小测验——根据内参计算一对RGB-D图像对应的点云

于 2025-03-16 16:55:49 发布
阅读量111 收藏
点赞数
分类专栏： 三维重建 文章标签： 三维重建
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/m0_52592798/article/details/146291242
版权

文章目录

一、前述

emmm，cv2这个库，也就是opencv折腾了10分钟（Could not load the Qt platform plugin xcb in巴拉巴拉），果断放弃；换了python自带的库进行读取；理论部分还是参考了《视觉slam十四讲》中第五讲的内容
核心的话，其实就是这块，逐像素赋值
在这里插入图片描述

二、代码展示

提要：这里用的输入例子还是第五讲中的RGB-D实践那块，我选取了第一张rgb和深度图进行反投影至点云，pose里面的内容我没去用（因为都是位姿，是给拼接用的），然后cx = 325.5、cy = 253.5、fx = 518.0、fy = 519.0、depth_scale = 1000.0。这几个参数，我是直接抄下来了。

import numpy
了解本专栏 订阅专栏 解锁全文
【2025最新版】Open3D 深度图像与彩色图像生成RGBD/点云(用法总结)
点云侠的博客
08-24 6750
深度图像与彩色图像生成点云(用法总结)，代码为python版本。博客长期更新，本文最新更新时间为：2025年4月23日。
使用RGB-D图像解析室内场景
03-16
本文提出了一种基于RGB-D单帧分析室内场景曼哈顿结构的方法。将楼层平面图的恢复问题转化为一个最优标识问题，利用动态规划可以有效地解决这一问题
什么是RGB-D图像
qq_32951799的博客
11-21 2万+
转载：http://blog.youkuaiyun.com/jningwei/article/details/73609127 RGB-D图像其实是两幅图像：一个是普通的RGB三通道彩色图像，另一个是Depth图像。Depth图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。通常RGB图像和Depth图像是配准的，因而像素点之间具有一对一的对应关系。 可以参考： Lai, K.; Bo,
RGB-D Camera 汇总
热门推荐
MyArrow的专栏
09-27 2万+
1. RGB-D Camera光照技术 1.1  1.2 1.3  2. Kinect V1 vs Kinect V2 是基础的数据结构，是用来保存学习到的参数以及网络传输过程中产生数据的类。
RGB-D 图像 （Semantic Pose using Deep Networks Trained on Synthetic RGB-D）
家家的专栏
08-05 2329
RGB-D图像其实是两幅图像：一个是普通的RGB三通道彩色图像，另一个是Depth图像。Depth图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。通常RGB图像和Depth图像是配准的，因而像素点之间具有一对一的对应关系。 利用Kinect可以采集RGB-D 图像。。。 可以参考： Lai, K.; Bo, L.; Ren, X. & Fox, D. A large-sca
深度图像RGB-D
cbd_2012的博客
12-24 1443
深度图像RGB-D https://blog.youkuaiyun.com/jningwei/article/details/73609127 https://blog.youkuaiyun.com/qq_33826977/article/details/79817063 https://blog.youkuaiyun.com/zuochao_2013/article/details/69904758 深度图像的实施例子： ...
【nice-slam】Gaussian Splatting SLAM——基于RGB-D类型SLAM的定位与重建（3D-GS）（史上最详细nice-slam资料汇总）
格物致知
12-20 1821
NICE-SLAM一种结合了神经隐式表示和分层场景表示的密集RGB-D SLAM系统。该方法在保持神经隐式表示的表示能力的同时，通过引入分层场景表示来实现可扩展性和效率。具体来说，场景的几何和颜色信息由四个特征网格及其相应的解码器联合编码，这些网格在不同的空间分辨率上进行优化。在测试时，通过最小化重新渲染的损失，只优化当前视锥体内的特征，从而实现高效的局部更新。并在多个具有挑战性的数据集上进行了方法评估，结果表明NICE-SLAM在重建效果好和跟踪质量高。图2。
点云从入门到精通技术详解100篇-基于补全点云与图像像素级融合的障碍物识别
getusushu的博客
09-14 1450
而为网络的输出生成一个逐点的连续置信图，该框架并行处理图像和稀松的深度图，法，这种方法虽然能够得到目标识别的结果，但却丢失了点云中最重要的深度信息，到各种障碍物的距离、相对速度等数据，再根据运动传感器侦测到的自车的运动状。常用的车载传感器，得益于优良的成本控制，毫米波雷达应用于汽车工业已有相当。长的时间，但毫米波雷达的缺点十分明显，其探测距离不够、检测不到行人，无法。围目标的位置、速度及其他一些特征，探测结果具有范围广、精度高的优点。多传感器的感知融合技术可以更加充分的利用每个传感器性能的长处，取长。
点云从入门到精通技术详解100篇-基于激光点云和视觉融合的智能车前方障碍物检测（中）
getusushu的博客
04-08 373
失值越低，模型的性能越好。根据不同模型的特点，往往需要设计不同的损失项，标，我们也同样在这个新的评价标准上对比我们的方法和现阶段性能最佳的方法。界框逐渐向真实边界框靠拢，获得最理想的检测框位置，准确的检测框位置是单。标的横向距离，另外动态情况下相机的姿态信息是变化的，因此本文提出了基于。安装的环境要求，并且充分考虑相机的姿态，减小了由相机姿态导致的误差，并。在车辆静止情况下，加速度计通过固定的重力加速度，获取的三轴加。的障碍物，并分别用上述三种测距方法进行纵向和横向距离的测量，试验结果如。
深度图像RGB-D（RGB+Depth Map）名词扫盲笔记
说好的
11-30 1万+
1.深度图像 = 普通RGB三通道彩色图像+Depth Map RGB ： RGB色彩模式通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。 Depth Map： 在3D计算机图形中，Depth Map（深度图）是包含与视点的场景对象的表面的距离有关的信息的图像或图像通道。其中，Depth Map 类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。通常RGB图像和Depth图像是配准的，因而像素点之间具有一...
深度学习知识点【45】RGB-D图像和点云数据
weixin_43899239的博客
12-18 656
它通常由一个RGB图像和一个与之对应的深度图像组成，这两个图像的尺寸相同，每个像素点都对应一个深度值（通常是距离相机的距离）。点云数据是由一组在三维空间中的点组成的数据集，每个点包含其在空间中的坐标（通常是x、y、z坐标）以及可能的其他信息（如颜色、强度等）。总的来说，RGB-D图像和点云数据都是处理三维信息的重要工具，它们各有优势和适用场景。- **颜色信息**：如果点云数据包含颜色信息，每个点还会有对应的颜色值。- **深度信息**：每个像素点的深度值，表示该点到相机的距离。
（6）点云数据处理学习——RGBD图
chencaw的专栏
12-02 3878
dd
深度图与RGB-D
sunnyblogs的博客
08-28 1万+
什么是深度图（Depth Map）？ 深度图就是从图像采集器到场景中各点的距离（深度）作为像素值的图像。 下图右侧两栏图像就是我们说的深度图。 如果你觉得不好理解的话，举一个形象的例子。相信大家都玩过这种按压游戏吧，深度图就可以形象理解为我们按压后的游戏板。在游戏板上我们可以很直观的看到距离存在着很大的差距，深度图也是这个样子。上图的狗狗与背景的草地不在同一距离，所以在深度图中差生了比较大的颜色差异。 什么是RGB-D？ RGB-D=RGB+D(Depth Map) 如果我们严格的定义深度图，那么应该是
RGB-D图像（深度图像）的Surface编码
qq_41581769的博客
06-11 643
Kinect拍的深度图像中有很多噪声，用来做图像识别或者目标检测会受到影响，一般需要对图像做去噪处理一下，接下来就是把深度图像转换为三通道，然后训练的结果会好很多 surface是其中用的比较多的一种，也有对他的改进方法，来张surface深度图（上图）和原图（下图）的比较 RGB-D图像的HHA编码：https://blog.youkuaiyun.com/qq_41581769/article/details/115549405 colorjet： https://blog.youkuaiyun.com/qq_4158176
RGB-D转换为点云图
er_dan_love的博客
09-06 4124
目录 前言 一、图像数据的采集 二、相机的位姿估计 1.位姿估计的方法 2.RGB-D转点云拼接 总结 前言 这两天要做一个RGB-D转点云并进行拼接的小实验，这里面包含了几个小步骤分别是图像数据的采集、位姿的估计、RGB-D转点云、点云的拼接。同样是在师兄的帮助下完成的，所以再感谢一下师兄。 一、图像数据的采集 关于图像数据的采集，我使用的是Percipio 深度相机，该相机输出的图像有未去畸变的彩色图、去畸变的彩色图以及彩色到深度的转换图。 ...
RGB-D转3D点云原理及实现代码
新缸中之脑
09-24 4970
在图像处理和计算机视觉领域，RGBD 是指结合图像颜色和深度信息的数据格式。文本介绍如何使用Python将RGBD数据转换为3D点云，可以使用。
从RGB-D生成点云
sinat_24424445的博客
08-19 1565
RGB图像+Depth图像生成点云数据 import os os.environ['NUMEXPR_MAX_THREADS'] = '48' import open3d as o3d import cv2 import numpy as np s_depth = cv2.imread("./depth.png", -1) s_color = cv2.imread("./rgb.png") def depth2pc(depth_img, rgb_img): # 相机内参 cam_fx =
KITTI数据集目录格式
最新发布
03-14
### KITTI 数据集目录结构与格式说明 #### 1. 总体概述 KITTI 数据集是一个广泛用于自动驾驶研究的数据集合，包含了多种传感器数据，如摄像头图像、激光雷达点云以及校准参数等。其主要分为训练集 (`training`) 和测试集 (`testing`)[^3]。 --- #### 2. 目录结构详解 以下是 KITTI 数据集的标准目录结构： ``` ├── KITTI_DATASET_ROOT │ ├── training <-- 训练数据 (7481 条记录) │ │ ├── image_2 <-- 左侧 RGB 图像 (用于可视化) │ │ ├── calib <-- 校准文件 (包含相机和激光雷达之间的转换矩阵) │ │ ├── label_2 <-- 物体标注文件 (每帧对应一个文本文件) │ │ ├── velodyne <-- 激光雷达点云数据 (二进制格式) │ │ └── velodyne_reduced <-- 减少后的点云数据 (通常为空目录) │ └── testing <-- 测试数据 (无标签，共 7518 条记录) │ ├── image_2 <-- 左侧 RGB 图像 (用于可视化) │ ├── calib <-- 校准文件 │ ├── velodyne <-- 激光雷达点云数据 │ └── velodyne_reduced <-- 减少后的点云数据 (通常为空目录) ``` --- #### 3. 各子目录及其内容格式 ##### 3.1 `image_2` - **描述**: 存储左侧单目摄像头拍摄的 RGB 图像。 - **用途**: 主要用于视觉任务，如目标检测、语义分割等。 - **存储方式**: 每张图片以 PNG 格式保存，命名规则为 `{样本编号}.png`[^3]。 ##### 3.2 `calib` - **描述**: 提供了不同坐标系间的校准信息，包括相机内参矩阵、外参矩阵以及投影矩阵。 - **用途**: 实现多传感器融合时的关键输入。 - **存储方式**: 每条记录对应一个 `.txt` 文件，内部包含多个键值对形式的参数定义。 ##### 3.3 `label_2` - **描述**: 包含物体标注信息，每一行为一条标注记录。 - **字段解释**: - 类型名称（Type） - 截断程度（Truncated） - 遮挡等级（Occluded） - 边界框位置（Bounding Box Coordinates） - 尺寸大小（Dimensions） - 方位角（Rotation Y）等[^1]。 - **存储方式**: 每个样本对应的标注存放在单独的 `.txt` 文件中。 ##### 3.4 `velodyne` - **描述**: 储存由 Velodyne LiDAR 获取到的三维点云数据。 - **格式**: 使用自定义二进制格式表示，其中每个点由 `(x, y, z, reflectance)` 组成。 - **读取方法**: Python 中可通过 NumPy 或其他科学计算工具加载这些原始字节流并解析为数组。 ##### 3.5 `planes` - **描述**: 定义地面平面模型的信息。 - **作用**: 助力移除背景中的静态部分以便专注于动态对象分析。 --- #### 4. 多种坐标系统的关联关系 为了便于理解如何处理来自不同设备采集得到的空间几何特性，在此提及三个重要概念——即世界坐标系(World Coordinate System)，摄像机坐标系(Camera Coordinate System)还有LiDAR坐标体系(LiDAR Coordinate System)。它们通过特定变换矩阵相互联系起来，而具体数值可以从 calibration files 找到[^4]。 --- ```python import numpy as np def read_velodyne_bin(file_path): """Read a point cloud from the binary format.""" points = np.fromfile(file_path, dtype=np.float32).reshape(-1, 4) return points[:, :3] # Example usage of reading one frame's lidar data. lidar_data = read_velodyne_bin('path/to/your/file.bin') print(lidar_data.shape) # Output should be something like (N, 3), where N is number of points. ``` ---
评论
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

打赏作者

周末不下雨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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