雅可比矩阵J[0] -xi * xi * exp(ae * xi * xi be * xi ce); // de/daJ[1] -xi * exp(ae * xi * xi be * xi ce); // de/dbJ[2] -exp(ae * xi * xi be * xi ce); // de/dcH inv_sigma * inv_sigma * J * J.transpose();b -inv_sigma * inv_sigma * error * J;cost error * error;}// 求解线性方程 HxbVector3d dx H.ldlt().solve(b);if (isnan(dx[0])) {cout result is nan! endl;break;}if (iter 0 cost lastCost) {cout cost: cost last cost: lastCost , break. endl;break;}ae dx[0];be dx[1];ce dx[2];lastCost cost;cout total cost: cost , \t\tupdate: dx.transpose() \t\testimated params: ae , be , ce endl;}chrono::steady_clock::time_point t2 chrono::steady_clock::now();chrono::durationdouble time_used chrono::duration_castchrono::durationdouble(t2 - t1);cout solve time cost time_used.count() seconds. endl;cout estimated abc ae , be , ce endl;return 0;
}
CMakeLists.txt
cmake_minimum_required(VERSION 2.8)
project(homework4)
set(CMAKE_BUILD_TYPE Release)
set(CMAKE_CXX_FLAGS -stdc14 -O3)
list(APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake)
# OpenCV
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})
# Eigen
include_directories(/usr/include/eigen3)add_executable(homework4 gaussnewton.cpp)
target_link_libraries(homework4 ${OpenCV_LIBS})
然后老五套 mkdir build cd build cmake … make ./homework4
