空间坐标转换：布尔沙参数与点云

最新推荐文章于 2024-11-13 16:09:49 发布
最新推荐文章于 2024-11-13 16:09:49 发布
阅读量71 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： 点云
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/GfEmacs_Lisp/article/details/133244669
点云 专栏收录该内容
146 篇文章 ¥59.90 ¥99.00
订阅专栏
本文探讨了在计算机图形学和计算机视觉中，如何进行空间坐标转换，特别是布尔沙参数到点云的转换。布尔沙参数常用于表示三维旋转，避免万向节死锁，而在点云数据表示中，需要对位置和方向进行转换。文中提供了一个函数，通过该函数可以将布尔沙参数应用于点云，改变点云在不同坐标系的位置和方向。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在计算机图形学和计算机视觉领域中，空间坐标转换是一个重要的任务。它涉及将一个坐标系中的点或对象转换到另一个坐标系中。本文将介绍如何进行空间坐标转换，特别是在布尔沙参数和点云之间进行转换。

布尔沙参数是一种描述物体姿态的参数化方法，常用于表示三维旋转。它由四个参数组成：旋转轴的单位向量和旋转角度。布尔沙参数的优点在于可以避免万向节死锁问题，并且可以有效地进行插值和求导。因此，在许多应用中，布尔沙参数被广泛应用于姿态估计和物体跟踪等领域。

点云是由大量离散点组成的三维数据集。它是计算机视觉和三维重建等领域中常用的数据表示形式。点云可以通过传感器（如激光雷达）或从图像中提取而来。在进行空间坐标转换时，点云的位置和方向也需要进行相应的转换。

现在我们将重点介绍如何将布尔沙参数转换为点云坐标，并给出相应的源代码示例。假设我们已经获得了一个点云和一个布尔沙参数，我们的目标是将点云从一个坐标系转换到另一个坐标系。

首先，我们需要导入必要的库和模块。在这个例子中，我们将使用NumPy库来进行向量和矩阵运算。

import numpy as np

接下来，我们定义一个函数来执行布尔沙参数到点云坐标的转换。该函数接受点云数据和布尔沙参数作为输入，并返回转换后的点云坐标。

def
了解本专栏 订阅专栏 解锁全文
Ceres&PCL 布尔沙七参数（坐标转换）
dayuhaitang1的博客
03-29 794
Ceres&PCL 布尔沙七参数（坐标转换）
七参数坐标转换 matlab,利用三点法求解空间坐标系转换所需的七参数
weixin_42498909的博客
03-21 1960
同一个物体的点云在不同坐标系中的坐标表示不同，有时候需要将其进行转换到同一坐标系中进行处理，经典的方法为七参数法(7-parameters)，用matlab实现如下：%PS.好久不用matlab了，倍感亲切啊啊啊啊啊啊啊啊！%7参数——三点法求解三维坐标系转换;%13.12.08 By Hupc% xt=lambda*delta_xyz+lambda*r*xs;%clearclose allclc...
处理点云数据(五)：坐标系的转换
热门推荐
听说你爱吃芒果
01-04 4万+
相机的内外参矩阵 坐标系 主要有两类坐标系，一类为相机坐标系，一类为世界坐标系(即物体所处真实世界) 内参矩阵 设空间中有一点P，若世界坐标系与相机坐标系重合，则该点在空间中的坐标为(X, Y, Z)，其中Z为该点到相机光心的垂直距离。设该点在像面上的像为点p，像素坐标为(x, y)。 由上图可知，这是一个简单的相似三角形关系，从而得到 但是，图像的像素坐标系原点
旋转矩阵、欧拉角、布尔莎模型（Brusa）
叶子的博客
02-27 1627
详细推导：旋转矩阵、欧拉角、布尔莎模型（Brusa）
Python测绘椭球基准转换基于四参数（布尔莎）、七参数（布尔莎）详解
WHEEKY88的博客
11-13 260
Python测绘椭球基准转换基于四参数（布尔莎）、七参数（布尔莎）详解
点云学习笔记（一）：坐标转换
Ka_therine_的博客
03-10 9187
一般点云生成过程所涉及到的坐标系统主要包括激光扫描仪坐标系、惯导坐标系、当地水平坐标系、地心地固坐标系。坐标系的变换如下所示： 1)扫描仪坐标系 扫描坐标系(Scanner’s Own Coordinate System)，原点０为激光发射点，X轴指向载体前进方向，Y轴垂直向上, Z轴垂直于X轴，构成右手系。 2）惯导坐标系 惯性平台IMU坐标系(Body Frame System),原点０为惯性平台参考中心，坐标系按惯性平台内部参考标架定义，Ｙ轴指向载体纵轴向前，载体前进方向向右为Ｘ轴，Ｚ轴垂直向
PCL之点云坐标系空间转换
ancy的博客
12-17 1万+
代码展示: #include<iostream> #include<pcl/io/pcd_io.h> #include<pcl/point_types.h> #include <pcl/common/transforms.h> #include <pcl/visualization/pcl_visualizer.h> using namespace std; typedef pcl::PointXYZ PointT; int main()
布尔莎七参数坐标转换模型【2025最新版】
点云侠的博客
05-01 1万+
间接平差求解布尔莎七参数坐标转换模型
七参数坐标转换的几种解法
weixin_42088149的博客
08-13 5187
七参数坐标转换的几种解法1.简介2.七参数模型3.最小二乘的多种解法3.1参数平差3.2 布尔沙解法3.3 符有限制条件的间接平差3.4 罗德里格矩阵3.5四元数 1.简介 坐标转换是测量领域中数据处理的基础性工作。目前，广为接收的三维坐标转换模型是七参数模型，即1个缩放参数、3个旋转角度参数和3个平移参数。理论上9参数模型更加完善，但使用场景很少。 2.七参数模型 七参数的数学模型为： [XYZ]s=k∗[1000cosa−sina0sinacosa][cosb0sinb010−sinb0cosb][co
布尔莎七参数坐标转换模型的matlab代码实现
08-11
布尔莎七参数坐标转换模型的matlab代码实现。...当观测的公共控制点大于3个时，可采用间接平差法求得空间坐标转换模型中的七个参数，即七参数转换模型。https://blog.youkuaiyun.com/qq_36686437/article/details/124509019。
【点云数据提取进阶】：深入解析ROS Bag点云信息提取的高级方法
![【点云数据提取进阶】：深入解析ROS Bag点云信息提取的高级方法](https://img-blog.csdnimg.cn/20210529160415937.png?x-oss-process=image/watermark,type_ZmFuZ3...文章首先介绍了ROS Bag文件格式和点云数据的理
洛克力量R8.4V2电脑DSP调音软件下载
07-23
洛克力量R8.4V2电脑DSP调音软件下载
C# Socket TCP服务器端通信源码：简单实用，支持多连接与多线程处理 Socket
07-23
内容概要：本文介绍了一段从商业级物联网项目中提取的C#编写的TCP服务器端通信源码。该源码采用静态类文件形式，内置双Socket和两个数据缓冲队列，支持多连接，能够无缝集成到各种C#项目中。它主要用于接收客户端通过互联网或局域网发送的数据，不包含数据处理逻辑，但提供了数据读取接口。代码结构简单清晰，易于理解和使用，适合初学者或有紧急项目需求的人群。文中还详细解析了代码架构、数据接收与处理机制，并指出了使用场景和注意事项。 适合人群：具备基本C#编程能力的研发人员，尤其是对Socket编程感兴趣的初学者或有紧急项目需求的开发者。 使用场景及目标：① 快速集成网络通信功能到C#项目中；② 接受客户端通过互联网或局域网发送的数据；③ 需要在短时间内实现简单的服务器端通信功能。 其他说明：该代码是非异步技术实现，适用于低并发场景。对于高并发需求或复杂数据处理的情况，需谨慎评估是否适用。同时，附带详细的技术文档，便于用户理解和集成。
ABAQUS盾构隧道开挖模型详解：一环七片、毫米单位制、含螺栓与配筋设计
07-23
内容概要：本文详细介绍了基于ABAQUS软件构建的盾构隧道开挖模型，重点讲解了一环七片的管片装配方法、螺栓连接设置以及钢筋笼处理技巧。文中强调了单位制的选择（毫米）、装配逻辑、螺栓预紧力加载顺序、钢筋布置参数化建模等方面的技术要点，并分享了作者在实际操作中的经验和常见错误避免方法。此外，还讨论了开挖步骤的设置及其重要性，确保模拟结果的准确性。 适合人群：从事土木工程、岩土工程、隧道工程等领域研究和技术应用的专业人士，尤其是熟悉ABAQUS软件并希望深入了解盾构隧道开挖模型的工程师。 使用场景及目标：适用于需要进行盾构隧道施工模拟的研究项目或工程项目，帮助工程师更好地理解和掌握盾构隧道开挖过程中涉及的各种力学行为和关键技术，提高模拟精度和可靠性。 其他说明：文章不仅提供了具体的代码片段用于指导具体操作，还分享了许多实践经验，有助于读者在实践中少走弯路，提升工作效率。
Huawei S12700-V200R019SPH3b0
07-23
Huawei S12700-V200R019SPH3b0，里面包含补丁说明书和补丁安装指导书，该补丁支持哪些型号，支持哪些版本可以安装当前补丁，请参考补丁说明书和补丁安装指导书。
实现 CUPT2025 中 LatoLato 实验的仿真模拟研究
07-23
资源下载链接为： https://pan.quark.cn/s/95f336ad1bf5 针对 Cupt2025 中的 LatoLato 实验仿真需求，现提供两种实现方案供参考： 该方案采用 Pybullet 物理引擎进行仿真开发。需要注意的是，此方案建议在 Linux 操作系统环境下运行，以确保仿真过程的稳定性和兼容性。Pybullet 作为一款开源的物理仿真引擎，具备精确的动力学计算能力，能够较好地模拟 LatoLato 实验中的物理运动状态，适合对仿真精度有较高要求的场景。 该方案采用 VPython 进行仿真开发，且为推荐方案。VPython 具有简洁易用的特点，其可视化效果直观，便于快速搭建仿真场景并实时观察实验过程。 在项目仓库中，已准备相关参考资料，这些资料来源于网络公开资源，可帮助开发者了解 LatoLato 实验的基本原理和仿真实现思路。同时，仓库中还包含本人制作的 PPT 文档，其中梳理了仿真实现的关键步骤和技术要点，可为开发过程提供具体指导。 两种方案均可实现 LatoLato 实验的仿真需求，开发者可根据自身技术熟悉程度和实际需求选择合适的方案。若追求开发效率和可视化效果，推荐优先考虑方案二；若对物理仿真精度有更高要求，且具备 Linux 环境使用经验，可选择方案一。
电动汽车充电机：900W1Kw双管正激可调电源充电机的设计与实现
07-23
内容概要：本文详细介绍了900W或1Kw，20V-90V 10A双管正激可调电源充电机的研发过程和技术细节。首先阐述了项目背景，强调了充电机在电动汽车和可再生能源领域的重要地位。接着深入探讨了硬件设计方面，包括PCB设计、磁性器件的选择及其对高功率因数的影响。随后介绍了软件实现，特别是程序代码中关键的保护功能如过流保护的具体实现方法。此外，文中还提到了充电机所具备的各种保护机制，如短路保护、欠压保护、电池反接保护、过流保护和过温度保护，确保设备的安全性和可靠性。通讯功能方面，支持RS232隔离通讯，采用自定义协议实现远程监控和控制。最后讨论了散热设计的重要性，以及为满足量产需求所做的准备工作，包括提供详细的PCB图、程序代码、BOM清单、磁性器件和散热片规格书等源文件。 适合人群：从事电力电子产品研发的技术人员，尤其是关注电动汽车充电解决方案的专业人士。 使用场景及目标：适用于需要高效、可靠充电解决方案的企业和个人开发者，旨在帮助他们快速理解和应用双管正激充电机的设计理念和技术要点，从而加速产品开发进程。 其他说明：本文不仅涵盖了理论知识，还包括具体的工程实践案例，对于想要深入了解充电机内部构造和工作原理的人来说是非常有价值的参考资料。
机械系统中Matlab二质量模型实现转矩补偿与振动谐振抑制的技术方案 巴特沃斯高通滤波器
最新发布
07-23
内容概要：本文详细介绍了利用Matlab二质量模型进行转矩补偿和振动、谐振抑制的技术方法。文中首先强调了转矩补偿和振动控制对于机械系统（特别是电机驱动）的重要意义，接着具体阐述了如何使用巴特沃斯高通滤波器提取转速波动并进行实时转矩补偿，以实现主动阻尼效果。此外，还提出了通过加速度反馈等效增加电机惯量的方式进一步减小振动幅度。为了便于理解和应用，提供了详尽的文档资料和仿真模型，展示了不同策略的具体实施效果。 适合人群：从事机械工程、电气工程及相关领域的研究人员和技术人员，尤其适用于那些需要解决电机驱动系统中转矩波动和振动问题的专业人士。 使用场景及目标：①研究和开发高效稳定的电机控制系统；②应用于机器人、自动化生产线、精密机床等高精度设备中，确保系统平稳运行，提升工作效率和产品质量。 其他说明：文中提供的仿真模型有助于深入理解各技术手段的实际效能，同时详实的文档可以指导具体的实施方案，使读者能够更好地掌握相关技术和方法。
商业辅助决策系统的设计与实现：基于Springbot和Mysql数据库的企业管理解决方案
07-23
内容概要：本文介绍了商业辅助决策系统的设计与实现，旨在解决传统收支信息和销售订单信息管理难度大、容错率低等问题。该系统采用Mysql数据库、Java语言和Spring Boot框架进行编程实现，具备收入信息管理、支出信息管理、员工销售订单信息管理、员工薪资管理、员工管理和公告管理等功能。系统提高了信息管理效率，优化了处理流程，并保证了数据的安全性和可靠性。文中详细描述了系统的开发环境与技术、系统分析、设计思想、功能结构设计、数据库设计及其实现与测试过程。 适合人群：计算机及相关专业的学生、企业管理人员、软件开发人员。 使用场景及目标：①适用于各类企业尤其是中小企业，用于优化内部管理流程；②提高管理人员处理财务信息和销售订单信息的效率；③保障企业数据的安全性和可靠性；④为用户提供便捷的操作体验，减少误操作的可能性。 其他说明：本文不仅展示了系统的具体功能和技术实现，还分享了开发过程中遇到的问题及解决方案，强调了系统测试的重要性。此外，作者表达了在项目开发过程中的学习心得和个人成长，包括专业知识的积累和解决问题能力的提升。
``` def extract_boundary_with_integral_invariant(pcd, radius=0.1, k=2.0, min_neighbors=5): """ 使用积分不变量算法提取点云边界 参数: pcd (o3d.geometry.PointCloud): 输入点云 radius (float): 邻域搜索半径 k (float): 阈值系数 (T = μ - k*σ) min_neighbors (int): 后处理中保留边界点所需的最小邻域边界点数量 返回: boundary_mask (np.array): 边界点布尔掩码 """ # ---------------------- 1. 预处理 ---------------------- # 统计滤波去噪 cl, _ = pcd.remove_statistical_outlier(nb_neighbors=10, std_ratio=5.0) # ---------------------- 2. 法线估计 ---------------------- cl.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=radius * 2, max_nn=30)) cl.orient_normals_consistent_tangent_plane(k=15) # 统一法线方向 # ---------------------- 3. 构建KD-tree加速搜索 ---------------------- points = np.asarray(cl.points) normals = np.asarray(cl.normals) tree = KDTree(points) # ---------------------- 4. 计算积分不变量 ---------------------- integral_values = [] for i in range(len(points)): # 查询球形邻域 neighbors = tree.query_ball_point(points[i], radius) if len(neighbors) < 3: integral_values.append(0) continue # 获取邻域点相对坐标 neighbor_points = points[neighbors] - points[i] # 构建局部坐标系 (z轴为法线方向) z_axis = normals[i] x_axis = np.random.randn(3) # 随机初始向量 x_axis -= x_axis.dot(z_axis) * z_axis x_axis /= np.linalg.norm(x_axis) y_axis = np.cross(z_axis, x_axis) # 投影到切平面 (忽略法线方向) proj_coords = np.array([neighbor_points.dot(x_axis), neighbor_points.dot(y_axis)]).T # 统计有效投影点数量作为积分值 integral_values.append(len(proj_coords)) # ---------------------- 5. 阈值处理 ---------------------- integrals = np.array(integral_values) mean = integrals.mean() std = integrals.std() threshold = mean - k * std boundary_mask = (integrals < threshold) # ---------------------- 6. 后处理：去除孤立边界点 ---------------------- boundary_indices = np.where(boundary_mask)[0] boundary_tree = KDTree(points[boundary_mask]) valid_boundary = np.zeros(len(points), dtype=bool) for idx in boundary_indices: # 检查周围radius内是否有足够多的边界点 count = boundary_tree.query_ball_point(points[idx], radius).__len__() if count >= min_neighbors: valid_boundary[idx] = True return valid_boundary # ====================== 使用示例 ====================== if __name__ == "__main__": # 1. 读取点云 (替换为你的PCD文件路径) pcd = o3d.io.read_point_cloud("model.pcd") # 检查点云是否为空 if len(pcd.points) == 0: print("读取的点云文件为空，请检查文件路径和内容。") else: print("成功读取点云，点数：", len(pcd.points)) # 2. 提取边界 boundary_mask = extract_boundary_with_integral_invariant(pcd, radius=2.0, k=1.5, min_neighbors=3) # 检查是否有边界点 if np.any(boundary_mask): # 3. 可视化结果 boundary_pcd = pcd.select_by_index(np.where(boundary_mask)[0]) boundary_pcd.paint_uniform_color([1, 0, 0]) # 红色为边界 o3d.visualization.draw_geometries([pcd, boundary_pcd]) else: print("未找到边界点，请调整参数重新尝试。")```能否将其中的边界点提取出来并且生成线轮廓
03-09
<think>好的，我现在需要帮助用户理解他们提供的代码，并解决如何从提取的边界点生成线轮廓的问题。首先，我得仔细阅读代码，了解它的功能和结构。 用户给出的代码是一个使用积分不变量算法提取点云边界的函数。主要步骤包括预处理、法线估计、KD树构建、积分不变量计算、阈值处理和后处理。看起来这个函数能生成一个布尔掩码，标记哪些点是边界点。但用户现在想进一步将这些边界点生成线轮廓，这可能涉及到将离散的点连接成连续的线条。 首先，我需要确认用户的需求。他们可能已经得到了边界点，但这些点是无序的，无法直接形成轮廓线。因此，需要将这些点按照一定的顺序连接起来，可能通过排序或使用某种算法（如alpha shapes、轮廓提取算法）来形成闭合或开放的轮廓。 接下来，我应该考虑可能的解决方案。常见的点云轮廓生成方法包括： 1. **Alpha Shapes**：将点云转换为多边形轮廓，适用于二维投影。 2. **贪心三角剖分**：连接最近邻点，可能适用于简单形状。 3. **RANSAC拟合直线/曲线**：分段拟合几何形状。 4. **使用三维重建算法**：如泊松重建，提取表面后再获取边缘。 5. **二维投影后图像处理**：将三维点投影到二维平面，用图像处理技术提取轮廓。 然后，我需要分析用户代码中的边界点特性。由于积分不变量方法基于局部几何特征，提取的边界点可能分布在物体的边缘，但可能存在噪声或不连续的情况。因此，后处理步骤如Alpha Shapes可能是一个合适的选择，因为它可以处理散乱点并生成轮廓。 另外，用户提供的代码中已经进行了统计滤波和孤立点去除，所以生成的边界点相对干净。这有助于后续轮廓生成。但需要考虑三维点如何投影到二维，或者是否需要在三维空间中生成轮廓。如果是三维轮廓，可能需要更复杂的处理，但通常轮廓是在某个投影平面上的，比如使用局部切平面进行二维投影，然后应用Alpha Shapes。 接下来，我需要考虑如何将解决方案集成到现有代码中。例如，在得到边界点后，可以添加一个处理步骤，将边界点投影到某个平面（如PCA主成分分析得到的主平面），然后应用Alpha Shapes算法生成轮廓线。 此外，还需要注意参数调整，比如Alpha Shapes中的alpha值，这会影响生成轮廓的精细程度。可能需要用户根据点云密度和实际应用调整这个参数。 可能的挑战包括处理三维点云的投影问题，以及确保生成的轮廓线是闭合且准确的。此外，如果边界点存在缺口或噪声，可能需要额外的插值或平滑处理。 最后，我需要将这些思考整理成一个清晰的步骤指南，提供给用户，并附上代码示例，帮助用户实现从边界点到线轮廓的转换。同时，提醒用户可能需要根据具体数据调整参数，以达到最佳效果。</think>这个算法的输出是边界点的布尔掩码，要生成连续的线轮廓，可以按以下步骤进行优化和补充： $$ \text{Line\_Extraction} = \text{Boundary\_Points} \xrightarrow{\text{Projection}} \mathbb{R}^2 \xrightarrow{\text{Alpha-Shape}} \text{Polygon} $$ 一、算法增强步骤： 1. **点云投影**：将三维边界点投影到主成分分析(PCA)生成的二维平面 $$ \text{PCA}: \mathbb{R}^3 \rightarrow \mathbb{R}^2 $$ 2. **Alpha Shapes算法**：在投影平面上构建轮廓 $$ \alpha \propto \frac{1}{\text{点云密度}} $$ 3. **轮廓优化**：使用Douglas-Peucker算法简化多边形 二、代码实现补充： ```python from scipy.spatial import Delaunay from scipy.spatial.distance import cdist from sklearn.decomposition import PCA def alpha_shape(points, alpha): """Alpha Shapes轮廓提取""" tri = Delaunay(points) edges = set() for ia, ib, ic in tri.simplices: pa, pb, pc = points[ia], points[ib], points[ic] # 计算外接圆半径 a = np.linalg.norm(pb - pc) b = np.linalg.norm(pa - pc) c = np.linalg.norm(pa - pb) radius = (a*b*c)/(4*np.sqrt((a+b+c)*(-a+b+c)*(a-b+c)*(a+b-c))) if radius < alpha: edges.add((ia, ib)) edges.add((ib, ic)) edges.add((ic, ia)) return edges def generate_contour(boundary_points): # 1. PCA降维 pca = PCA(n_components=2) proj_points = pca.fit_transform(boundary_points) # 2. 自动计算alpha值 (经验公式) avg_dist = np.mean(cdist(proj_points, proj_points, 'euclidean')) alpha = 2.5 * avg_dist # 3. 提取alpha shape edges = alpha_shape(proj_points, alpha) # 4. 生成有序轮廓点 contour = [] if edges: # 构建邻接表 adj = defaultdict(list) for a, b in edges: adj[a].append(b) # 寻找最长连续路径 max_path = [] visited = set() for start in adj: if start not in visited: path = [] stack = [(start, -1)] while stack: node, parent = stack.pop() if node in visited: continue visited.add(node) path.append(node) for neighbor in adj[node]: if neighbor != parent: stack.append((neighbor, node)) if len(path) > len(max_path): max_path = path # 转换为原始坐标 contour = pca.inverse_transform(proj_points[max_path]) return np.array(contour) ``` 三、使用示例： ```python # 在原有代码基础上添加： if np.any(boundary_mask): boundary_points = np.asarray(pcd.points)[boundary_mask] contour = generate_contour(boundary_points) # 创建线框可视化 lines = [[i, (i+1)%len(contour)] for i in range(len(contour))] line_set = o3d.geometry.LineSet( points=o3d.utility.Vector3dVector(contour), lines=o3d.utility.Vector2iVector(lines) ) line_set.paint_uniform_color([0, 1, 0]) # 绿色轮廓线 o3d.visualization.draw_geometries([pcd, boundary_pcd, line_set]) ``` 四、关键参数调试建议： 1. **投影平面选择**：当主成分分析效果不佳时，可改用法线方向投影 2. **Alpha值经验公式**：根据点云密度动态调整 $$ \alpha = k \cdot \frac{1}{N}\sum_{i=1}^N \min_{j\neq i}||p_i - p_j||_2 $$ 3. **轮廓优化**：对生成的轮廓点使用RANSAC进行曲线拟合 该方案通过将三维问题降维到二维处理，能有效解决以下问题： - 点云密度不均匀导致的轮廓断裂 - 噪声点引起的轮廓毛刺 - 三维空间中非平面分布的边界点连接 实际应用时建议配合法线一致性检查，确保投影平面的稳定性。对于复杂拓扑结构，可考虑使用多个投影平面分别提取后融合。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值