opencv--3d数据拟合平面并对倾斜平面矫正

2024-06-03 20:36

本文主要是介绍opencv--3d数据拟合平面并对倾斜平面矫正,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

对于深度数据而言,mat记录的是深度值,当对深度值进行各种处理,例如获取直线、圆、椭圆等其他形状时,如果平面没有完全水平,你使用opencv处理精度是有损失的,因此这里使用opencv 先对平面进行矫正,矫正原理是在有效平面内随机采集3000点的深度数据,使用深度数据进行拟合平面,计算平面的倾斜较大,然后使用角度对原始数据进行矫正,代码如下:

// 将深度图转换为点云
std::vector<cv::Point3f> depthToPointCloud(const cv::Mat& depthImage) {std::vector<cv::Point3f> pointCloud;// 设置随机数生成器std::random_device rd;std::mt19937 gen(rd());std::uniform_int_distribution<> distRow(0, depthImage.rows - 1);std::uniform_int_distribution<> distCol(0, depthImage.cols - 1);// 要提取的像素点数量int numPixels = 2000; // 你可以根据需要调整这个数量// 存储随机提取的像素点std::vector<cv::Vec3b> randomPixels;for (int i = 0; i < numPixels; ++i) {int y = distRow(gen);int x = distCol(gen);//randomPixels.push_back(image.at<cv::Vec3b>(row, col));cv::Point3f point((float)x, (float)y, depthImage.at<float>(y, x)); // 构造三维点pointCloud.push_back(point); // 添加到点云}//for (int y = 0; y < depthImage.rows; ++y) {//    for (int x = 0; x < depthImage.cols; ++x) {//        float depth = depthImage.at<float>(y, x); // 获取深度值//        //if (std::isnan(depth) || depth <= 0.0) {//        //    continue; // 跳过无效深度值//        //}//        cv::Point3f point((float)x, (float)y, depth); // 构造三维点//        pointCloud.push_back(point); // 添加到点云//    }//}return pointCloud;
}// 函数:拟合平面
cv::Vec4f fitPlaneRANSAC(const std::vector<cv::Point3f>& points, int maxIter = 1000, float threshold = 0.01) {if (points.empty())return cv::Vec4f();cv::Vec4f bestPlane;int bestInliers = 0;for (int iter = 0; iter < maxIter; ++iter) {// 随机选择三个点std::vector<int> indices(points.size());std::iota(indices.begin(), indices.end(), 0);std::shuffle(indices.begin(), indices.end(), std::default_random_engine(5));cv::Point3f p1 = points[indices[0]];cv::Point3f p2 = points[indices[1]];cv::Point3f p3 = points[indices[2]];// 计算平面的法向量cv::Point3f v1 = p2 - p1;cv::Point3f v2 = p3 - p1;cv::Point3f normal = v1.cross(v2);normal /= cv::norm(normal);// 平面公式:Ax + By + Cz + D = 0float D = -normal.dot(p1);cv::Vec4f plane(normal.x, normal.y, normal.z, D);// 计算内点数量int inliers = 0;for (const auto& point : points) {float distance = std::abs(plane[0] * point.x + plane[1] * point.y + plane[2] * point.z + plane[3]);if (distance < threshold) {inliers++;}}// 更新最佳平面if (inliers > bestInliers) {bestInliers = inliers;bestPlane = plane;}}return bestPlane;
}// 函数:矫正平面
void correctPlane(const cv::Vec4f& plane, cv::Mat& points) {cv::Mat normal_m, normal_m_8;cv::normalize(points, normal_m, 1, 0, cv::NORM_MINMAX);normal_m.convertTo(normal_m_8, CV_8U, 255.0);cv::Vec3f normal(plane[0], plane[1], plane[2]);cv::Vec3f zAxis(0, 0, 1);cv::Vec3f rotationAxis = normal.cross(zAxis);float angle = std::acos(normal.dot(zAxis) / (cv::norm(normal) * cv::norm(zAxis)));cv::Mat rotationMatrix;cv::Rodrigues(rotationAxis * angle, rotationMatrix);for (int i = 0; i < points.rows; ++i) {cv::Vec3f point = points.at<cv::Vec3f>(i);// 将 point 转换为 cv::Mat 类型cv::Mat pointMat = (cv::Mat_<float>(3, 1) << point[0], point[1], point[2]);// 矩阵乘法cv::Mat transformedPointMat = rotationMatrix * pointMat;// 将结果转换回 cv::Vec3f 类型points.at<cv::Vec3f>(i) = cv::Vec3f(transformedPointMat.at<float>(0), transformedPointMat.at<float>(1), transformedPointMat.at<float>(2));}cv::Mat normal_m_, normal_m_8_;cv::normalize(points, normal_m_, 1, 0, cv::NORM_MINMAX);normal_m_.convertTo(normal_m_8_, CV_8U, 255.0);}

从矫正前的数据和矫正后的数据可以发现,平面得到了很好得了很好的矫正。

这篇关于opencv--3d数据拟合平面并对倾斜平面矫正的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1028046

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X