一定把vslam拿下!!!-Ch4 相机模型与非线性优化(小白版)

本文介绍了图像去畸变的原理和实现,包括针孔相机的畸变矫正以及鱼眼相机的等距投影模型。作者通过手动实现OpenCV的去畸变算法,展示了图像从畸变到正常的过程。同时,文章探讨了鱼眼相机在SLAM中的优势,以及其特有的畸变模型。此外,还涵盖了双目视觉的深度恢复,通过视差计算生成点云数据并在Pangolin中展示。

一定把vslam拿下!!!(小白版)// 部分内容转载自他人博客!侵删


深蓝学院视觉十四讲课后作业——ch3 李群李代数
本文记录了学习的部分笔记心得与课后习题 主要用途为学习巩固、方便自己查阅
部分内容参阅互联网或者书籍知识,部分图片来自网络,欢迎批评指正
如有问题,可及时与我沟通讨论!


图像去畸变 (2 分,约 1 小时)

现实生活中的图像总存在畸变。原则上来说,针孔透视相机应该将三维世界中的直线投影成直线,但
是当我们使用广角和鱼眼镜头时,由于畸变的原因,直线在图像里看起来是扭曲的。本次作业,你将尝试
如何对一张图像去畸变,得到畸变前的图像。
在这里插入图片描述
运行完成结果如下:
可看到右图是畸变被消除后
在这里插入图片描述
代码更改如下:(其实就是将for循环中的对openCV的调用改成自己计算的数据 并增添了调出原图像的指令,方便进行对比)

//
// Created by 高翔 on 2017/12/15.
// Changed by ruru on 2022/11/15

#include <opencv2/opencv.hpp>
#include <string>

using namespace std;

string image_file = "./test.png";   // 请确保路径正确

int main(int argc, char **argv) {
   
   

    // 本程序需要你自己实现去畸变部分的代码。尽管我们可以调用OpenCV的去畸变,但自己实现一遍有助于理解。
    // 畸变参数
    double k1 = -0.28340811, k2 = 0.07395907, p1 = 0.00019359, p2 = 1.76187114e-05;
    // 内参
    double fx = 458.654, fy = 457.296, cx = 367.215, cy = 248.375;

    cv::Mat image = cv::imread(image_file,0);   // 图像是灰度图,CV_8UC1
    int rows = image.rows, cols = image.cols;
    cv::Mat image_undistort = cv::Mat(rows, cols, CV_8UC1);   // 去畸变以后的图

    // 计算去畸变后图像的内容
    for(int v = 0; v < rows; v++)
    {
   
   
        for(int u = 0; u < cols; u++)
        {
   
   
            double x;
            x = (u - cx) / fx;
            double y;
            y = (v - cy) / fy;
            double r;
            r = sqrt(x * x + y * y);
            
            double x_dis = x * (1 + k1 * r * r + k2 * r*r*r*r) + 2 * p1 * x *y + p2 * (r * r + 2 * x * x);
            double y_dis = y * (1 + k1 * r * r + k2 * r*r*r*r) + 2 * p2 * x *y + p1 * (r * r + 2 * y * y);

            double u_dis = fx * x_dis + cx;
            double v_dis = fy * y_dis + cy;

            //赋值
            if(u_dis >= 0 && v_dis >= 0 && u_dis < cols && v_dis < rows)
            {
   
   
                image_undistort.at<uchar>(v,u
### VSLAM中的非线性优化实现方法 在视觉同步定位建图(VSLAM)领域,非线性优化是一种核心的技术手段,用于提高系统的精度和鲁棒性。以下是关于VSLAM非线性优化的具体实现方法及其相关内容: #### 1. 扩展卡尔曼滤波(EKF) 当系统是非线性的且存在高斯噪声时,扩展卡尔曼滤波(EKF)成为一种常用的解决方案。通过在一阶泰勒展开的基础上对非线性函数进行局部线性化处理,从而使得标准卡尔曼滤波能够应用于更广泛的场景[^3]。 #### 2. 图优化优化是另一种广泛使用的非线性优化技术,尤其适用于大规模环境下的状态估计问题。它将整个轨迹表示为节点之间的约束关系网络,并通过对这些约束条件的调整来寻找全局最优解。具体而言,标是最小化误差项之和,这通常被转化为一个最小二乘问题并采用迭代算法求解[^1]。 #### 3. 高斯牛顿法 (Gauss-Newton Method) 针对复杂的非线性模型, 直接解析求导变得困难重重, 此时可借助数值计算方式完成参数调整过程。其中高斯牛顿法因其简单高效而备受青睐; 它基于二次逼近原理构建搜索方向向量, 并逐步靠近真实极值点位置附近区域直至满足收敛准则为止 [^2]. #### 4. Levenberg-Marquardt Algorithm (LM 法则) 作为改进形式之一 , LM法则综合考虑了纯梯度下降以及完全Hessian矩阵两种极端情况之间平衡取舍策略 。 当遇到病态方程组或者初始猜测远离实际根部情形下表现尤为突出 , 同时还能有效避免陷入局部极小值陷阱风险 . ```python import numpy as np def levenberg_marquardt(x_init, f, jacobian_f, lambda_=0.01, max_iter=100, tol=1e-8): x = x_init.copy() for _ in range(max_iter): J = jacobian_f(x) r = f(x) H = J.T @ J + lambda_ * np.eye(len(x)) delta_x = np.linalg.solve(H, -(J.T @ r)) if np.linalg.norm(delta_x) < tol: break x += delta_x return x ``` 上述代码片段展示了如何使用Levenberg-Marquardt算法解决非线性最小二乘问题的一个基本框架实例。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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