opencv projectPoints函数 && computeCorrespondEpilines函数 && undistortPoints函数

🕗 发布于 2025-01-18 22:58 opencv 人工智能 计算机视觉

opencv projectPoints函数

cv::projectPoints 是 OpenCV 中用于将三维点投影到二维图像平面的函数。它通常用于计算在相机坐标系下的三维点在图像坐标系中的位置，考虑了相机的内参和外参。

函数原型

void cv::projectPoints(
    InputArray objectPoints,
    InputArray rvec,
    InputArray tvec,
    InputArray cameraMatrix,
    InputArray distCoeffs,
    OutputArray imagePoints,
    OutputArray jacobian = noArray()
);

参数说明

objectPoints: 输入的三维点集合，通常是一个 nx3 的矩阵，表示 n 个三维点。
rvec: 旋转向量，描述相机的旋转。可以使用 Rodrigues 变换来从旋转矩阵转换为旋转向量。
tvec: 平移向量，描述相机的位置。
cameraMatrix: 相机内参矩阵，包含焦距和主点位置。
distCoeffs: 相机的畸变系数，通常是一个长度为 5 或 8 的向量。
imagePoints: 输出的二维点集合，函数将计算的图像坐标保存在这个参数中。
jacobian: 可选的输出参数，保存雅可比矩阵。

使用示例

以下是一个简单的示例，展示如何使用 cv::projectPoints 函数：

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

int main() {
    // 定义三维点
    std::vector<cv::Point3f> objectPoints = {
        {0.0f, 0.0f, 0.0f},
        {1.0f, 0.0f, 0.0f},
        {0.0f, 1.0f, 0.0f},
        {1.0f, 1.0f, 0.0f}
    };

    // 定义相机内参矩阵
    cv::Mat cameraMatrix = (cv::Mat_<double>(3, 3) << 
        800, 0, 320,
        0, 800, 240,
        0, 0, 1);

    // 定义相机畸变系数
    cv::Mat distCoeffs = (cv::Mat_<double>(5, 1) << 0, 0, 0, 0, 0);

    // 定义旋转向量和位移向量
    cv::Mat rvec = (cv::Mat_<double>(3, 1) << 0, 0, 0); // 无旋转
    cv::Mat tvec = (cv::Mat_<double>(3, 1) << 0, 0, 5); // 向前移动5个单位

    // 输出二维点
    std::vector<cv::Point2f> imagePoints;

    // 使用 projectPoints 函数
    cv::projectPoints(objectPoints, rvec, tvec, cameraMatrix, distCoeffs, imagePoints);

    // 输出结果
    for (size_t i = 0; i < imagePoints.size(); ++i) {
        std::cout << "3D Point: " << objectPoints[i] << " -> 2D Point: " << imagePoints[i] << std::endl;
    }

    return 0;
}

代码说明

定义三维点：创建一个包含多个三维点的向量。
设置相机内参和畸变系数：定义一个相机内参矩阵和畸变系数。
定义旋转和位移向量：设置相机的旋转和位移。
调用 projectPoints：将三维点投影到图像平面，计算出对应的二维点。
输出结果：打印出每个三维点及其对应的二维投影。

总结

cv::projectPoints 是一个强大的工具，可以用于各种计算机视觉应用，如相机标定、三维重建等。通过正确设置相机参数和三维点，可以方便地将三维信息映射到二维图像中。

computeCorrespondEpilines函数

cv::computeCorrespondEpilines 函数在 OpenCV 中用于计算对应点的极线。这在立体视觉中非常重要，因为它可以帮助我们确定一对立体图像中对应点的匹配关系。

函数原型

void cv::computeCorrespondEpilines(
    InputArray points,
    int mode,
    InputArray F,
    OutputArray lines
);

参数说明

points: 输入的点集，可以是 2D 点的集合。对于单个图像中的点，格式应为 (N \times 1 \times 2) 或 (N \times 2)。
mode: 模式参数，指定输入点的来源。可以是以下值：
- 1: 表示输入点来自第一幅图像。
- 2: 表示输入点来自第二幅图像。
F: 基本矩阵（Fundamental Matrix），用于描述两个相机视图之间的几何关系。
lines: 输出的极线，每个点对应一条极线。格式是 (N \times 1 \times 3) 或 (N \times 3)。

示例代码

以下是一个使用 computeCorrespondEpilines 的示例：

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

int main() {
    // 定义一组点，假设这些点来自第一幅图像
    std::vector<cv::Point2f> points1 = { {100, 150}, {200, 250}, {300, 350} };

    // 基本矩阵 F，假设已知
    cv::Mat F = (cv::Mat_<double>(3, 3) << 
        0, 0, -0.1, 
        0, 0, -0.2, 
        0.1, 0.2, 1);

    // 计算对应的极线
    cv::Mat lines1;
    cv::computeCorrespondEpilines(points1, 1, F, lines1);

    // 打印极线
    for (int i = 0; i < lines1.rows; ++i) {
        double a = lines1.at<double>(i, 0);
        double b = lines1.at<double>(i, 1);
        double c = lines1.at<double>(i, 2);
        std::cout << "Line " << i + 1 << ": " << a << "x + " << b << "y + " << c << " = 0" << std::endl;
    }

    return 0;
}

代码解析

输入点: 定义一组点，这些点通常是从第一幅图像中提取的。
基本矩阵: 定义已知的基本矩阵 (F)。
计算极线: 使用 computeCorrespondEpilines 函数计算极线，将结果存储在 lines1 中。
输出极线: 打印计算出的极线方程。

注意事项

基本矩阵: 基本矩阵 (F) 可以通过立体标定过程获得，通常需要在相机标定和特征匹配之后计算。
点的格式: 确保输入点的格式正确，符合函数要求。
模式参数: 根据输入点的来源设置适当的模式参数（1 或 2）。

总结

computeCorrespondEpilines 是一个非常有用的函数，它可以帮助在立体视觉中确定点对应的极线，从而在后续的匹配和重建过程中发挥重要作用。通过正确使用基本矩阵和输入点，可以有效地计算出所需的极线。

极线

在立体视觉和计算机视觉中，极线（epipolar lines）是一个重要的概念，主要用于描述两个相机视图之间的几何关系。以下是极线的含义和作用：

极线的定义

极点和极线:
- 在立体视觉中，两个相机的视点分别称为左视点和右视点。如果你在左视图中选择一个点，则在右视图中，该点的对应点必定位于一条特定的直线上，这条直线称为极线。
- 对于左视图中的每个点，都有一条与之对应的极线在右视图中；反之亦然。
极线的几何意义:
- 极线是由相机的视点（即相机的光心）和对应点在另一幅图像中的位置共同决定的。极线的方程可以用基本矩阵（Fundamental Matrix）来表示。

极线的作用

简化匹配:
- 由于对应点必须位于极线上的特性，极线大大简化了点匹配的过程。在进行立体匹配时，只需在极线上查找可能的对应点，而不需要在整幅图像中搜索，从而提高计算效率。
约束条件:
- 极线提供了几何约束，允许我们在立体图像中进行更精确的点匹配。这种约束有助于减少误匹配的可能性，提高深度估计的准确性。
三维重建:
- 通过找到图像中的对应点并计算其极线，可以实现三维重建。通过三角测量，利用两个相机的视点和对应点的位置，可以计算出物体在三维空间中的位置。

总结

在立体视觉中，极线是相机视图之间的几何关系的关键，它简化了对应点的匹配问题，提供了约束条件，并在三维重建中发挥重要作用。理解极线的概念是进行立体视觉分析和应用的基础。

opencv undistortPoints函数

在 OpenCV 中，undistortPoints 函数用于将畸变的图像点转换为未畸变的点。这个函数特别有用在相机标定后，校正图像中的点以消除镜头畸变。

函数原型

void cv::undistortPoints(
    InputArray src, 
    OutputArray dst, 
    InputArray cameraMatrix, 
    InputArray distCoeffs, 
    InputArray R = noArray(), 
    InputArray P = noArray()
);

参数说明

src: 输入的畸变点，通常是一个 (N \times 1 \times 2) 或 (N \times 2) 的矩阵，表示图像中的点。
dst: 输出的未畸变点，格式与 src 相同。
cameraMatrix: 相机内参矩阵，包含焦距和主点坐标。
distCoeffs: 畸变系数，包括径向和切向畸变系数。
R: 可选参数，表示旋转矩阵。如果没有提供，默认为单位矩阵。
P: 可选参数，表示新的相机内参矩阵。如果没有提供，默认为与 cameraMatrix 相同的矩阵。

示例代码

以下是一个使用 undistortPoints 的示例：

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

int main() {
    // 相机内参矩阵
    cv::Mat cameraMatrix = (cv::Mat_<double>(3, 3) << 1000, 0, 320,
                                                      0, 1000, 240,
                                                      0, 0, 1);
    
    // 畸变系数
    cv::Mat distCoeffs = (cv::Mat_<double>(5, 1) << 0.1, -0.05, 0, 0, 0);

    // 输入的畸变点
    std::vector<cv::Point2f> distortedPoints = { {100, 100}, {150, 150}, {200, 200} };

    // 输出的未畸变点
    std::vector<cv::Point2f> undistortedPoints;

    // 使用 undistortPoints 函数
    cv::undistortPoints(distortedPoints, undistortedPoints, cameraMatrix, distCoeffs);

    // 打印未畸变的点
    for (const auto& point : undistortedPoints) {
        std::cout << "Undistorted Point: (" << point.x << ", " << point.y << ")\n";
    }

    return 0;
}

代码解析

相机内参和畸变系数: 定义相机的内参矩阵和畸变系数。
输入和输出点: 创建一个包含畸变点的向量，并定义一个空的向量来存储未畸变的结果。
调用 undistortPoints: 使用该函数将畸变点转换为未畸变点。
输出结果: 打印未畸变后的点。

注意事项

undistortPoints 函数假设输入点是以归一化坐标表示的（即相对于相机主点的坐标），如果你提供的是图像像素坐标，你可能需要先将其转换为归一化坐标。
如果你想生成新的图像，可以使用 cv::undistort 函数，它将整个图像进行畸变校正。

总结

undistortPoints 是一个强大的工具，用于消除图像点的畸变，常用于相机标定和图像处理任务中。通过正确使用内参和畸变系数，可以有效地校正图像数据。

原文地址：https://blog.csdn.net/qq_22424571/article/details/145216823

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：Genesis - 生成式物理引擎和模拟平台
下一篇：InVideo AI技术浅析（二）：自然语言处理

全自动化河道水位监测系统：实时传输与远程监控
全自动化河道水位监测系统可以在多个河道、湖泊、库区等地安装传感器，并同步传输数据。这意味着用户能够实时监控多个水位监测点，全面掌握流域水位变化情况。
阅读更多2025-01-19
vscode accelerate deepspeed配置
【代码】vscode accelerate deepspeed配置。
阅读更多2025-01-19
应用场景——教育培训类三、作文批改助手开发实战（对文章进行批改，生成批改建议报告）
语文作文批改助手不仅能检查学生的语法错误，还能从多个维度对作文进行综合评估。这种基于大模型的批改方式，能够为学生提供更加个性化和精准的写作指导，帮助他们在短时间内提升写作能力。在未来，我们可以根据实际
阅读更多2025-01-19
在MySQL中使用存储过程
由MySQL5.0 版本开始支持存储过程。如果在实现用户的某些需求时，需要编写一组复杂的SQL语句才能实现的时候，那么我们就可以将这组复杂的SQL语句集提前编写在数据库中，由DBMS调用来执行这组SQ
阅读更多2025-01-19
如何将数据库字符集改为中文，让今后所有的数据库都支持中文
数据库输入中文数据时会变为乱码，这个时候，我们为每个数据库设置字符集，太过于麻烦，为数据库单独设置重启后又会消失。
阅读更多2025-01-19
机器学习08-Transfomer注意力机制
机器学习08-Transfomer注意力机制
阅读更多2025-01-19
el-timeline时间线（Plus）左边图标改为自定义图片
时间线左侧正常根据文档内容，是填写的icon，但通过icon属性还有另外一个类型，component，可以搭配h函数写一组img元素，实现将图标改为本地图片。（目前图片有点小，还需要自己去调整下大概样
阅读更多2025-01-19
数据结构-栈&队列OJ题
MyStack的成员不是队列指针，而是队列结构体变量，所以在myStackCreake中为MyStack动态开辟的空间大小是为两个队列结构体变量开辟的，这样做的好处是可以取q1和q2的地址，方便我们直
阅读更多2025-01-19
年后找工作需要注意的事项
年后是求职的黄金时期，但也需要你做好充分准备，才能在竞争中脱颖而出。通过明确目标、优化简历、提高面试准备以及关注市场动态，你将有更大的机会找到理想的工作。祝愿每一位求职者都能在新的一年迎接更好的职业机
阅读更多2025-01-19
2025年应用与API安全展望：挑战与机遇并存
进入2025年，应用与API安全的重要性愈发突出。在过去的一年里，API技术已经成为数字创新的核心。然而，API的大规模应用也使得攻击面显著扩展，2024年针对业务逻辑漏洞的API攻击占比高达27%，
阅读更多2025-01-19

opencv projectPoints函数 && computeCorrespondEpilines函数 && undistortPoints函数