从二维到三维:三角化技术在深度值计算中的应用解析

三角化求深度值(求三位坐标) 三角化得到深度值 一 :三角化的提出 三角化最早由高斯提出,并应用于测量学中。简单来讲就是:在不同的位置观测同一个三维点P(x, y, z),已知在不同位置处观察到的三维点的二维投影点X1(x1, y1), X2(x2, y2),利用三角关系,恢复出三维点的深度信息z。 二: 三角化求解 (1) 利用叉乘进行消元进行求解 s1x1= s2Rx2+ t ... 阅读详情

1. 从二维照片到三维世界:三角化到底在做什么?

你有没有想过,为什么我们拍的照片是平的,但手机地图却能告诉你前面那栋楼有多高?或者,为什么一些AR应用能把虚拟的恐龙稳稳地放在你家的地板上,好像它真的在那里一样?这背后,其实藏着一个从二维“照片”变出三维“世界”的魔法,而这个魔法的核心,就是三角化。

简单来说,三角化就是用几何里的三角形关系,从几张不同角度拍到的二维照片里,算出物体在真实三维空间中的位置。这和我们用两只眼睛来判断距离是一个道理。你闭上一只眼睛去拿桌上的水杯,可能会有点犹豫,因为单眼很难精确判断距离。但睁开双眼,大脑通过对比左右眼看到的细微差异,瞬间就能知道杯子离你有多远。三角化就是让计算机也拥有这种“双眼立体视觉”。

在计算机视觉和机器人领域,这个技术太重要了。比如,你想让扫地机器人自己建个家里的地图,它就需要一边走,一边用摄像头“看”,然后通过三角化,把看到的墙角、桌腿这些特征点,从像素坐标(照片上的位置)还原成三维坐标(房间里真实的位置),最后拼出一张三维地图。再比如,电影里做特效,需要把虚拟角色合成到实拍场景中,也得先通过三角化计算出摄像机怎么运动的、场景里物体的三维结构,虚拟角色才能“站”对地方,光影也才能匹配得上。

所以,三角化不是什么遥不可及的学术概念,它正是连接我们看到的二维图像和计算机理解的三维世界的那座关键桥梁。今天,我就带你深入这座桥的内部,看看它到底是怎么搭建起来的,并且用实际的代码告诉你,怎么亲手实现这个“从二维到三维”的魔法。

2. 三角化的数学心脏:对极几何与投影模型

要理解三角化,我们得先搞清楚相机是怎么“看”世界的。相机就像一个特殊的投影仪,它把三维空间中的点,投射到二维的成像平面上,这个过程会丢失一个最关键的维度信息——深度,也就是这个点离相机到底有多远。三角化要做的,正是把这个丢失的深度给找回来。

2.1 相机如何“拍扁”世界:小孔成像模型

我们用一个最经典的模型——小孔成像模型来理解。你可以把相机想象成一个暗箱,前面有一个针孔。三维世界中的点P,穿过这个小孔,在后面的感光元件(比如CMOS)上形成了一个倒立的像点p。这个过程用数学来描述,就是投影。

一个三维点P的坐标是 [X, Y, Z],这里的Z就是它相对于相机的深度。投影后,它在照片上的像素坐标是 [u, v]。它们之间的关系,可以用一个矩阵乘法来表示:

s * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T

我拆开解释一下:

  • s:这是一个神秘的尺度因子,你可以把它理解为那个丢失的深度Z的“影子”。因为投影后深度信息没了,我们需要引入这个s来平衡等式。
  • [u, v, 1]^T:这是照片上的像素坐标,用齐次坐标表示。
  • K:这是相机内参矩阵。它包含了相机的“个性”信息,比如焦距(f)、像素的物理尺寸(dx, dy)以及图像中心点(cx, cy)。它负责把物理成像平面上的点换算成像素坐标。
  • [R | t]:这是相机外参矩阵,由旋转矩阵R和平移向量t组成。它描述了相机在世界坐标系下的姿态和位置。简单说,就是相机朝哪儿看、站在哪儿。
  • [X, Y, Z, 1]^T:这是三维点在世界坐标系下的齐次坐标。

这个等式是整个三维视觉的基石。三角化的问题,本质上就是:我们知道了在两个不同位置(不同R, t)拍到的两张照片上,同一个点P的像素坐标 [u1, v1] 和 [u2, v2],也知道了这两个时刻相机的内参K和外参(R1, t1; R2, t2),我们想要求出那个丢失的深度,也就是恢复出P点的三维坐标 [X, Y, Z]。

2.2 两张照片的约束:对极几何

当同一个三维点被两个相机看到时,这两个相机光心(可以理解为针孔的位置)、三维点P、以及两个像点p1和p2,这五点必然共面。这个几何关系,就是对极几何。

想象一下:你左眼(相机1)和右眼(相机2)看同一个手指(点P)。你左眼看到的指尖位置(p1)、右眼看到的指尖位置(p2)、你的左眼和右眼本身,还有你的手指,这五个东西都在同一个平面上。这个平面叫做极平面。

从这个几何关系里,可以推导出一个非常重要的约束方程,叫做对极约束:

p2^T * F * p1 = 0

这里的F叫做基础矩阵。这个方程的美妙之处在于,它不依赖于场景的三维结构,只和像素坐标以及相机之间的相对运动有关。它告诉我们,对于匹配的点对(p1, p2),它们的坐标必须满足这个方程。我们通常先用这个约束来求解相机之间的运动(R, t),或者用来校验找到的匹配点对不对。

有了相机运动,我们再回到投影方程,就能列出关于三维点P的方程了。一个点P,在两幅图像中给出两个投影方程,而未知数其实就是它的三维坐标(三个数)或者说是两个深度因子(s1和s2)。方程数多于未知数,我们就可以求解了。这就是三角化的基本思路。

3. 实战:三种主流三角化算法详解与代码实现

理论说了一堆,到底怎么算呢?这里我分享三种最常用、也最实用的三角化方法,并且配上我实际在项目中用过的代码片段。咱们不玩虚的,直接看怎么动手做。

3.1 方法一:线性三角化法(DLT)

这是最直接、最常用的一种方法,思路非常“暴力美学”:直接利用投影方程构建线性方程组,然后用最小二乘法求解。还记得投影方程 s * p = K * [R|t] * P 吗?我们可以把这个方程稍微变个形。

把内参K和外参[R|t]乘在一起,得到一个3x4的投影矩阵 M = K * [R|t]。那么投影方程可以写成:

s * [u, v, 1]^T = M * [X, Y, Z, 1]^T

我们把尺度因子s消掉。用第三行去除前两行,可以得到两个方程:

u = (M[0]·P) / (M[2]·P)
v = (M[1]·P) / (M[2]·P)

这里 M[i] 表示矩阵M的第i行向量,· 表示点积,P是三维点的齐次坐标 [X, Y, Z, 1]。

把分母乘到左边,整理一下,对于一个观测点,我们可以得到两个线性方程:

(u * M[2] - M[0]) · P = 0
(v * M[2] - M[1]) · P = 0

现在,我们从两个视角观测同一个点,就能得到四个这样的线性方程,构成一个齐次线性方程组 A * P = 0。这里的A是一个4x4的矩阵。求解这个方程组,就是在求矩阵A的零空间向量。通常,我们对A做奇异值分解(SVD),取最小奇异值对应的右奇异向量作为解,然后再将齐次坐标归一化(除以第四维),就得到了三维坐标 [X, Y, Z]。

这个方法在ORB-SLAM2和VINS-Mono里都有应用。我们来看看VINS-Mono里的实现,非常清晰:

// 仿照 VINS-Mono 风格的线性三角化
void linearTriangulation(const Eigen::Matrix3d& R1, const Eigen::Vector3d& t1,
                         const Eigen::Matrix3d& R2, const Eigen::Vector3d& t2,
                         const Eigen::Vector2d& pt1, const Eigen::Vector2d& pt2,
                         const Eigen::Matrix3d& K, // 相机内参
                         Eigen::Vector3d& point_3d) {
    // 构造投影矩阵 P = K * [R | t]
    Eigen::Matrix<double, 3, 4> P1, P2;
    P1.block<3, 3>(0, 0) = R1;
    P1.col(3) = t1;
    P1 = K * P1; // 实际代码中,有时特征点已经是归一化平面坐标,则无需乘K

    P2.block<3, 3>(0, 0) = R2;
    P2.col(3) = t2;
    P2 = K * P2;

    // 构建设计矩阵 A
    Eigen::Matrix4d A = Eigen::Matrix4d::Zero();
    A.row(0) = pt1[0] * P1.row(2) - P1.row(0); // u1 * P1第三行 - P1第一行
    A.row(1) = pt1[1] * P1.row(2) - P1.row(1); // v1 * P1第三行 - P1第二行
    A.row(2) = pt2[0] * P2.row(2) - P2.row(0); // u2 * P2第三行 - P2第一行
    A.row(3) = pt2[1] * P2.row(2) - P2.row(1); // v2 * P2第三行 - P2第二行

    // 对A进行奇异值分解 (SVD)
    Eigen::JacobiSVD<Eigen::Matrix4d> svd(A, Eigen::ComputeFullV);
    Eigen::Vector4d triangulated_point = svd.matrixV().col(3); // 取最后一列,即最小奇异值对应的右奇异向量

    // 齐次坐标归一化,得到三维坐标
    point_3d(0) = triangulated_point(0) / triangulated_point(3);
    point_3d(1) = triangulated_point(1) / triangulated_point(3);
    point_3d(2) = triangulated_point(2) / triangulated_point(3);
}

代码解读:这段代码的核心就是构建那个4x4的矩阵A,然后做SVD。svd.matrixV().col(3) 取的是矩阵V的最后一列,在SVD中,这对应着最小的奇异值,其对应的右奇异向量就是方程组 A*x=0 在最小二乘意义下的解。最后一步归一化至关重要,因为SVD求解的是齐次坐标,其尺度是任意的,除以第四维就恢复了真实的尺度。

3.2 方法二:中点法(Mid-point Method)

线性三角化法虽然简单,但它最小化的误差是在“代数距离”上,并不是最符合几何意义的误差。中点法提供了一个更直观的几何解释。

它的思想是:从两个相机光心出发,分别作两条指向各自图像观测点的射线。理论上,这两条射线应该在三维空间相交于目标点。但由于噪声的存在,它们几乎永远不会完美相交。那怎么办?一个很自然的想法是:找一条线段,同时垂直于这两条射线,这条线段的中点,就可以作为三维点位置的估计。

具体步骤如下:

  1. 根据相机位姿和像素坐标,反投影得到两条射线在各自相机坐标系下的方向向量 d1 和 d2。
  2. 两条射线可以用参数方程表示:L1: C1 + λ1 * d1, L2: C2 + λ2 * d2。其中C1和C2是两个相机的光心位置。
  3. 我们想找到参数 λ1 和 λ2,使得点 P1 = C1 + λ1 * d1 和 P2 = C2 + λ2 * d2 之间的距离最短。连接P1和P2的线段,应该同时垂直于d1和d2。
  4. 根据垂直关系,可以列出一个关于 λ1 和 λ2 的二元一次方程组,求解即可。
  5. 最后,三维点坐标取 P = (P1 + P2) / 2。

我在一些对精度要求不是极端苛刻、但需要快速计算的移动端项目里用过这个方法,它的计算量比SVD小,而且几何意义非常清晰。

bool midPointTriangulation(const Eigen::Vector3d& cam_center1, const Eigen::Vector3d& ray_dir1,
                           const Eigen::Vector3d& cam_center2, const Eigen::Vector3d& ray_dir2,
                           Eigen::Vector3d& point_3d) {
    // 确保方向向量是单位向量
    Eigen::Vector3d d1 = ray_dir1.normalized();
    Eigen::Vector3d d2 = ray_dir2.normalized();

    // 计算连接两个相机光心的向量
    Eigen::Vector3d c2c1 = cam_center1 - cam_center2;

    // 根据几何关系,构建方程组系数
    // 我们希望找到 lambda1 和 lambda2,使得 (C1 + lambda1*d1) 和 (C2 + lambda2*d2) 的连线垂直于 d1 和 d2
    // 这等价于解方程: [ d1·d1, -d1·d2 ] [lambda1] = [ d1·c2c1 ]
    //                [ d1·d2, -d2·d2 ] [lambda2]   [ d2·c2c1 ]
    // 注意符号,这里推导时把C2移到左边了。

    double a = d1.dot(d1); // 实际上就是1,因为是单位向量
    double b = -d1.dot(d2);
    double c = d1.dot(c2c1);
    double d = d1.dot(d2); // 注意和b的关系
    double e = -d2.dot(d2); // 就是-1
    double f = d2.dot(c2c1);

    // 使用克莱姆法则解二元一次方程组
    double det = a * e - b * d;
    if (fabs(det) < 1e-6) {
        // 两射线近乎平行,三角化结果不可靠
        return false;
    }

    double lambda1 = (c * e - b * f) / det;
    double lambda2 = (a * f - c * d) / det;

    // 计算两个射线上的最近点
    Eigen::Vector3d p1 = cam_center1 + lambda1 * d1;
    Eigen::Vector3d p2 = cam_center2 + lambda2 * d2;

    // 取中点作为最终的三维点估计
    point_3d = 0.5 * (p1 + p2);
    return true;
}

踩坑提醒:这个方法对射线方向非常敏感。如果两视图的视角变化很小(基线短),或者特征点定位不准导致反投影射线方向误差大,那么两条射线可能近乎平行,此时 det 接近零,解会非常不稳定,算出来的点可能跑到无穷远处。所以实际使用时,一定要加上对 det 的判断,并考虑三角化的角度。

3.3 方法三:迭代优化法(非线性优化)

前面两种方法都是“一步到位”的线性求解。但理论上,最准确的方法应该是直接最小化重投影误差。什么是重投影误差?就是我估计出一个三维点P,然后把它按照相机模型重新投影到两个图像上,得到预测的像素坐标 p1_pred 和 p2_pred。然后我计算预测坐标和实际观测到的坐标 p1_obs, p2_obs 之间的像素距离。这个距离就是重投影误差。我们的目标就是找到那个三维点P,让这个误差的总和最小。

这显然不是一个线性问题了,需要用非线性优化的方法,比如高斯-牛顿法或列文伯格-马夸尔特法。在SLAM系统中,我们经常把很多个点的三角化和相机位姿一起放进一个大的优化问题里求解,这就是所谓的Bundle Adjustment(光束法平差)。

虽然完整的BA比较复杂,但我们可以看看针对单个点的重投影误差优化是什么样子:

// 定义重投影误差的结构(用于Ceres Solver等优化库)
struct ReprojectionError {
    ReprojectionError(double observed_u, double observed_v,
                      const Eigen::Matrix3d& K,
                      const Eigen::Matrix3d& R, const Eigen::Vector3d& t)
        : observed_u(observed_u), observed_v(observed_v), K(K), R(R), t(t) {}

    template <typename T>
    bool operator()(const T* const point_3d, // 三维点参数块,[x, y, z]
                    T* residuals) const {    // 残差输出
        // 将三维点变换到相机坐标系
        Eigen::Matrix<T, 3, 1> P_cam = R.cast<T>() * Eigen::Matrix<T, 3, 1>(point_3d[0], point_3d[1], point_3d[2]) + t.cast<T>();

        // 检查深度,必须为正
        if (P_cam(2) < T(1e-3)) {
            return false;
        }

        // 投影到归一化平面
        T xp = P_cam(0) / P_cam(2);
        T yp = P_cam(1) / P_cam(2);

        // 应用内参,得到预测的像素坐标
        T predicted_u = K(0,0) * xp + K(0,2);
        T predicted_v = K(1,1) * yp + K(1,2);

        // 计算残差:观测值 - 预测值
        residuals[0] = T(observed_u) - predicted_u;
        residuals[1] = T(observed_v) - predicted_v;
        return true;
    }

    double observed_u, observed_v;
    Eigen::Matrix3d K;
    Eigen::Matrix3d R;
    Eigen::Vector3d t;
};

// 使用示例(伪代码):
void optimizeTriangulation(const Eigen::Vector2d& pt1, const Eigen::Vector2d& pt2,
                           const Eigen::Matrix3d& R1, const Eigen::Vector3d& t1,
                           const Eigen::Matrix3d& R2, const Eigen::Vector3d& t2,
                           const Eigen::Matrix3d& K,
                           Eigen::Vector3d& initial_guess) { // initial_guess可由线性三角化提供
    // 创建优化问题
    ceres::Problem problem;

    // 为第一个视图添加残差块
    ceres::CostFunction* cost_function1 =
        new ceres::AutoDiffCostFunction<ReprojectionError, 2, 3>(
            new ReprojectionError(pt1(0), pt1(1), K, R1, t1));
    problem.AddResidualBlock(cost_function1, nullptr, initial_guess.data());

    // 为第二个视图添加残差块
    ceres::CostFunction* cost_function2 =
        new ceres::AutoDiffCostFunction<ReprojectionError, 2, 3>(
            new ReprojectionError(pt2(0), pt2(1), K, R2, t2));
    problem.AddResidualBlock(cost_function2, nullptr, initial_guess.data());

    // 配置并运行求解器
    ceres::Solver::Options options;
    options.linear_solver_type = ceres::DENSE_QR;
    options.minimizer_progress_to_stdout = false;
    ceres::Solver::Summary summary;
    ceres::Solve(options, &problem, &summary);

    // 优化后的结果就在 initial_guess 中
}

经验之谈:非线性优化精度最高,但计算量也最大,而且需要一个好的初始值(通常就用线性三角化的结果)。在实际的SLAM系统里,对于新检测到的特征点,我们往往先用线性三角化得到一个初始深度,然后随着相机运动,收集更多观测帧,再用滤波或优化的方式不断迭代更新这个深度值,这就是“深度滤波器”的工作。VINS和ORB-SLAM中的三角化线程干的就是这个事。

4. 工程实践中的挑战与应对策略

纸上谈兵总是容易的,但把三角化真正用到机器人、AR这些实时系统里,你会遇到一堆坑。我结合自己调试SLAM系统的经验,聊聊几个最常见的挑战和解决办法。

4.1 深度值的“正负”与“尺度”问题

这是一个初学者最容易懵的地方。你用线性三角化算出一个点 [0.1, 0.2, -0.5],这个Z坐标是-0.5,这合理吗?在相机坐标系下,相机光心通常是原点,光轴是Z轴正方向。所以,一个有效的三维点,其Z坐标(深度)必须是正数。如果算出来是负的,那说明这个点其实在相机的后面,这通常意味着特征点匹配错了,或者相机位姿估计错了。

怎么处理?在三角化之后,必须检查深度值的正负。通常我们会检查在两个相机坐标系下的深度是否都为正。在ORB-SLAM的初始化阶段,这个检查非常严格,因为初始的位姿和地图如果建错了,后面整个系统都会跑偏。

另一个问题是“尺度”。在单目SLAM中,从图像恢复的三维结构,其绝对尺度是未知的。你的三角化结果告诉你两点距离是1.0,但这个“1.0”可能对应现实中的1厘米,也可能是1米。这个尺度因子需要通过其他信息来确定,比如引入一个已知真实尺寸的物体(比如一张A4纸),或者通过IMU传感器(因为加速度计测量的是有物理单位的加速度)。在纯视觉初始化时,我们通常固定第一个相机到第二个相机的平移向量的模长为1,从而确立一个初始尺度,后续再通过优化和回环检测进行尺度修正。

4.2 三角化的“视差角”陷阱

三角化的精度严重依赖于视差角,也就是两个相机光心与三维点连线之间的夹角。我打个比方:你要用三角测量法测一个塔的高度,如果你站在塔底很近的两个点去测,那么算出来的高度会非常不准确,因为两条视线几乎平行。但如果你走到很远的地方,从两个差异很大的角度去测,结果就会准很多。

在视觉里也一样。如果两帧图像之间相机移动很小(比如高速运动的无人机,相邻帧间隔时间极短),基线短,视差角就小。这时候,像素观测的微小噪声(比如特征点提取差一个像素),会被放大成巨大的深度误差。你可能算出来深度是10米,实际可能是100米或者1米。

工程上的策略:

  1. 延迟三角化:不要一匹配上特征点就立刻三角化。等这个特征点被跟踪了足够多的帧,并且相机已经运动产生足够大的视差(比如超过5度)时,再进行三角化。ORB-SLAM就是这么干的。
  2. 设置视差阈值:在三角化前,计算两帧之间的旋转平移,估算视差角,如果小于阈值(例如3度),就认为三角化不可靠,放弃或等待后续帧。
  3. 使用多帧信息:不仅仅用两帧,而是用多帧观测一起进行三角化(比如用SVD构建一个更大的矩阵),这可以在一定程度上平摊噪声,提高鲁棒性。

4.3 应对噪声与误匹配:RANSAC的威力

真实图像中,特征点匹配不可能100%正确。总会有一些“外点”混进来,它们要么是匹配错了,要么是图像中的动态物体(比如走过的人)。如果用这些外点去三角化,不仅这个点本身是错的,还可能污染后续的优化。

怎么办?RANSAC 是解决这个问题的神器。它的思想很巧妙:我不指望所有数据都是好的,我假设数据里既有“内点”(正确的匹配)也有“外点”(错误的匹配)。我随机从匹配点对中抽选一小部分(比如8对),用它们来计算一个模型(比如基础矩阵F或者单应矩阵H),然后用这个模型去测试所有的匹配点,看看有多少点符合这个模型(误差小于某个阈值),这些就是“内点”。重复这个过程很多次,最后选择那个拥有最多“内点”的模型。

在三角化的上下文中,我们通常先用RANSAC结合对极几何(八点法求F或E矩阵)来筛选出正确的匹配点对。只有那些被判定为“内点”的匹配,才会被送去进行三角化。这一步过滤,能极大地提升初始地图点的质量。

// 一个简化的RANSAC三角化流程思路
std::vector<bool> inlier_mask;
int num_inliers = findFundamentalMatrixRANSAC(keypoints1, keypoints2, inlier_mask);

std::vector<Eigen::Vector3d> triangulated_points;
for (size_t i = 0; i < keypoints1.size(); ++i) {
    if (inlier_mask[i]) {
        Eigen::Vector3d pt3d;
        if (triangulateWithCheck(R1, t1, R2, t2, keypoints1[i], keypoints2[i], K, pt3d)) {
            // 检查深度为正、重投影误差小等
            if (checkReprojectionError(pt3d, ...) < threshold) {
                triangulated_points.push_back(pt3d);
            }
        }
    }
}

4.4 三角化失败的处理与深度滤波

不是所有匹配点都能成功三角化。除了前面说的视差不足、深度为负,还可能因为数值不稳定导致SVD求解失败。一个健壮的系统必须有完善的处理机制。

更高级的策略是使用深度滤波器。对于一个新的特征点,我们不急于给它一个确定的深度值,而是给它一个深度估计的概率分布(通常用高斯分布表示,有一个均值和一个方差)。当这个点被后续新的帧观测到时,我们就用新的观测来更新这个分布(类似于卡尔曼滤波)。随着观测次数的增加,深度的估计会越来越准(方差越来越小)。当方差小到一定程度时,我们才认为这个点的深度已经收敛,可以把它正式地加入到三维地图中。SVO(半直接视觉里程计)这套方案就把深度滤波器用到了极致。

这就像我们对一个陌生人的距离进行猜测。第一眼看去,你大概觉得他在5到15米之间(方差很大)。你走几步换个角度看,发现他在8到12米之间(方差缩小)。又看了几眼后,你确信他在10米左右(方差很小,深度收敛了)。这个不断迭代更新的过程,比只用前两帧“猜”一次要稳健得多。

OpenMVS稠密点云重建实战:从深度图计算到多视图融合的完整流程解析 本文深入解析了OpenMVS稠密点云重建的完整流程,涵盖从深度图计算到多视图融合的核心步骤。通过剖析PatchMatch立体匹配、深度图优化与多视图一致性融合等关键技术,为开发者提供了从算法原理到实战调参的清晰指南,帮助高效处理三维重建项目,生成高质量的三维模型。 阅读详情

相关推荐

Unity AR开发实战:基于Intel RealSense深度摄像头实现环境感知与三维交互

深度感知是计算机视觉与增强现实(AR)领域的核心技术,它通过传感器获取场景的三维几何信息,为虚拟与现实的融合提供空间理解基础。其原理通常基于结构光、双目视觉或飞行时间法,测量物体到相机的距离,生成深度图。这项技术的核心价值在于突破了传统AR仅依赖平面识别的局限,实现了精准的遮挡处理、物理交互和三维重建,从而大幅提升沉浸感与实用性。在工业巡检、虚拟仿真、智能测量等应用场景中,深度摄像头(如Intel RealSense)成为关键硬件。本文聚焦于利用Intel RealSense D435i等设备,结合Unit

weixin_34074740的博客 338

三角化相关总结

本文转自大佬博客https://blog.youkuaiyun.com/weixin_44580210/article/details/90679847《多视图几何总结——三角形法》。 在《视觉SLAM14讲》中,三角测量那一节简单介绍了如何通过两帧中匹配的点获得空间点深度,这对单目相机的成像是非常重要的,其证明如下,设,分别为两帧中匹配好的特征点的归一化坐标,然后满足: 我们已经知道变换矩阵R和t,然后上面方程左乘一个就可以求得,如下: 很简单的,文中也...

qq_38167930的博客 2362

光学中心偏移计算与相机标定:主点为什么不在中心及ISP应用

相机标定是计算机视觉与图像处理的基础环节,而主点作为内参矩阵中的核心参数,直接决定了畸变校正、镜头阴影补偿等ISP模块的精度。很多人默认主点位于图像几何中心,然而镜筒公差、装配误差等因素会让光学中心偏移数十甚至上百像素。本文从针孔模型与重投影误差原理出发,介绍张正友标定法等主点计算路线,分析主点偏移对LSC、畸变校正、EIS及多摄融合的实际影响,并给出基于OpenCV的完整标定流程与验证方法。工程实践中,准确计算光学中心偏移是提升图像质量、避免暗角不均与边缘畸变的关键,也是相机模组量产调试的基础保障。

weixin_33811539的博客 386

VINS-mono中的三角化方法(SVD)

目录1 引言2 三角化(14讲方法)3 三角化(SVD方法)4 两套代码示例4 非常感谢您的阅读 1 引言 最近在跟着高博的《视觉SLAM十四讲》,自己手写一个双目里程计的一个项目,进行到了特征点的三角化部分时,发现其用的和VINS-mono一个方法。他并没有直接调用OpenCV中的现成函数,而是用了SVD分解的方法。所以心想写一个关于SVD分解进行特征点三角化的博客,加深一下印象。 2 三角化(14讲方法) 三角化又叫三角测量,本质是用相机的运动估计特征点的空间位置,发生在估计得到帧间运动之后(单目)。三

Walking_roll的博客 4702

三维重建-三角化

三角化算法是计算机视觉和三维重建领域中常用的技术,用于从多个视角的图像或视觉数据中推导出场景中的三维结构信息。三角化算法利用视觉几何原理,通过对多个视角下的特征点或对应点进行测量和分析,计算出这些点在三维空间中的位置。下面是一个简单的三角化算法的步骤:特征提取:对于每个视角的图像或视觉数据,首先从中提取出一些可以匹配的特征点,比如角点、边缘点或描述符。特征匹配:将不同视角中的特征点进行匹配,找出在多个视角下都有对应关系的特征点对。

点云兔子的博客 2619

【从零开始学习SLAM】三角化方法求3D空间点的深度

文章目录运行结果算法解析源码解读 运行结果 算法解析 三角化获得地图点深度 两张图像上相同颜色的代表深度相同。 通过三角测量及像素上的匹配点,可以求出路标即P点基于第一个相机坐标系的三维坐标点,然后通过对极约束求出的R,t可以求出在第二个相机坐标系上路标P点的三维坐标值。 点的位置用坐标表示 二维坐标 三维坐标 点的姿态用指定的坐标系来描述 姿态就是RT矩阵 这是求出的深度数据的类型 假设x1x_1x1​与x2x_2x2​为两个特征点归一化相机坐标 其中s1s1s1和s2s2s2是深度信息 两边同时左

小秋 AI SLAM 入门实战教程 2364

【计算机图形学】多视几何010:三角化

拍照的逆向过程:K+T+两张图像⇒X拍照的逆向过程:K+T+两张图像\Rightarrow X拍照的逆向过程:K+T+两张图像⇒X 添加链接描述

ResumeProject的博客 1575

Python单目双目三维重建:从相机标定到点云生成全流程

三维重建是计算机视觉的核心技术之一,其原理基于相机成像模型与多视角几何。通过相机标定获取精确的内外参数,再经立体匹配计算视差,即可生成深度图与三维点云。该技术在机器人抓取、视觉SLAM、三维扫描等领域具有广泛的应用价值。对于普通开发者而言,利用Python与OpenCV即可构建完整的重建流程,不必依赖昂贵设备。本内容从基础概念出发,系统讲解单目与双目视觉的数学模型,包括针孔模型、焦距与视差关系、立体校正及SGBM匹配算法,并梳理点云生成与后处理的关键步骤。通过实际源码演示,帮助读者理解从二维图像到三维点云的

weixin_30607125的博客 302

终极指南:COLMAP三维重建中的线性代数优化从数学原理到工程实践

COLMAP是一款强大的Structure-from-Motion(运动恢复结构)和Multi-View Stereo(多视图立体匹配)工具,它通过线性代数优化技术将二维图像转化为精确的三维模型。本文将深入浅出地解析COLMAP背后的数学原理与工程实现,帮助你快速掌握三维重建的核心技术。 ## 三维重建的数学基石:线性代数核心概念 三维重建本质上是通过求解复杂的线性方程组来恢复空间结构。COL

gitblog_00687的博客 614

无人机航拍三维场景重建实战:COLMAP+Open3D全流程解析

三维重建是计算机视觉与摄影测量的核心方向,通过多视角影像恢复场景几何与纹理。其原理基于特征匹配与三角化,即SfM稀疏重建相机位姿,MVS稠密重建生成高密度点云。这项技术广泛应用于实景三维、数字孪生与智慧城市等场景。本文以无人机航拍数据为例,完整介绍了从影像采集、重叠度规划到COLMAP与Open3D的工程化重建流程,涵盖特征提取、增量式SfM、PatchMatch深度估计、点云滤波与泊松重建,并给出可复现的Python源码与参数调优经验,为测绘、GIS及计算机视觉方向的毕设和工程实践提供直接参考。

weixin_32678995的博客 180

OpenCV三维点云重建:法线估计与表面网格生成实践指南

三维重建是计算机视觉与几何处理中的核心任务,广泛用于工业测量、机器人导航和逆向工程。从深度图到可交付的三角网格,关键链路包括坐标反投影、法线估计与表面网格生成。其中,法线估计通过PCA计算局部切平面方向,为网格生长提供几何约束;表面网格生成则可采用贪婪投影三角化、泊松重建或TSDF方案。OpenCV提供深度图获取与标定基础,而Open3D等库补充完整重建流程。本文面向基于OpenCV的点云处理工程实践,解析法线估计参数、网格化选型与调参避坑,帮助工程师获得稳定、可测量的重建结果。

weixin_29531177的博客 206

相机归一化全解析:从像素坐标到三维重建的工程实践

归一化是数学与工程中的基础操作,在计算机视觉领域却有着深远影响。它不仅是图像预处理中压缩灰度范围的手段,更是相机几何模型中连接像素坐标与三维空间的关键桥梁。通过将像素坐标转换到归一化平面,可以消除内参矩阵的影响,得到光线方向,从而为相机标定、特征匹配与三维重建奠定基础。归一化还能显著改善数值稳定性,避免病态矩阵,在SLAM、双目视觉、深度图转点云等任务中具有重要价值。正确实施归一化,能有效提升测量精度与算法鲁棒性,是视觉工程中绕不开的核心步骤。本文结合公式与可运行代码,系统梳理相机归一化的多种形式及其在标定

weixin_33971977的博客 340

22版本Altium Designer导出生产文件的规范化操作指南

本文详细介绍了PCB设计中的Gerber文件导出流程及相关文件生成方法。主要内容包括:1)Gerber文件导出的5个关键设置步骤;2)NC钻孔文件的导出方法;3)坐标文件的生成方式;4)文件打包规范要求必须包含Gerber文件、NC钻孔文件和坐标文件;5)文件提交的两种方式(新手推荐提交原始工程文件,量产推荐仅提交Gerber文件包)。文章还特别强调了单位一致性、精度验证等注意事项,为PCB设计文件的规范输出提供了完整指导。

qq_56506325的博客 1060

三维重建 —— 从多视图几何到SfM实战:运动恢复结构的核心算法与歧义解析

本文深入解析了运动恢复结构(SfM)的核心算法,从多视图几何原理出发,详细阐述了欧式结构恢复中本质矩阵分解与尺度歧义、仿射结构恢复的局限性,并提供了从特征匹配、鲁棒估计到增量式重建与捆绑调整的完整实战流程,是掌握三维重建技术的实用指南。

oil88的博客 521

睿思综述智能体:100篇高质量文献一键生成万字长文,还能联网PubMed,科研效率拉满!

对一个主题进行文献综述,是日常科研人绕不过去的工作,无论是写论文前言,综述论文,或者基金申请书的立项依据,需要根据主题,从海量文献中提取相关信息,梳理出清晰的逻辑线,再组织成流畅的文字。4 一键生成万字全文:大纲确认后,它会基于对所有论文的深度理解,逐个章节进行详细撰写,最终生成一篇逻辑连贯、内容翔实、引用规范的万字综述长文,并直接保存为Word(.docx)文件。3 智能撰写大纲:你可以提供自己的大纲,也可以让它根据所有文献内容,智能生成一个逻辑清晰的综述大纲,并支持你在此基础上修改。

dinaxuejie的博客 822

matlab 三维绘图 抛光,瓷砖抛光过程建模与仿真

:瓷砖抛 光过程 建模与仿真朱 成 就(广 东工业大学 机 电工程 学院, 广东广州 )摘要 :瓷砖的抛磨影响 因素众 多 ,实际磨削加工时容易出现漏抛 、返抛现象 。对陶瓷抛光机磨头进行运动学分析 ,并基于不 同粒度号 的磨 粒在一定压力下的加工深度模型 ,探讨抛光机磨 头转 速 、横梁摆动频率 、传送速度对瓷砖抛光加工表 面均匀性 的影响,然 后结合 磨削机理使 用 对陶瓷抛光过程进行仿真 ...

weixin_36331058的博客 748

openMVS深度解析:核心架构与算法实现原理

openMVS是一款强大的开源多视图立体视觉(Multi-View Stereo)重建库,能够从多张二维图像中精确重建出三维场景结构。本文将深入剖析其核心架构设计与关键算法实现原理,帮助开发者快速理解这个开源项目的技术精髓。 ## 项目架构概览 🏗️ openMVS采用模块化设计,主要分为应用程序层、核心库层和外部依赖层三个层次。核心代码组织在`libs/`目录下,包含四大功能模块: -

gitblog_00973的博客 529

GitHub 镜像站点

国内访问 GitHub 有时会遇到速度慢或不稳定的情况,这时 GitHub 镜像站点就能帮上忙。它们通过代理或缓存机制,让你更顺畅地浏览仓库、下载资源甚至克隆代码。希望这些信息能帮你更顺畅地访问 GitHub 资源。下面表格汇总了一些常见的镜像站及其主要用途。

BillKu的博客 6万+

COLMAP核心技术解析:多视图立体视觉(MVS)如何重塑3D重建流程

多视图立体视觉(Multi-View Stereo, MVS)技术通过融合多张二维图像的深度信息,实现高精度三维场景重建,已成为计算机视觉领域的核心技术之一。COLMAP作为开源Structure-from-Motion(SfM)与MVS集成工具,其MVS模块通过PatchMatch算法与深度图融合技术,构建了从稀疏点云到稠密模型的完整工作流。本文将深入解析COLMAP中MVS的技术原理、实现细节...

gitblog_01011的博客 1079

citespace基本操作

聚类分析 时间线图 这些结果都是高被引文献的相关呈现结果,代表该领域的文献基础 下面可以看看该project的前沿领域 选择keywords 和term go! 调整显示方式 生成凸线图:表示 在某个研究领域或者时间段内 ,大家对某个领域或者某个词的关注度突然增高,凸显前沿方向的转变 以此来发现热点 ...

生信小博士的博客 1万+

AI算力网络与通信领域QoS保障的测试方法

在当今数字化时代,AI技术蓬勃发展,AI算力网络应运而生。它将分布在不同地理位置的算力资源进行整合,以高效地支持各种AI应用,如深度学习训练、智能图像识别等。而通信领域则是信息传输的基石,确保数据能够准确、快速地在不同节点之间传递。QoS保障在通信领域至关重要,它可以确保不同类型的业务(如语音通话、视频会议、在线游戏等)获得与其需求相匹配的服务质量。在AI算力网络中,QoS保障同样不可或缺,因为AI任务对网络的带宽、延迟、可靠性等指标有严格要求。

AI算力网络与通信的博客 529

(01)ORB-SLAM2源码无死角解析-(14) 地图初始化→单目初始化MonocularInitialization():尺度不确定性

上一篇博客我们讲解了 src/Tracking.cc 文件中: void Tracking::Track() 函数,我相信大家暂时都是蒙蔽了,不过没有关系,我们对其进行拆分,一个一个细节的来进行讲解。// Step 1:地图初始化 if(mState == NOT_INITIALIZED) {if(mSensor == System :: STEREO || mSensor == System :: RGBD) //双目RGBD相机的初始化共用一个函数 StereoInitialization();

江南才尽江南山,年少无知年少狂! 2026

具身智能:原理、算法与系统 第1章 具身智能的本质与范畴

从学术定义的角度,具身智能可被界定为"与物理环境进行有目的的能量与信息交换"的智能形式。这一定义揭示了具身智能的两个本质维度:信息处理维度与能量交互维度。与传统人工智能系统仅在信息空间操作不同,具身智能系统必须同时处理信息流与能量流,在物理约束下实现感知、认知与行动的统一。具身智能体具有三个核心构成要素:物理身体(Physical Body)、感知系统(Sensory System)与效应器(Effectors)。这三者共同构成了感知与行动的基础,使智能体能够通过物理交互而非纯粹符号操作来理解世界。

VectorShift的博客 271

对级几何、PnP和ICP估计三维位姿

视觉SLAM中估计三维位姿的三种方式: 首先摆出结论: 2D-2D 对级几何 3D-2D PnP 3D-3D ICP 对级约束 用在单目初始化中估计第一帧和第二帧之间的位姿变化R,t。再进行三角化求出特征点的相对深度,后续的帧间位姿都是使用PnP来估计的。 对级几何中首先根据匹配的特征点计算E、F或H,八点法等,最后根据SVD分解求得R,t。 PnP 已知:第一帧中特征点...

SLAM的博客 1915

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

VGGSfM核心功能揭秘:从稀疏点云到稠密深度图的完整工作流

VGGSfM(Visual Geometry Grounded Deep Structure From Motion)是CVPR 2024 Highlight项目,它通过视觉几何引导的深度学习方法,实现了从多张二维图像到三维场景重建的完整工作流。无论是文化遗产数字化、逆向工程还是增强现实应用,VGGSfM都能提供高精度的三维重建结果,帮助用户轻松将现实世界转化为数字资产。 ## 📌 核心功能概

gitblog_00809的博客 652

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: Simulink中Powergui的FFT分析实战:信号源格式选择与版本适配技巧
下一篇: Conda环境变量引发的CPU占用之谜
bread
博客等级 码龄26年 60粉丝 1210原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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