CN106097430A - 一种多高斯信号拟合的激光条纹中心线提取方法 - Google Patents
一种多高斯信号拟合的激光条纹中心线提取方法 Download PDFInfo
- Publication number
- CN106097430A CN106097430A CN201610487738.4A CN201610487738A CN106097430A CN 106097430 A CN106097430 A CN 106097430A CN 201610487738 A CN201610487738 A CN 201610487738A CN 106097430 A CN106097430 A CN 106097430A
- Authority
- CN
- China
- Prior art keywords
- signal
- gaussian
- substrate
- max
- dilatability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/503—Blending, e.g. for anti-aliasing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供的是一种多高斯信号拟合的激光条纹中心线提取方法。本发明方法通过使用一组具有不同期望及方法的高斯信号,以不同的位置及权值组合起来,最大程度的拟合激光线条图像某一行像素值的分布,当找到最佳的拟合组合时,根据各个高斯信号组合时所处的位置即可做出对激光线条中心的最优估计。本发明方法可以有效解决在激光线条图像的像素值分布无法满足对称性及均一性的情况下,准确地估计出激光线条的中心,提高3D扫描重建的精度。
Description
技术领域
本发明涉及的是一种基于激光线条的低成本3D扫描***的处理方法,具体涉及一种基于高斯信号拟合的激光线条中心提取方法。
背景技术
三维物体识别技术在机器人工件抓取、自动导航、自动检测、医学分析等诸多领域有着广泛的应用。而3D扫描***作为最主要的数据获取手段,其采集精度将直接影响识别的成功与否。
目前基于结构光的非接触式3D扫描***精度高、应用范围广,但其昂贵的成本限制了它的普及,因此以激光代替结构光的低成本测量***有着更为广阔的市场和研究空间。
在一个基于激光的3D扫描***中,由于存在摄像头采集精度、激光条纹具有一定的宽度以及被测物体表面不平整导致反光散射等问题,如何准确地提取激光条纹中心将直接决定***的采集精度。
目前常用的线条中心提取算法有:极值法、阈值法、几何中心法、图像细化法、基于高斯分布的最小二乘法、Hessian矩阵法等。
发明内容
本发明的目的在于提供一种能够精确地提取激光条纹图像的中心线,使基于激光的3D扫描***具有更高的采集精度的多高斯信号拟合的激光条纹中心线提取方法。
本发明的目的是这样实现的:
步骤一:通过图像采集设备获取包含激光线条的图像I,图像I的分辨率为Ymax×Xmax;
步骤二:设图像I的第N(N∈[1,Xmax])行的像素值构成的序列为原始数据MN(j),(j∈[1,Ymax]),通过立方插值算法得到输入信号mN(t),其中t=nTs,Ts为插值间隔,N∈[1,Xmax],j∈[1,Ymax];
步骤三:对于图像I的第N行的激光线条像素值归一化后的数据,设置一个范围在0.2到0.5之间的阈值,当像素值数据大于所述阈值时,将此像素点标记为1,小于所述阈值时,则标记为0;计算所有标记为1的像素所属的列序号的均值,将此均值作为初始中心点u0,同时计算标记为1的像素点列序号最大值与最小值的差值,将此差值作为初始条纹宽度w0;
步骤四:构建一组M个具有不同期望及方差的用于拟合的基底高斯信号集合G,集合中的所有基底高斯信号的长度与输入信号mN(t)相同,并且设zi=2σi 2,σi为第i级基底高斯信号的标准差,并且将zi命名为第i级基底高斯信号的伸缩度,令期望ui=u0+si,并且将ui命名为第i级基底高斯信号的对称中心,其中,u0为初始中心点,si为偏移量;
将步骤三中得到的初始中心点u0作为第一级基底高斯信号的对称中心u0,即u1=u0,初始条纹宽度w0用于确定第一级基底高斯信号的伸缩度其中q为常数,由此得到一组M个具有不同伸缩度的基底高斯信号集合G。
上式中,gzi,ui(x)为第i级基底高斯信号,且其伸缩度为zi,对称中心为ui。
步骤五:通过计算最大互相关系数,求得各基底高斯信号与输入信号的相似性:
其中,rzi(τi)为输入信号与第i级基底高斯信号的最大互相关值,τi为两信号互相关值取最大值时,两信号的相对位置差;
步骤六:定义人造信号gf(x)为m个具有不同伸缩度与对称中心的基底高斯函数,按照一组固定的拟合权值叠加后的信号,并且设初始的m=2,拟合权值为一组固定的常数,它的选取应遵循伸缩度zi越大,拟合权值越大这一原则;
步骤七:根据下式,计算由基底高斯信号按一组固定的拟合权值叠加而成的人造信号gf(t),
其中φi(i∈[1,M])为拟合权值,为一组固定常数,
在一定范围内改变组成此人造信号的最后一级即第i(i=m)级基底高斯信号的偏移量si,重新计算人造信号,再继续计算人造信号与输入信号的互相关度rf(τm):
rf(τm)=max(cov<mN(t),gf(t)>)=max(∑mN(τ)gf(t+τ))
找到使互相关度rf(τm)最大时的偏移量si,此时添加此偏移量为si的基底高斯信号时,人造信号与输入信号最为相似,τm为互相关度最大时人造信号与输入信号位置差;
步骤八:使m=m+1,重复步骤七,直至m=M,即添加完最后一级基底高斯函数;
步骤九:当各个基底高斯信号的对称中心偏移量分别为s1,s2,s3,…sm时,由这些基底高斯信号组合而成的人造信号与输入信号具有最高的相似度,使rf(τ)取最大值的τ为整***置差,计算对中心点的最优估计p:
其中λi(i∈[1,M])为第i级基底高斯信号的对称中心的组合权值,该组合权值为一组固定的常数,它的选取应遵循伸缩度zi越大,组合权值越大这一原则,ui为各基底高斯信号的对称中心,rzi为步骤五得到的各不同伸缩度的基底高斯信号与输入信号的最大互相关值,rzi越高,则说明输入信号中包含更多的伸缩度为zi的基底高斯信号的成分,ηi为修正比例常数,用于反应不同伸缩度的高斯函数的对称中心的重要程度;
步骤十:重复步骤二至步骤九,直至计算完所有Xmax行的中心点,得到对激光线条图像中心线的最优估计。
本发明的方法主要使用一组高斯信号对原激光线条图像横截面的拟合方法。通过使用具有不同均值及方差的高斯函数为基底函数,按一定的规则组合叠加,来最大程度地拟合采集到的激光条纹图像横截面的分布。当找到最佳的拟合结果时,根据各高斯信号的对称中心,按一定的规则推算出对激光条纹中心的最优估计。
本发明与现有技术相比的优点在于:现有方法大部分假设激光线条图像的横截面的像素的分布具有对称性和均一性等性质,而实际采集过程中,由于入射角度、被测量物体表面不平整造成的折射散射、图像采集设备噪声等问题,激光线条图像的横截面的像素的分布很难满足一般的对称性和均一性。本发明的方法不依赖于横截面的像素的分布是否满足这两个特性,通过使用不同期望及方差的多个高斯信号来拟合横截面的像素值分布,找到使互相关性最大时,各个不同高斯信号的相对位置,从而确定激光线条的中心。极大的提高中心线的计算精度。
附图说明
图1是本发明方法流程图。
图2是用于测试的被测量物体。
图3是激光条纹图像实例1。
图4是实例1某一行像素值分布以及对其插值后的输入信号分布图,同时还给出了使用阈值法计算得到的初始中心点。
图5是对实例1该行像素值使用两级高斯信号拟合时,第二级高斯信号的偏移量与最大互相关系数的关系图。
图6是对实例1该行像素值使用两级高斯信号拟合的最优结果示意图。
图7是对实例1该行像素值添加第三级高斯信号拟合时,第三级高斯信号的偏移量与最大互相关系数的关系图。
图8是对实例1该行像素值使用三级高斯信号拟合的最优结果示意图。
图9是对实例1的中心线提取结果图。
图10是使用本发明方法提取的中心线结果与理想情况的差值。
图11是使用几何中心法对实例1的中心线提取结果图。
图12是使用几何中心法提取的中心线结果与理想情况的差值。
图13是使用本发明方法提取中心线对被测物体进行3D重建的俯视图。
图14是使用几何中心法提取中心线对被测物体进行3D重建的俯视图。
具体实施方式
下面结合附图举例对本发明进行详细说明。
本发明方法不依赖于激光线条图像像素值分布具有较高对称性的要求,通过使用不同期望及方差的多个高斯信号来拟合激光线条单行的像素值分布,找到使互相关性最大时,各个不同高斯信号的相对位置,从而确定该行激光线条的中心。计算完激光线条图像所有行的激光线条横截面中心点,即可求得激光线条图像的中心线,具体过程包括以下步骤:
(1)使用基于激光的3D测量***测量如图2所示被测物体,获取激光线条图像序列中某一图像实例1,如图3所示。
(2)取实例1中第N行像素值序列作为原始数据,为了便于计算,先进行归一化处理,如图4中圆形空心点所示。由于原始数据较为稀疏,为了提高步骤(7)中计算互相关度的准确度,对原始数据进行插值操作,得到更为密集的输入信号,如图4中线条所示所示。
(3)使用阈值法即对归一化后的原始数据,设置一个范围在0.2到0.5之间的阈值,将大于该阈值的像素值标记为1,小于该阈值的像素值标记为0,计算像素值标记为1的像素点所在的列坐标均值,即初始中心点u0,如图4中星状点所示,以及最大列坐标与最小列坐标的差值,即宽度w0。
(4)根据步骤(3)得到的中心点和宽度,确定一组共M个用于拟合的基底高斯信号,如下式所示。
ui为第i级高斯信号的对称中心,si为第i级高斯信号的对称中心相对初始中心点的偏移量。σi为第i级高斯信号的标准差,定义为第i级高斯信号的伸缩度,且第一级高斯信号的伸缩度由步骤(3)中的宽度确定,q为常数。
(5)计算这一组基底高斯信号与输入信号的最大互相关系数:
(6)定义m个具有不同伸缩度及对称中心的高斯函数按照一组固定的的拟合权值叠加后的信号为人造信号gf(x),拟合权值为一组固定的常数,它选取应遵循伸缩度zi越大,拟合权值越大这一原则。并且设初始的m=2,第一级高斯信号偏移量s1=0。
(7)根据下式,计算由基底高斯信号按一组固定的拟合权值叠加而成的人造信号gf(t)。
其中φi(i∈[1,M])为拟合权值,为一组固定常数。
在一定范围(本例中为8个像素单位宽度)内以0.1像素宽度为步长,逐步改变组成此人造信号的最后一级即第i(i=m)级高斯信号的偏移量si,计算每变化一次偏移量后的人造信号与输入信号的互相关度:
rf(τm)=max(cov<mN(t),gf(t)>)=max(∑mN(τ)gf(t+τ)) (4)
找到使互相关度rf(τm)最大时的偏移量si,此时添加此偏移量为si的高斯信号时,人造信号与输入信号最为相似,且此时τm为互相关度最大时人造信号与输入信号位置差。
(8)使m=m+1,重复步骤七。直至m=M,即添加完最后一级基底高斯函数。
在对实例1进行中心线计算时,使用三级(即M=3)不同的高斯信号来拟合实例1第N行的像素值分布,图5为m=2时,改变第二级高斯信号对称中心的偏移量s2得到的人造信号与输入信号的互相关系数的关系,本例中当s2=-1.8时,人造信号与输入信号具有更高的相似度。图6为使用第一级高斯信号与第二级高斯信号叠加的最优拟合结果,粗线为人造信号,黑色细线为待拟合的输入信号。图7为m=M=3时,改变第三级高斯信号对称中心的偏移量s3得到的人造信号与输入信号的互相关系数的关系,本例中当s3=1.1时,人造信号与输入信号具有更高的相似度。图8为使三级高斯信号叠加的最优拟合结果,粗线为人造信号,黑色细线为待拟合的输入信号。
从图8可以看出,人造信号与输入信号有较高的相似性。
(9)计算对中心点的最优估计:
根据步骤(7)与步骤(8)得到的使人造信号与输入信号最为相似时的各个高斯信号的对称中心偏移量si,计算各个高斯信号的对称中心ui=u0+si。再计算人造信号与输入信号的最大互相关系数rf(τ)取最大值时的位移量τ,最后根据式(5)计算对中心点的最优估计p:
其中λi为各不同能量中心的权值,该组合权值为一组固定的常数,它的选取应遵循伸缩度zi越大,组合权值越大这一原则,ri为各不同伸缩度的高斯函数与输入信号的相似度,ri越高,则说明输入信号中包含更多的伸缩度为zi的高斯信号的成分,ηi为修正比例常数,用于反应不同伸缩度的高斯函数的能量中心的重要程度。
本例中对实例1第N行激光线条图像的中心点结果如图8中黑色*状点所示。
(10)重复步骤(2)至步骤(9),计算完所有Xmax行的中心点,即可得到对激光条纹图像实例1的中心线的计算,结果如图9所示。同时还给出了与理想情况的差值,如图10所示。
为了进一步对比本发明方法的有效性,我们使用传统的几何中心法对实例1进行中心线计算。激光线条中心线结果如图11所示。与理想情况差值如图12所示。最后,我们对所有激光线条图像进行中心线提取,根据已经标定好的参数,对如图2所示被测物体进行三维重建,图13为本发明方法计算中心线并重建的结果。图14为使用几何中心法计算中心线并重建的结果,从重建结果看,基于本发明方法的重建结果细节清晰、表现丰富,具有更高的还原度。
Claims (1)
1.一种多高斯信号拟合的激光条纹中心线提取方法,其特征是:
步骤一:通过图像采集设备获取包含激光线条的图像I,图像I的分辨率为Ymax×Xmax;
步骤二:设图像I的第N(N∈[1,Xmax])行的像素值构成的序列为原始数据MN(j),(j∈[1,Ymax]),通过立方插值算法得到输入信号mN(t),其中t=nTs,Ts为插值间隔,N∈[1,Xmax],j∈[1,Ymax];
步骤三:对于图像I的第N行的激光线条像素值归一化后的数据,设置一个范围在0.2到0.5之间的阈值,当像素值数据大于所述阈值时,将此像素点标记为1,小于所述阈值时,则标记为0;计算所有标记为1的像素所属的列序号的均值,将此均值作为初始中心点u0,同时计算标记为1的像素点列序号最大值与最小值的差值,将此差值作为初始条纹宽度w0;
步骤四:构建一组M个具有不同期望及方差的用于拟合的基底高斯信号集合G,集合中的所有基底高斯信号的长度与输入信号mN(t)相同,并且设zi=2σi 2,σi为第i级基底高斯信号的标准差,并且将zi命名为第i级基底高斯信号的伸缩度,令期望ui=u0+si,并且将ui命名为第i级基底高斯信号的对称中心,其中,u0为初始中心点,si为偏移量;
将步骤三中得到的初始中心点u0作为第一级基底高斯信号的对称中心u0,即u1=u0,初始条纹宽度w0用于确定第一级基底高斯信号的伸缩度其中q为常数,由此得到一组M个具有不同伸缩度的基底高斯信号集合G,
上式中,gzi,ui(x)为第i级基底高斯信号,且其伸缩度为zi,对称中心为ui;
步骤五:通过计算最大互相关系数,求得各基底高斯信号与输入信号的相似性:
其中,rzi(τi)为输入信号与第i级基底高斯信号的最大互相关值,τi为两信号互相关值取最大值时,两信号的相对位置差;
步骤六:定义人造信号gf(x)为m个具有不同伸缩度与对称中心的基底高斯函数,按照一组固定的拟合权值叠加后的信号,并且设初始的m=2,拟合权值为一组固定的常数,它的选取应遵循伸缩度zi越大,拟合权值越大这一原则;
步骤七:根据下式,计算由基底高斯信号按一组固定的拟合权值叠加而成的人造信号gf(t),
其中φi(i∈[1,M])为拟合权值,为一组固定常数,
改变组成此人造信号的最后一级即第i(i=m)级基底高斯信号的偏移量si,重新计算人造信号,再继续计算人造信号与输入信号的互相关度rf(τm):
rf(τm)=max(cov<mN(t),gf(t)>)=max(∑mN(τ)gf(t+τ))
找到使互相关度rf(τm)最大时的偏移量si,此时添加此偏移量为si的基底高斯信号时,人造信号与输入信号最为相似,τm为互相关度最大时人造信号与输入信号位置差;
步骤八:使m=m+1,重复步骤七,直至m=M,即添加完最后一级基底高斯函数;
步骤九:当各个基底高斯信号的对称中心偏移量分别为s1,s2,s3,…sm时,由这些基底高斯信号组合而成的人造信号与输入信号具有最高的相似度,使rf(τ)取最大值的τ为整***置差,计算对中心点的最优估计p:
其中λi(i∈[1,M])为第i级基底高斯信号的对称中心的组合权值,该组合权值为一组固定的常数,它的选取应遵循伸缩度zi越大,组合权值越大这一原则,ui为各基底高斯信号的对称中心,rzi为步骤五得到的各不同伸缩度的基底高斯信号与输入信号的最大互相关值,rzi越高,则说明输入信号中包含更多的伸缩度为zi的基底高斯信号的成分,ηi为修正比例常数,用于反应不同伸缩度的高斯函数的对称中心的重要程度;
步骤十:重复步骤二至步骤九,直至计算完所有Xmax行的中心点,得到对激光线条图像中心线的最优估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610487738.4A CN106097430B (zh) | 2016-06-28 | 2016-06-28 | 一种多高斯信号拟合的激光条纹中心线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610487738.4A CN106097430B (zh) | 2016-06-28 | 2016-06-28 | 一种多高斯信号拟合的激光条纹中心线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106097430A true CN106097430A (zh) | 2016-11-09 |
CN106097430B CN106097430B (zh) | 2018-10-26 |
Family
ID=57215004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610487738.4A Active CN106097430B (zh) | 2016-06-28 | 2016-06-28 | 一种多高斯信号拟合的激光条纹中心线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097430B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133565A (zh) * | 2017-03-31 | 2017-09-05 | 大连理工大学 | 基于线激光的激光刻型线特征提取方法 |
CN108564621A (zh) * | 2018-04-28 | 2018-09-21 | 中国科学院电子学研究所 | 用于车辙检测的结构光光条中心提取方法及装置 |
CN108921936A (zh) * | 2018-06-08 | 2018-11-30 | 上海大学 | 一种基于光场模型的水下激光条纹匹配和立体重建方法 |
CN110866924A (zh) * | 2019-09-24 | 2020-03-06 | 重庆邮电大学 | 一种线结构光中心线提取方法及存储介质 |
CN112116619A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于结构约束的多线结构光***条纹中心线提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504770A (zh) * | 2009-03-19 | 2009-08-12 | 北京航空航天大学 | 一种结构光光条中心的提取方法 |
CN101986322A (zh) * | 2010-11-22 | 2011-03-16 | 南京大学 | 结构光光条中心点信度评价方法 |
CN104616325A (zh) * | 2015-01-21 | 2015-05-13 | 大连理工大学 | 一种快速高精度的大型表面光条中心提取方法 |
CN104657587A (zh) * | 2015-01-08 | 2015-05-27 | 华中科技大学 | 一种激光条纹中心线的提取方法 |
-
2016
- 2016-06-28 CN CN201610487738.4A patent/CN106097430B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504770A (zh) * | 2009-03-19 | 2009-08-12 | 北京航空航天大学 | 一种结构光光条中心的提取方法 |
CN101986322A (zh) * | 2010-11-22 | 2011-03-16 | 南京大学 | 结构光光条中心点信度评价方法 |
CN104657587A (zh) * | 2015-01-08 | 2015-05-27 | 华中科技大学 | 一种激光条纹中心线的提取方法 |
CN104616325A (zh) * | 2015-01-21 | 2015-05-13 | 大连理工大学 | 一种快速高精度的大型表面光条中心提取方法 |
Non-Patent Citations (3)
Title |
---|
田庆国等: "利用轮廓线多边形表示实时提取光带中心线", 《光学精密工程》 * |
陈瑞改等: "干涉条纹中心线提取与细化的新方法", 《激光杂志》 * |
高世一等: "变边限高斯拟合提取激光条纹中心线方法的研究", 《仪器仪表学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133565A (zh) * | 2017-03-31 | 2017-09-05 | 大连理工大学 | 基于线激光的激光刻型线特征提取方法 |
CN107133565B (zh) * | 2017-03-31 | 2020-04-07 | 大连理工大学 | 基于线激光的激光刻型线特征提取方法 |
CN108564621A (zh) * | 2018-04-28 | 2018-09-21 | 中国科学院电子学研究所 | 用于车辙检测的结构光光条中心提取方法及装置 |
CN108564621B (zh) * | 2018-04-28 | 2021-09-24 | 中国科学院电子学研究所 | 用于车辙检测的结构光光条中心提取方法及装置 |
CN108921936A (zh) * | 2018-06-08 | 2018-11-30 | 上海大学 | 一种基于光场模型的水下激光条纹匹配和立体重建方法 |
CN110866924A (zh) * | 2019-09-24 | 2020-03-06 | 重庆邮电大学 | 一种线结构光中心线提取方法及存储介质 |
CN110866924B (zh) * | 2019-09-24 | 2023-04-07 | 重庆邮电大学 | 一种线结构光中心线提取方法及存储介质 |
CN112116619A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于结构约束的多线结构光***条纹中心线提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106097430B (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097430A (zh) | 一种多高斯信号拟合的激光条纹中心线提取方法 | |
CN103295239B (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
CN104101331B (zh) | 基于全光场相机的非合作目标位姿测量 | |
CN105300316B (zh) | 基于灰度重心法的光条中心快速提取方法 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及*** | |
CN103604417B (zh) | 物方信息约束的多视影像双向匹配策略 | |
CN106595702B (zh) | 一种基于天文标定的多传感器空间配准方法 | |
CN103778626B (zh) | 一种基于视觉显著区域的快速图像配准方法 | |
CN103093223B (zh) | 一种光斑图像中心的快速定位方法 | |
CN112017248B (zh) | 一种基于点线特征的2d激光雷达相机多帧单步标定方法 | |
CN102446354A (zh) | 一种高精度多源地面激光点云的整体配准方法 | |
CN104834931A (zh) | 一种基于小波变换的改进的尺度不变特征匹配算法 | |
CN105678757A (zh) | 一种物***移测量方法 | |
CN103679701B (zh) | 基于支持向量机回归的晶体图像直线轮廓检测方法 | |
CN103198475B (zh) | 基于多层次迭代可视化优化的全聚焦合成孔径透视成像方法 | |
CN109870106A (zh) | 一种基于无人机图片的建筑物体积测量方法 | |
CN109978957B (zh) | 基于量子行为粒子群的双目***标定方法 | |
CN102789644B (zh) | 一种基于两条相交直线的相机标定方法 | |
He et al. | IGICP: Intensity and geometry enhanced LiDAR odometry | |
CN103605980B (zh) | 基于局部特征匹配的isar目标部件检测方法 | |
CN107728196A (zh) | 获取角度域共成像道集的方法及*** | |
Yoshisada et al. | Indoor map generation from multiple LiDAR point clouds | |
CN104484647A (zh) | 一种高分辨率遥感图像云高度检测方法 | |
CN105066905B (zh) | 小波变换轮廓术抑噪方法 | |
CN104134206A (zh) | 基于三维二值特征描述子的ct体数据快速匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |