首页 > 编程语言 >基于affine+sift+GTM算法的图像配准和三维重建算法matlab仿真

基于affine+sift+GTM算法的图像配准和三维重建算法matlab仿真

时间:2023-08-11 23:56:31浏览次数:45  
标签:配准 GTM 三维 算法 图像 I1f 三维重建

1.算法理论概述

 

       在计算机视觉和图像处理领域,图像配准和三维重建是两个重要的研究方向。图像配准是指将多幅图像中的同一场景进行对齐,使得它们在同一坐标系下,以便进行后续的图像处理和分析。三维重建则是指将多幅图像中的二维信息重建成三维信息,以便进行三维可视化和分析。本文将介绍基于affine+sift+GTM算法的图像配准和三维重建方法。

       affine+sift+GTM算法是一种基于特征点匹配的图像配准和三维重建方法。该方法通过提取图像的SIFT特征点,将它们进行配准,然后利用GTM模型进行三维重建。具体实现步骤如下:

 

数据准备

       准备多幅拍摄同一场景的图像,以及相应的摄像机参数,包括内参和外参等。

 

特征提取

      从每幅图像中,提取出一组SIFT特征点。SIFT是一种局部特征描述符,它可以在不同尺度和旋转角度下提取出图像中的关键点,并计算出每个关键点的特征向量,用于表示该点的局部特征。SIFT特征点的提取可以使用OpenCV等开源库进行实现。

 

特征匹配

       将每幅图像中的SIFT特征点进行匹配,以确定它们之间的对应关系。常用的特征匹配方法包括基于描述符距离的匹配、基于相似性度量的匹配等。匹配过程可以使用RANSAC等算法进行优化,以提高匹配的准确性。

 

相似变换

       根据特征点的对应关系,计算出多幅图像之间的相似变换,以实现图像的配准。常用的相似变换包括仿射变换、透视变换等。在本方法中,采用仿射变换进行图像配准。

 

三维重建

       根据配准后的图像,利用GTM模型进行三维重建。GTM模型是一种基于概率的统计模型,它可以将多幅图像中的二维信息重建成三维信息。具体实现步骤如下:

 

(1)定义GTM模型的参数,包括高斯混合数、隐变量维度等。

 

(2)根据配准后的图像,计算出每个像素点的深度值,并构造出一个深度图像。

 

(3)将深度图像作为输入,利用GTM模型进行三维重建,得到一个三维点云模型。

 

三维可视化

       将三维点云模型进行可视化,以便进行三维分析和处理。常用的三维可视化软件包括MeshLab、CloudCompare等。

下面给出affine+sift+GTM算法中常用的数学公式:

 

SIFT特征点描述符

SIFT特征点描述符是一种128维的向量,用于表示该点的局部特征。设该点的梯度方向直方图为h,共有16个方向,每个方向有8个bin,则SIFT特征点描述符为:

d = [h1,h2,...,h128]

 

其中,hi表示第i个bin的值。

 

仿射变换

仿射变换是一种线性变换,可以将一个二维图像变换到另一个二维图像。假设有一个二维点(x,y),经过仿射变换后得到的点(x',y')可以表示为:

[x' y' 1] = [x y 1] * A

 

其中,A是一个3*3的仿射变换矩阵,可以表示为:

 

A = [a11 a12 tx

a21 a22 ty

0 0 1]

 

其中,a11、a12、a21、a22表示缩放和旋转的参数,tx、ty表示平移的参数。

 

GTM模型

GTM模型是一种基于概率的统计模型,它可以将多幅图像中的二维信息重建成三维信息。假设有N个像素点,GTM模型可以表示为:

p(x) = 1/Z * sum(wj * N(x | μj,Σj))

 

其中,Z是归一化因子,w是权重,N(x | μj,Σj)表示多元高斯分布,μj和Σj分别表示第j个高斯分布的均值和协方差矩阵。

三维点云模型是由一组三维点构成的,在本方法中,可以表示为:

P = {(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn)}

 

其中,(xi,yi,zi)表示第i个三维点的坐标。

 

2.算法运行软件版本

MATLAB2017b

 

3.算法运行效果图预览

 

 

 

4.部分核心程序

% 定义图像缩放比例和阈值
SCALE = 5;
Threshold = 0.0000002;
%1输入2个图片
I1 = imread('pic\a1.jpg');
I2 = imread('pic\a2.jpg');
 
% 显示原始图像
figure;
subplot(421);
imshow(I1);title('原始图像');
subplot(422);
imshow(I2);title('原始图像');
%2图像的预处理,比如增强,滤波,去背景等等,提取目标
I1f(:,:,1) = medfilt2(I1(:,:,1),[5,5]);
I1f(:,:,2) = medfilt2(I1(:,:,2),[5,5]);
I1f(:,:,3) = medfilt2(I1(:,:,3),[5,5]);
I2f(:,:,1) = medfilt2(I2(:,:,1),[5,5]);
I2f(:,:,2) = medfilt2(I2(:,:,2),[5,5]);
I2f(:,:,3) = medfilt2(I2(:,:,3),[5,5]);
subplot(423);
imshow(I1f);title('滤波图像');
subplot(424);
imshow(I2f);title('滤波图像');
 
[R,C,K] = size(I1f);
I1bg    = zeros(R,C);
I2bg    = zeros(R,C);
Thresh1 = 130;
Thresh2 = 70;
for i = 1:R
    for j = 1:C
        if I1f(i,j,1) >= Thresh1 & I1f(i,j,2) >= Thresh1 & I1f(i,j,3) >= Thresh1
           I1bg(i,j) = 1; 
        end
        if I1f(i,j,1) <= Thresh2 & I1f(i,j,2) <= Thresh2 & I1f(i,j,3) <= Thresh2
           I1bg(i,j) = 1; 
        end  
        if I2f(i,j,1) >= Thresh1 & I2f(i,j,2) >= Thresh1 & I2f(i,j,3) >= Thresh1
           I2bg(i,j) = 1; 
        end
        if I2f(i,j,1) <= Thresh2 & I2f(i,j,2) <= Thresh2 & I2f(i,j,3) <= Thresh2
           I2bg(i,j) = 1; 
        end 
    end
end
%去掉连通域小面积区域
I1bg    = double(bwareaopen(I1bg,20000));
I2bg    = double(bwareaopen(I2bg,20000));
SE=strel('square',20);
I1bgs   = imdilate(I1bg,SE);%图像
I2bgs   = imdilate(I2bg,SE);%图像
 
 
subplot(425);
imshow(I1bgs);title('目标提取');
subplot(426);
imshow(I2bgs);title('目标提取');
 
[R,C] = size(I1bg);
imgs1 = I1f;
imgs2 = I2f;
%根据提取出的目标,将图像中非目标区域置为0。
for i = 1:R
    for j = 1:C
        if I1bgs(i,j,1) == 0
           imgs1(i,j,:) = 0; 
        end
        if I2bgs(i,j,1) == 0
           imgs2(i,j,:) = 0; 
        end  
    end
end
 
subplot(427);
imshow(imgs1);title('目标提取');
subplot(428);
imshow(imgs2);title('目标提取');
 
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 
 
%3目标的特征点检测和提取,
[F_1,Vp_1]     = extractFeatures(rgb2gray(imgs1),detectKAZEFeatures(rgb2gray(imgs1),'Threshold',Threshold, 'NumOctaves',3,'NumScaleLevels',SCALE));
[F_2,Vp_2]     = extractFeatures(rgb2gray(imgs2),detectKAZEFeatures(rgb2gray(imgs2),'Threshold',Threshold, 'NumOctaves',3,'NumScaleLevels',SCALE));
indexPairs     = matchFeatures(F_1,F_2); %匹配提取出的特征点。
Mf_1           = Vp_1(indexPairs(:, 1));  
Mp_1           = Mf_1.Location;  
Mf_2           = Vp_2(indexPairs(:, 2));
Mp_2           = Mf_2.Location; 
 
Images1all     = Vp_1.Location;
Images2all     = Vp_2.Location;
 
 
X1        = Mp_1;
X2        = Mp_2;
img1s     = imgs1;
img2s     = imgs2;
[r1,c1,k] = size(img1s);
[r2,c2,k] = size(img2s);
L1        = min(r1,r2);
L2        = min(c1,c2);
 
Step      = 1;
Xs        = X1(1:Step:end,1);
Ys        = X1(1:Step:end,2);
Xe        = X2(1:Step:end,1)+c1;
Ye        = X2(1:Step:end,2);
 
%去除错误配准点后的匹配效果显示匹配结果。
figure(2);
hIm     = montage([(img1s(1:L1,1:L2,:)),(img2s(1:L1,1:L2,:))]);
img2s2  = img2s(1:L1,1:L2,:);
 
hold on;
plot(Xs,Ys,'r+');
hold on;
plot(Xe,Ye,'b+');
hold on
for i = 1:length(Xs)
    line([Xs(i),Xe(i)],[Ys(i),Ye(i)],'color','g');
    hold on
end
title('包含错误匹配点的配准情况'); 
 
save step1.mat imgs1 imgs2 Xs Ys Xe Ye c1 X1 X2 Images1all Images2all

  

标签:配准,GTM,三维,算法,图像,I1f,三维重建
From: https://www.cnblogs.com/matlabworld/p/17624173.html

相关文章

  • 基于FFT傅里叶变换的64QAM基带信号频偏估计和补偿算法FPGA实现,包含testbench和matlab
    1.算法仿真效果本系统进行了Vivado2019.2平台的开发,并使用matlab2022a对结果进行星座图的显示:    将FPGA的频偏基带QPSK信号和频偏补偿后的QPSK基带信号使用matlab显示星座图,结果如下:   2.算法涉及理论知识概要        FFT傅里叶变换是一种高效的......
  • 互联网公司最常见的面试算法题有哪些?
    很多时候,你即使提前复习了这些最常见的面试算法题,你依旧无法通过算法面试!为什么?你在提前准备复习的时候,在网上找了半天相应题目的分析文章,但你看了就是不懂。你在面试的时候,卡壳了,一时间忘了怎么写代码了怎么办?我来助你一臂之力!!为了避免知乎大佬觉得我吹逼,先贴一下自己的GitHub地......
  • 「算法与数据结构」从入门到进阶吐血整理推荐书单
    一.入门系列这些书籍通过图片、打比方等通俗易懂的方法来讲述,让你能达到懂一些基础算法,线性表,堆栈,队列,树,图,DP算法,背包问题等,不要求会实现,但是看过以下这些书对于之后实现算法打下坚实的思维基础。很适合在闲暇之余拿出来阅读一番。1.1《啊哈!算法》这不过是一本有趣的算法书而......
  • 想进大厂?先把这些数据结构与算法学明白!!!
    *文末有1元解锁专栏福利今天聊聊掌握了不一定能拿到大厂Offer,但不掌握一定进不去大厂的神技「数据结构与算法」。为什么突然提到了数据结构与算法呢?这要从一个朋友的吐槽开始。我这位朋友一心想进大厂,学历还不错、能力也不错,但就是拿不到大厂Offer。大家都劝他多刷LeetCode,把......
  • 代码随想录算法训练营第十六天| 104.二叉树的最大深度 111.二叉树的最小深度 222.
      104.二叉树的最大深度 (优先掌握递归)    卡哥建议:什么是深度,什么是高度,如何求深度,如何求高度,这里有关系到二叉树的遍历方式。大家要先看视频讲解,就知道以上我说的内容了,很多录友刷过这道题,但理解的还不够。   题目链接/文章讲解/视频讲解:https://programmerc......
  • 快速幂算法
    快速幂算法快速幂算法是一种高效的计算幂的方法,它的核心思想是将指数分解为二进制形式,然后通过迭代计算得到结果。本文将详细介绍快速幂算法的原理、流程以及C++代码实现,并给出一个例题及题解。原理快速幂算法的基本思想是将指数表示为二进制形式,然后通过迭代计算得到结果。具......
  • 代码随想录算法训练营第十五天| 层序遍历 10 ,226.翻转二叉树 101.对称二叉树 2
     层序遍历   卡哥建议:看完本篇可以一口气刷十道题,试一试, 层序遍历并不难,大家可以很快刷了十道题。  题目链接/文章讲解/视频讲解:https://programmercarl.com/0102.%E4%BA%8C%E5%8F%89%E6%A0%91%E7%9A%84%E5%B1%82%E5%BA%8F%E9%81%8D%E5%8E%86.html  做题思......
  • C++欧几里得算法求最大公约数和最小公倍数
    定义最大公约数即为GreatestCommonDivisor,常缩写为gcd。一组整数的公约数,是指同时是这组数中每一个数的约数的数。一组整数的最大公约数,是指所有公约数里面最大的一个。那么如何求最大公约数呢?我们先考虑两个数的情况。欧几里得算法过程如果我们已知两个数\(a\)和\(......
  • 谷歌2023年4月19日最新更新规则及算法
    多年来,谷歌的的核心排名系统一直致力于奖励能够提供良好网页体验的内容,正如谷歌在 2011年提供的2019年更新,并于去年加入创建实用、可靠、以用户为中心的内容帮助页面的指南中所述。该帮助页面是谷歌的搜索要素的关键资源。会定期推荐希望使用Google搜索取得理想成效的用户,仔......
  • 算法练习-day46
    单调栈739.每日温度题意:给定一个整数数组 temperatures ,表示每天的温度,返回一个数组 answer ,其中 answer[i] i 天,下一个更高温度出现在几天后。如果气温在这之后都不会升高,请在该位置用 0 来代替。实例:思路:本题作为单调栈的第一道题,我们需要了解什么是单调栈?单调栈中存储......