- 博客(191)
- 收藏
- 关注
RSS订阅原创 双目三维重建-4三维重建
本文介绍了基于立体视觉的三维重建过程。首先对左右相机图像进行立体矫正，转换为单通道后检测棋盘格角点。通过三角测量(triangulatePoints)计算三维坐标，使用Open3D库可视化重建的点云数据，并添加200mm坐标轴作为参考。最后将红色点云保存至D盘根目录。该流程完整展示了从立体图像到三维点云的重建过程。
2025-10-18 13:28:35
260
1
原创 双目三维重建-3立体矫正
立体矫正是通过调整双目相机图像，使空间中同一物体点在左右图像中位于同一行的处理过程。其理论基础是极线约束，通过cv2.stereoRectify函数实现，需输入相机内参、畸变系数、图像尺寸和RT矩阵等参数。使用CALIB_ZERO_DISPARITY模式可确保光心点投影一致。实际测试显示，矫正后图像对应点确实对齐到同一行，但边缘可能出现黑边。该技术为立体视觉应用提供了精确的图像对齐基础。
2025-10-15 01:40:55
240
原创 双目三维重建-2双目系统标定
双目系统通过两个并排相机模拟人眼，在XY信息基础上增加深度（Z方向）信息。双目标定需要输入标定板三维角点、左右相机的二维像素点及各自内参矩阵和畸变系数。标定输出包括优化后的相机内参、畸变系数、左右相机间的旋转矩阵R和平移向量T，以及本质矩阵E和基础矩阵F。其中内参矩阵和RT矩阵（描述左右相机坐标系转换）是后续应用的关键。标定误差以像素单位衡量，若小于0可能标定失败需检查数据。
2025-10-14 22:45:40
438
原创 双目三维重建-1相机标定
本文介绍了双目相机系统的标定方法，重点说明了如何分别标定两个相机的内参和畸变系数。文章详细描述了标定流程：使用棋盘格标定板，同时拍摄左右相机图像；通过OpenCV函数检测和优化角点位置；收集角点数据后进行单相机标定，最终获取并保存每个相机的内参和畸变系数，为后续双目标定做准备。文中还特别强调了图像读取参数设置、角点检测精确化等关键操作细节。
2025-10-13 22:49:33
453
原创 OPENCV 基于旋转矩阵 旋转Point2f
摘要：该代码演示了使用OpenCV实现点绕另一个点旋转45度的过程。首先读取背景图片，创建两个初始点p1(350,150)和p2(550,150)。然后以p1为中心点生成45度旋转矩阵，对p2进行坐标变换，得到旋转后的新坐标。最后在原图上绘制三个点（p1、p2和旋转后的点）以及连接线，直观展示旋转效果。代码通过矩阵变换实现几何旋转，并输出旋转后的坐标值，验证了变换的正确性。
2025-09-01 19:45:55
370
原创 open3d python 鞋底点云点胶路径识别
本文提出了一种基于点云处理的鞋底点胶路径自动生成方法。首先对输入的鞋底点云进行预处理，包括体素降采样、AABB边界裁剪、统计滤波去噪和DBSCAN聚类。通过将点云投影到二维平面并提取轮廓，获得200个均匀分布的边缘点。然后改进算法在XY平面内沿法线方向搜索最高点，生成初始点胶路径。进一步通过向内偏移处理优化路径位置，并计算各路径点的法向量以指导机械手位姿。实验结果表明，该方法能有效识别鞋底边缘并生成合理的点胶路径，为自动化点胶工艺提供了可靠的技术方案。
2025-08-05 21:33:02
365
原创 本地部署DeepSeek
LLaMA-7B、LLaMA-13B、GPT-NeoX-3B、DeepSeek 中型模型。：LLaMA-30B、LLaMA-65B、GPT-J-6B、DeepSeek 大型模型。：GPT-2 Small、LLaMA-7B（量化版）、DeepSeek 小型模型。：GPT-3（175B）、BLOOM（176B）、DeepSeek 超大型模型。：适合高性能需求的任务，如大规模文本生成、复杂推理、研究实验等。：适合中等规模的任务，如复杂文本生成、对话系统、代码生成等。：适合资源有限的设备，同时保持较高的性能。
2025-02-25 19:54:28
1327
原创 HALCON从入门到入门-单目对焦测距-三维重建
对焦测距是一种采用不同光学参数进行拍摄，在一系列物体图像中找出最清晰的像，并根据几何光学成像原理来计算物体深度的方法。其基本原理是，当镜头对焦于某一物体时，该物体在图像传感器上形成的像最为清晰。通过比较不同焦点位置下的图像清晰度，可以确定物体与相机之间的距离。不同高度上拍摄几十张图像。
2025-02-11 13:47:23
427
原创 使用mediapipe库 推测手指关节位置
MediaPipe是一个由Google开发的开源项目，旨在提供一个开源的、跨平台的常用机器学习（Machine Learning）方案。
2024-11-22 16:46:40
358
原创 halconDL 语义分割 推测 infer模块 部署到CPP
Halcon的语义分割功能是其图像处理与计算机视觉工具箱中的一项重要技术，它基于深度学习的先进算法，实现了对图像中每个像素的精确分类。这一功能不仅能够识别图像中的不同物体，还能进一步理解这些物体的属性和它们之间的关系，为图像分析和理解提供了更深层次的语义信息。在Halcon的语义分割中，通过训练深度学习模型，系统能够学习到图像中各种物体的特征表示，这些特征包括但不限于颜色、纹理、形状和空间关系等。
2024-11-21 16:12:15
210
原创 halconDL 语义分割 推测 infer
Halcon是一款功能强大的机器视觉软件，支持深度学习的训练和推理，能够帮助开发者和研究者在实际应用中实现高性能的语义分割任务。以下是对Halcon深度学习语义分割功能的详细介绍：一、语义分割基本概念语义分割（Semantic Segmentation）是图像处理和机器视觉的一个重要分支，其目标是精确理解图像场景与内容。具体而言，语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别来理解图像的。
2024-11-20 13:56:40
345
原创 halconDL 语义分割 评估 eval
Text[|Text|]：=“这有助于理解模型中哪些类是容易的，哪些类是困难的”Text[|Text|]：='此示例涵盖了第3部分：“训练模型的评估”。Text[|Text|]：='对角线上的非零条目和其他所有地方的零条目。Text[|Text|]：='首先，我们计算“测试”分割的评估度量。Text[|Text|]：='下面，您可以看到整体像素精度的计算。因此，这一措施非常适合”Text[|Text|]：='下面，您可以看到类IoU的计算示例'Text[|Text|]：='请注意，我们将保存内存优化模型'
2024-11-20 13:55:19
91
原创 halconDL 语义分割 训练 Train
Halcon是一款功能强大的机器视觉软件，支持深度学习的训练和推理，能够帮助开发者和研究者在实际应用中实现高性能的语义分割任务。以下是对Halcon深度学习语义分割功能的详细介绍：一、语义分割基本概念语义分割（Semantic Segmentation）是图像处理和机器视觉的一个重要分支，其目标是精确理解图像场景与内容。具体而言，语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别来理解图像的。
2024-11-11 16:53:22
234
原创 halconDL 语义分割 预处理 preprocess
简介Halcon是一款功能强大的机器视觉软件，支持深度学习的训练和推理，能够帮助开发者和研究者在实际应用中实现高性能的语义分割任务。以下是对Halcon深度学习语义分割功能的详细介绍：一、语义分割基本概念语义分割（Semantic Segmentation）是图像处理和机器视觉的一个重要分支，其目标是精确理解图像场景与内容。具体而言，语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别来理解图像的。例如，在一张照片中，属于人的像素部分会被划分成一类，属于摩托车的像素会被划分
2024-11-11 16:51:32
193
原创 HALCON从入门到入门-高斯滤波的几种方式
图像平滑（image smoothing），也称为图像模糊处理或图像滤波（image filtering），是一种图像处理技术，旨在弱化或消除图像中的细节、突变、边缘和噪声。derivate_gauss 是HALCON图像处理库中的一个重要算子，它实现了图像与高斯函数导数的卷积操作。derivate_gauss算子主要用于计算图像的高斯导数，这是一种结合了高斯滤波和平滑导数的技术。通过计算图像的高斯导数，可以有效地提取图像的边缘、角点等特征，同时平滑图像中的噪声。
2024-10-18 10:45:50
1210
原创 HALCON从入门到入门-对比三种滤波方式
Guided Filter，即引导滤波，是一种图像滤波技术，它通过一张引导图（可以是输入图像本身或其他图像）对目标图像进行滤波处理，使得最后的输出图像在保持大体上与输入图像相似的同时，纹理部分与引导图相似。Bilateral_filter（双边滤波器）是一种非线性的滤波方法，它结合了图像的空间邻近度和像素值相似度进行折中处理，同时考虑空域信息和灰度相似性，以达到保边去噪的目的。各向异性扩散（Anisotropic Diffusion）是一种图像处理技术，旨在减少图像噪声的同时保持图像的边缘和细节。
2024-10-17 14:44:54
865
原创 HALCON从入门到入门-沿着趋势滤波
coherence_enhancing_diff（操作员）名字coherence_enhancing_diff— 执行图像的相干性增强扩散。签名描述该运算符执行 输入图像上的各向异性扩散过程coherence_enhancing_diff自 增加 中包含的图像结构的连贯性.特别是，非连续图像边缘是 通过扩散连接，而不是垂直于 他们的主导方向。为此，使用各向异性扩散 方程coherence_enhancing_diff由 Weickert 配制。系数为 2x2 矩阵 G，它依赖于。
2024-10-17 14:22:29
1098
原创 Kita的面结构光三维重建（三） 相机平行放置，计算棋盘格角点三维坐标
结构光三维重建中，最主要的工作就是如何快速准确的实现两个相机图像中对应点的匹配这里简单起见，我们使用标定板的8*11个点来快速实现对应点匹配，计算视差。
2024-09-30 14:28:54
391
原创 Kita的面结构光三维重建（一） 如何进行双目系统标定
双目系统，顾名思义，是由两个摄像头组成的视觉系统。这两个摄像头模拟人类双眼的工作原理，通过同时捕捉同一场景的两幅图像，利用图像之间的差异（即视差）来计算场景中物体的三维信息，特别是深度信息。双目系统的工作原理主要基于三角测距法。当两个摄像头从稍微不同的角度观察同一场景时，它们会捕捉到略有差异的图像。这些差异（视差）可以用于计算场景中每个点的三维坐标。具体来说，通过比较两幅图像中对应点的位置，可以计算出这些点在三维空间中的相对位置，从而重建出场景的三维模型。
2024-09-30 14:24:29
293
原创 open3d python ISS关键点提取
二、应用场景三、算法实现在Open3D中，ISS关键点提取算法可以通过compute_iss_keypoints函数实现。该函数接受一个点云对象作为输入，并输出一个包含关键点点坐标的对象。此外，用户还可以通过设置参数来调整关键点提取的阈值和范围，以满足不同的应用需求。四、注意事项综上所述，Open3D中的ISS关键点提取算法是一种有效的三维点云特征提取方法，具有广泛的应用前景和重要的研究价值。
2024-09-10 23:14:49
386
原创 open3d python 使用齐次变换矩阵来实现点云空间变换
在Open3D中，虽然直接提供了translate和scale等函数来方便地进行点云的空间变换，但你也可以使用齐次变换矩阵（Homogeneous Transformation Matrix）来实现更复杂的空间变换，包括平移、旋转和缩放。齐次变换矩阵是一个4x4的矩阵，它可以同时表示旋转、缩放和平移。以下是如何在Open3D中使用Python和齐次变换矩阵来实现点云的空间变换的步骤：1. 创建齐次变换矩阵首先，你需要根据所需的变换（旋转、缩放和平移）来构建齐次变换矩阵。
2024-09-06 16:44:05
484
原创 open3d python 对点云进行旋转操作
在Open3D中，点云的旋转可以通过多种数学表示方法来实现，包括旋转矩阵、欧拉角、旋转向量和四元数等。这些表示方法各有优缺点，但都可以相互转换，并用于描述三维空间中的旋转操作。在Open3D中，点云的旋转可以通过rotate函数实现。
2024-09-06 16:41:20
647
原创 open3d python 八叉树
二、八叉树在Open3D中的应用三、八叉树的构建与查询四、八叉树的优点与局限综上所述，Open3D中的八叉树是一种高效、灵活且可扩展的三维空间数据结构，在点云处理、三维可视化等领域具有广泛的应用前景。
2024-08-28 10:29:23
295
原创 HALCON从入门到入门-轮廓连接闭合
close_edges (Edges, EdgeAmplitude, EdgesExtended, 15)
2024-08-24 09:47:15
560
点云库（PCL）1.11.1环境下三维点云处理与可视化程序开发-基于VS2022
2025-02-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人