1、基于相关性的方法和基于特征的方法在寻找对应关系上有什么区别？
密集对应关系与稀疏对应关系的对比
基于相关性的方法
- 对应关系类型 ：密集对应关系
- 匹配元素 ：以某个像素为中心的图像窗口
- 相似度度量 ：窗口之间的相关性
基于特征的方法
- 对应关系类型 ：稀疏对应关系
- 匹配元素 ：图像特征
- 相似度度量 ：图像特征描述符之间的距离
2、密集立体匹配的局部方法和全局方法有哪些区别？
图像匹配方法分类
全局方法会对整个图像进行优化，常被表述为能量最小化问题，能利用全图像信息生成高质量视差图，但计算量大、内存消耗高，如动态规划、图割、最大流、置信传播等方法；
局部方法计算量相对小，但生成的视差图质量不如全局方法。
全局块匹配方法与局部方法对比
-
全局块匹配方法
通过优化全局能量函数确定一幅图像到另一幅图像的最佳变换，优化问题常为NP完全问题，常见近似解法有图割和置信传播。 -
局部方法
通常仅考虑局部区域像素的匹配代价。
3、立体视觉和运动恢复结构之间有什么区别？
定义对比
- 立体视觉 ：指固定相对视角并同步捕获图像。
- 运动恢复结构（SfM） ：指单个移动相机的场景，在一段时间内顺序捕获图像序列，视角可变。
4、影响立体视觉系统精度的因素有哪些？
影响立体视觉系统精度的因素
- 视差精度 ：视差精度不足会导致3D重建不准确，可通过插值提高亚像素视差精度。
- 深度不确定性 ：深度不确定性随深度二次增加，物体越远深度估计越不确定。
- 基线长度 ：增加基线长度可减少深度误差，但会带来匹配困难等问题。
- 焦距 ：增加焦距可减少深度误差，但会导致景深减小。
- 图像分辨率 ：提高图像分辨率有助于减少深度误差，但会增加处理时间和数据带宽需求。
- 物体距离 ：物体越远，深度估计的不确定性越大。
- 图像特征和纹理 ：图像特征和纹理不足会影响图像对应关系的确定，导致无法保证密集的距离估计。
- 相机参数校准 ：相机参数校准不准确会产生系统误差，影响深度重复性。
5、将深度学习应用于3D成像的两个用例是什么？
将深度学习应用于3D成像的两个用例为 3D分析 和 3D合成 。
3D分析
包括以下任务：
- 对对象进行语义分类
- 对对象或场景进行语义解析
- 寻找不同形状之间的对应关系
3D合成
指深度学习模型从条件输入或嵌入向量中生成3D数据，例如：
- 从部分扫描中完成形状
- 从非结构化输入（如图像和点云）生成对象的网格或参数化模型
6、手动对应点计算基础矩阵。对图像对运行角点检测器。使用点选式图形用户界面手动标记约20个分布良好的对应点。计算基础矩阵，并在图像上为每个对应点绘制共轭对的对极线。使用八点算法，以最少八个对应点为基础，试验不同数量和组合的对应点。观察并评论对极线相对于所选对应点集的敏感性。
该实验需要完成以下步骤：
- 对图像对运行角点检测器；
- 用点选式GUI手动标记约20个分布良好的对应点；
- 计算基础矩阵；
- 为每个对应点在图像上绘制共轭对的对极线；
- 用八点算法，以最少八个对应点为基础，试验不同数量和组合的对应点；
- 观察并评论对极线相对于所选对应点集的敏感性。
7、简述立体相机校准的步骤。
校准步骤
- 先打印棋盘图案并粘贴到平板木材制作校准目标；
- 用点选式 GUI 半自动化校准目标与校准图像的角点对应；
- 为立体相机对实施校准程序确定内参和外参；
- 若时间有限，可使用网络校准库。
8、从以顶点 - 面列表形式存储的三角网格中提取边列表的算法，其复杂度应与三角形数量呈线性关系。请给出该算法并分析复杂度，同时提供 Python 实现代码。
以下是从以顶点-面列表形式存储的三角网格中提取边列表的算法：
- 初始化一个空的边列表
edge_list。 - 遍历顶点-面列表中的每个面。对于每个面，它由三个顶点
v1,v2,v3组成。 - 对于每个面，生成三条边
(v1, v2)、(v2, v3)和(v3, v1)。 - 对于每条生成的边，检查它是否已经在
edge_list中。如果不在，则将其添加到edge_list中。
由于每个面有三条边，并且我们只遍历每个面一次，因此该算法的时间复杂度是线性的，与三角形的数量成正比。
以下是用 Python 实现的代码示例：
351
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
