一、影象預處理
影象預處理的目的在於改善影象的視覺效果，提高影象的清晰度，有選擇的突出某些感興趣的資訊，抑制 無用的資訊，以提高影象的使用價值。
影象平滑處理：中值濾波、形態學濾波、雙邊濾波、
自適應均值濾波、自適應中值濾波、自適應加權濾波。
有關的改進方法：椒鹽雜訊過濾演算法：
ga-bp
神經網路雜訊檢測的自適應濾波演算法。
遺傳演算法：
genetic algorithmga
反向傳播神經網路：
back bp bp 二、
特徵點檢測與匹配
特徵點問題主要包括特徵點的提取和特徵點的匹配。特徵點的通常理解為：某些鄰域變化比較大的點。如角點和雜訊，因此特徵點的 本質問題可以歸結為：在抵抗一定的影象畸變的情況下，保證特徵點的正確提取和匹配。
特徵點提取的方法：
加權平均
harris-laplace
特徵點提取演算法。
使用harris
角點運算元存在很多誤檢。此方法對
harris
方法有一定改進。
基於sift
運算元的特徵提取演算法。
尺度不變特徵轉換
sift(scale-invariant feature transform)
用來偵測與描述影像中的區域性性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數。該運算元具有對影象旋轉、縮放、光照變化和仿射變換保持不變性的特點。
sift方法的主要思想為：首先建立高斯差分金字塔表徵，然後將每個畫素點與它周圍的八個點，以及上下相鄰層的十八個鄰域點，總共26個點作比較。如果該點是極值點，那麼就認為該點為特徵點，同時計算出該特徵點的主方向。由此，就可以將特徵點提取出來了。基於
surf
運算元的特徵提取演算法。
加速魯棒特徵（
speeded-up robust features
）借鑑sift
簡化思想，借助積分圖和
harr
surf
的檢測效率要明顯高於演算法，且具備較優的綜合性能。目前
surf
演算法在特徵提取與匹配鄰域比較流行。
特徵點匹配方法：
ncc特徵匹配
歸一化互相關（
normalizes cross correlation
）方法的優點是它可以抵抗全域性的亮度變化和對比度變化，並且速度快。
缺點是：
(a)不抗影象縮放。
(b)不抗大的視角的變化。
(c)當初始匹配點的錯誤匹配率高於
40%的時候以上兩種方法失效。
sift
特徵匹配
主要思想是用特徵點的16×
16的鄰域計算該鄰域的每個點的梯度。然後將16×
16的區域劃分為4×
4的小區域，每個小區域的點向
8個方向投影。這樣總共可以得到4×
4×8=128
維的特徵向量描述符。特徵點的匹配首先需要將特徵點旋轉到它的主方向上，然後計算匹配點的
128維特徵描述符的歐式距離。距離最小的匹配點為正確匹配點。
surf
特徵匹配
與sift
特徵點匹配類似，
surf
也是通過計算兩個特徵點間的歐式距離來確定匹配度，歐氏距離越短，代表兩個特徵點的匹配度越好。不同的是
surf
還加入了
hessian
（黑塞矩陣）矩陣跡的判斷，如果兩個特徵點的矩陣跡正負號相同，代表這兩個特徵具有相同方向上的對比度變化，如果不同，說明這兩個特徵點的對比度變化方向是相反的，即使歐氏距離為
0，頁直接予以排除。
三、相機標定
相機標定就是求出相機的內部引數。最終得到內引數矩陣
k。
相機標定的方法：
tsai
的兩步標定方法
其主要思想是首先利用透視變換原理線性求解出一些相機引數，接著把求得的這些引數作為非線性優化演算法的初始值，只考慮相機的徑向畸變，通過優化演算法求解其餘引數，從而相對於線性標定方法提高了標定的精度。
圓點模板標定方法
張正友的平面標定方法
張正友結合傳統攝影測量標定與計算機視覺自標定優勢，提出使用簡易的平面標定模板，通過多個角度獲取的影象間單應關係，高精度高效的求解出相機的內引數與畸變引數。張正友標定方法因其有效性、可靠性和靈活性而得到廣泛應用。
相機自標定方法
相機自標定方法因其不需要額外的已知資訊而具有極大的靈活性，受到廣泛的關注與研究。常見的方法有：直接求解
kruppa
方程的自標定法、分層自標定法和基於絕對對偶二次曲面標定法。目前應用最廣泛的為利用絕對對偶二次曲面的標定方法。
四、計算基礎矩陣與本質矩陣
基礎矩陣是對同一場景的兩幅影象間約束關係的數學描述，是在未標定影象序列中存在的幾何結構約束資訊，隱式的包含了相機的所 有內外引數。
基礎矩陣計算方法：
歸一化點演算法
該方法可以降低雜訊的干擾，減小係數矩陣條件數大小，從而提高解算精度。
ransac
演算法隨機抽樣一致性演算法
ransac
（random sample consensus
）可以在一組包含「外點」的資料集中，採用不斷迭代的方法，尋找最優引數模型，不符合最優模型的點，被定義為「外點」。
假設內參矩陣分別為k1和
k2的兩幅影象之間的基礎矩陣為
f，由此可以求得它們之間的本質矩陣：
e=k2tfk1
。接著對本質矩陣進行分解（
svd分解方法），得到旋轉矩陣
r和平移向量
t。然後計算出兩幅影象的投影矩陣p1和
p2.利用投影矩陣獲得空間三維點的座標。
五、稠密點雲的網格化
通過上面的步驟可以得到基於影象的三維點雲，但要對空間物體的表面資訊進行重構，需要對三維點雲進行三角剖分。
三角剖分
目前比較流行的點雲網格化方法，其方法分為2種：
平面投影法
採用投影對映的方法，將三維點雲投影到二維平面上，接著對投影後的二維點進行三角剖分，然後將二維剖分關係傳遞給三維點雲的三角剖分。
直接剖分法
三角剖分所給點集
r，保留原始點雲的拓撲結構，實際上是對
r的線性插值。根據上述可知，直接剖分法比較繁瑣。
得到三維場景的大致模型之後，為了獲得更加逼真的效果，還需要做一步紋理對映工作。紋理對映，簡單來講就是貼圖，將攝像機拍攝出 的影象中選擇其中一幅最合適的，將該圖上場景的紋理，對映到三維模型中。
opencv三維重建 三維重建 SLAM相關
wayne cvpr2020 oral 立體視覺cost volume構建新方法,效能soa,視訊記憶體和執行時間大幅降低 雙目立體視差圖進行三維點雲重建 opencv3.4.1 pcl1.8 用vs opencv3.1從雙目立體視差圖中重建三維點雲 使用opencv以及pcl將2d影象轉換為3d點...
三維重建方法
三維重建技術就是要在計算機中真實地重建出該物體表面的三維虛擬模型，構建乙個物體完整的三維模型，大致可以分為三步 1.利用攝像機等影象採集裝置對物體的點雲資料從各個角度釆集，單個攝像機只能對物體的乙個角度進行拍攝，要獲得物體表面完整資訊，需要從多個角度對物體拍攝 2.將第一步獲得的各視角點雲資料變換到...
基於slam的三維重建 SLAM 三維重建相關資源
有人問不知道去 找slam 三維重建相關資源，1 跟蹤slam前沿動態 更新的很頻繁 track advancement of slam 2 很全視覺slam資料大全，包括 the list of vision based slam visual odometry open source proje...