没有合适的资源?快使用搜索试试~ 我知道了~
2545∈∈L多焦点全光相机Mathieu Labussière1,Céline Teulière1,Frédéric Bernardin2,Omar Ait-Aider1 1Institut Pascal,F-63000 Clermont-Ferrand,France2Cerema,Équipe-projet STI,10 rue Bernard Palissy,F-63017 Clermont-Ferrand,Francemathieu. gmail.com,firstname.name @{uca,cerema}.fr摘要提出了一种仅利用原始图像的多焦全光相机标定算法。这种相机的设计通常是复杂的,并且依赖于光学元件的精确放置。已经提出了几种校准程序来检索相机参数,但是依赖于简化模型、重构图像来提取特征,或者当使用几种类型的微透镜时依赖于多次考虑到模糊信息,我们提出了一个新的模糊感知全光纤(BAP)功能。它首先被利用在预校准步骤,检索初始相机参数,其次表达一个新的成本函数,我们的单一的优化过程。定量和定性实验验证了该方法的有效性1. 介绍成像系统的目的是将来自场景的入射光线映射到光敏检测器的像素光线的辐射率由Adelson等人引入的全光函数(x,θ,λ,τ)给出。[1],其中xR3是观察的空间位置,θR2是观察的角方向,λ是光的波长,τ是时间。传统相机仅捕获一个视点。全光相机是允许检索空间以及角度信息的设备从Lumigraph[17]到商业全光相机[19,23],已经提出了几种设计。本文关注基于放置在主透镜和光敏传感器之间的微透镜Ar射线(MLA)的全光相机(参见图 2 ) 。 这 种 相 机 的 特 定 设 计 允 许 以 微 图 像 阵 列(MIA)的形式将两种类型的信息多路复用到传感器上(见图1(b)),但意味着角度和空间分辨率之间的权衡[10,16,8]。根据MLA相对于主透镜焦平面的位置(即,[19] 19 [19] 19图1:在我们的实验设置中使用的RaymantR12多焦点全 光 相 机 ( a ) , 以 及 棋 盘 校 准 目 标 的 原 始 图 像(b)。该图像由具有不同模糊程度的多个微图像组成在每个微图像中,我们的新的模糊感知全光(BAP)特征由其中心和其模糊半径(c)示出。来自场景的入射光线到像素上的映射传统的相机通常被建模为针孔或薄透镜。由于全光相机设计的复杂性必须开发特定的校准方法来检索这些模型的内在参数。1.1. 相关工作未聚焦的全光相机校准。在这种配置中,光线由MLA聚焦在传感器平面上。非聚焦全光相机[19]的校准已经在文献[6,2,25,24,11,36]中被广泛研究。大多数方法依赖于主透镜的薄透镜模型它们大多需要重建图像来提取特征,并将其模型限制在未聚焦的构型,即,设置-2546联系我们测量距离MLA传感器处的微透镜焦距因此,那些模型不能直接扩展到聚焦或多焦点全光相机。聚焦全光相机校准。随着商业聚焦全光相机的到来[18,23],已经提出了新的校准方法。根据[14],Heinzeet al.[13]开发了一种新的预测模型传感器Δc(u0,MLAXWyw主透镜一O//zW对象aL以及结合在Raymont GmbH的RxLive软件中的度量校准程序。已经提出了其他校准方法和模型,以克服初始化的脆弱性[26],或者使用深度信息更精细地建模相机参数[33,32]。 [22]新的图像D DFck,l0ck,lCk,lF(一)3D特征称为全视盘,并由其中心和半径定义。然而,所有先前的方法都依赖于重建图像,这意味着它们在重建步骤以及校准过程中引入误差。为了克服这个问题,已经提出了仅使用原始全光图像的几种校准方法[35,34,29,20,3,21,31]。特别是,在[3,21,20]中研究了原始显微图像中的特征提取,通过自动化和准确识别特征对应性来实现改进的性能。然而,大多数方法依赖于光学元件的简化模型:MLA被建模为针孔阵列,使得不可能恢复焦距,或者没有考虑MLA未对准。有些人不考虑扭曲[35,21,31]或将自己限制在重点案例[35,34,20]。最后,很少有人考虑了多焦点情况[13,3,21,31],但在单独的过程中处理它,导致根据微透镜的类型1.2. 贡献本文主要研究基于微透镜的多焦全光相机的标定问题。据我们所知,这是提出直接从原始全光图像检索MFPC的内在和外在参数的单一优化过程的第一种主要贡献如下:我们提出了一个新的模糊感知全光(BAP)功能定义在原始图像空间,使我们能够处理多焦点的情况下。我们引入了一个新的预校准步骤,使用来自白色图像的BAP特征来提供内部参数的鲁棒初始估计。我们提出了一个新的重投影误差函数,利用BAP功能,以完善一个更完整的模型,特别是包括多个微透镜焦距。我们的基于棋盘的校准在一个单一的优化过程中进行。图2:伽利略配置中的聚焦全光照相机模型(即,主透镜聚焦在传感器后面),具有本文中使用的符号。我们的方法的视觉概述如图3所示。本文其余部分的组织结构如下:首先,在第2节中介绍了摄像机模型和BAP功能。第3中解释了拟定的预校准步骤。然后,在第4节中详细描述了特征检测,在第5中详细描述了校准过程。最后,我们的结果在第6节中给出并讨论。本文中使用的符号如图2所示。度量值的像素对应物以小写希腊字母表示。2. 相机型号和BAP功能2.1. 多焦点全光相机我们考虑如[9,23]中所述的多焦点全光相机。建模为薄透镜的主透镜将物点映射到后面的虚拟点(分别, 在前面)Galilean中的图像传感器(分别,开普勒)构型。因此,MLA由具有焦距f(i),i的I个不同透镜类型组成1、. . .,I,其聚焦在图像传感器后面的I个不同平面上。当I = 3时,该多焦点设置对应于[ 23 ]中描述的Rayleigh相机系统。微透镜被建模为薄透镜,从而允许考虑微图像中的模糊我们的模型考虑了MLA的错位,释放了所有六个自由度主透镜的倾斜被包括在失真模型中,并且我们假设主透镜平面Π1平行于传感器平面Πs。此外,我们选择主镜头框架作为我们的相机参考框架,其中O是原点,z轴与光轴重合并指向相机外部,y轴指向下方。仅考虑主透镜的畸变。我们使用Brown-Conrady [4,5]的模型,其中径向分量有三个系数,切向分量有两∆CBlSv0)···254700··≪D+DD+D此外,我们考虑了每个微透镜的图像中心和光学中心的偏差,因为它往往会导致解码光场的不准确。因此,由(k,l)索引的微透镜的主点ck,l由下式给出:我们引入一种新的模糊感知全光(BAP)特征,其特征在于其中心和半径,即,p=(u,v,ρ)。因此,我们的完整全光相机模型允许我们通过每个微透镜(k,l)将场景点pw链接到我们的新BAP特征p。Σck,l=k,l0=. ΣΣDU0Σ-ck,l+ck,l,(1)u吉夫茨0vk,lD+dv00其中ck,l是微图像(k,l)的像素中心P(i,k,l)· T μ(k,l)·Tμ(K(F)·Tc·pw),(5)1ΣΣ⊤u0v0是主透镜主点,d是距离其中P(i,k,l)是模糊感知全光投影ma。MLA-传感器和D是距离主透镜-MLA,如图所示。二、通过类型i的微透镜(k,l),并且计算为最后,每个微透镜产生一个微图像,传感器。 这些微图像的集合具有相同的P(i,k,l)=P(k,l)·K.Σf(i)(六)结构组织作为工作重点,即, 在我们例子中,六边形网格,在每种类型的微透镜之间交替。因此,数据可以被解释为一个数组,日/日0英国,l100d/s vk,l0 1 0 0 000 1 0 0=100000微图像,通过类比称为MIA。MIA COOR-200s200C−s Cd00 10在图像空间中表示坐标设δc为两个任意连续的微图像中心ck,l之间的像素距离。其中,s是像素的度量大小,令Δc=s δc是其度量值,并且ΔC是两个对应的微透镜中心Ck,l之间的度量距离。从相似的三角形,它们之间的比率由下式给出中国DD=C = c·.(二)2 20 0−1 0 0 0−1/f㈠1P(k,l)是将3D点投影到传感器上的矩阵。K(f)是给定焦距的薄透镜投影矩阵。Tc是主镜头相对于世界坐标系的姿态,Tμ(k,l)是在相机坐标系中表示的微镜头(k,l函数()对横向失真进行建模。最后,定 义 在Eq. ( 5)与假设ΔC等于微透镜直径。由于d D,我们可以做以下近似:包括一组待优化的(16+1)个固有参数,包括主透镜焦距F及其5个横向畸变参数、编码为(u0,v0)和d的传感器平移、MLA未对准,即,3次旋转D D(θx,θy,θz)和3个平移(tx,ty,D),微透镜D+ d = λ 1 =λ C = λ c·D + d λ c。(三)该近似将在实验中得到验证。2.2. BAP特征和投影模型使用具有圆形孔径的相机,图像检测器上的点的模糊图像是圆形的,并且被称为模糊圆。根据相似三角形和薄透镜方程,图像中的点的带符号模糊半径可以表示为.Σ1A1 1 1距离间的距离f(i),以及I个微透镜焦距f(i)。3. 使用原始白色图像进行预校准从散焦理论[27]的深度中汲取灵感,我们利用模糊信息来估计参数(例如,这里是我们模糊半径)通过改变一些其它参数(例如,焦距、光圈等)结合已知(即,固定的或测量的)参数。例如,当用受控光圈拍摄白色照片时,每种类型的微透镜产生具有特定尺寸和强度的微图像(MI),从而提供了一种方法,ρ=s·2df-a-d、(四)区分它们。在下文中,参考MLA平面给出所有距离。距离是其中s是像素的大小,d是所考虑的透镜和传感器之间的距离,A是该透镜的孔径,f是其焦距,以及a是物体距透镜的距离。此半径出现在摄像机投影中的不同级别:在由微透镜的薄透镜模型引入的模糊中以及在拍摄白图像时形成微图像期间。为了利用模糊信息,根据以下约定标记:当透镜会聚时,f为正;当点为实点时,距离为正,而当点为虚点时,距离为负。3.1. 显微图像半径推导拍摄白色图像相当于微透镜在一定距离处对直径为AuΔc2548白色原始图像显微图像阵列中心校准{c}k,lR内部预校准:参数参数估计(m,qN-1| |·1我传感器MLA- 一RC-V′VRb′Fa′主透镜D图4:当在孔径A处拍摄白色图像时,通过微透镜形成半径为R的微图像。点V是通过主透镜和所考虑的微透镜的圆锥的顶点V′是微透镜对V的成像,R是其模糊圆的半径最后,我们可以将每个微透镜焦距类型i的MI半径表示为图3:我们提出的方法的概述,其中预校准步骤和在非线性优化过程中使用的BAP特征的检测。与. −1ΣRN−=m·N.+qi(9)Σ东方1Dd/200cD. 这在图4中示出。 我们将微观图像m=2 D且q i=f(i)·D+D·2−. (十)2(MI)半径到全光相机参数。 从OP-设q′是由q′=qi+qc/2得到的值tics几何,这个对象的图像,即。得到的MI,ii等效于被构造为通过主透镜的圆锥的顶点的虚点的图像,3.2. 内参数估计内参数ε ={m,q′,. - 是的- 是的,q′}被使用该点与MLA平面的距离,由类似的三角形和等式给出。(2) 通过计算BAP特征的半径部分并初始化-调整校准过程的参数。给定在不同孔径下拍摄的几张原始白色图像,我们估计1998年a=−DA−C=−D. - 是的ΣD+DA、B、C、DΣ−1-一个、(7)方程的系数(9)对于每种类型的显微图像。通常在其中A是主透镜孔径。注意负号是由于透镜与使用apr计算的反射系数的差异真实值AV(N)=2AV。事实上,虚点总是在MLA平面后面距离a'处形成,因此被认为是微透镜的虚拟物体。从概念上讲,所形成的MI可以被视为该假想点的模糊圆因此,使用Eq.(4),度量MI半径R由下式给出:.Σ中国1 1 1从原始白色图像,我们能够在给定孔径处针对每个不同的焦距f(i)测量每个微图像(MI)半径R/s,单位为pixels由于渐晕效应,仅对对该效应不太敏感的中心微图像进行估计。我们的方法是基于图像矩拟合。它对噪声具有鲁棒性R=d2Df−a′−d.Σ。Σ刚果民主共和国c在非对称分布下工作,易于使用,但需要一个参数α来转换标准差=A·2D+D+D·2·f-D-d.(八)将σ转化为π x el半径σ=ασ。我们利用微图像的二阶中心矩来构造一个协方差矩阵,从上面的等式中,我们看到半径与主透镜的孔径成线性关系然而,主镜头光圈不能直接计算,而我们可以访问f值。光学系统的f数是系统的焦距F与入射光瞳的直径A的比率,由N = F/A给出。角提取BAP功能BAP提取特征(u,v,v)虚拟深度估计纸板原始图像优化D所考虑的微透镜(图中标注为V) 4). 随他去吧12549能量矩阵最后,我们选择σ作为协方差矩阵的较大特征值的平方根。确定参数α,使得考虑至少98%的分布。 根据标准的正态分布Z值表,在[2]中提取了α.三十三,二。37]。在我们的实验中,我们设置α=2。357.2550我--我−--对于通过类型i的微透镜的距离a处的给定点p′,.Σ。Σ刚果民主共和国cR=D+D·2·f(i)−a−dDd1=Dd1DD1d+D·2·f(i)−d+D·2·d−d+D· 2·a逆f数联系 我们=q′(10)联系我们=100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000联系我们=C(2)1000i=1I=2I=3我.=−C·ΣD12·a.+q′−Σ∆ C.(十二)20的情况。040.060的情况。040.060的情况。040.06半径[mm]在实践中,我们无法获得CQC的值,图5:显微图像半径作为具有估计线的逆f数的函数(品红色)。每种类型的微透镜通过其颜色(类型(1)为红色,类型(2)为绿色,类型(3)为蓝色)及其计算半径来识别对于每种类型的半径分布的直方图。最后,从不同的f -数的半径测量,我们估计方程的系数。(9),X=m,q1,. . .,q I,具有最小二乘估计。图5示出了在以f数N = 8拍摄的白色图像中计算的半径、针对每种类型的这些半径分布的直方图以及估计的线性函数。我们可以使用Eq. (3).此外,a和d不能在原始图像空间中测量,但是虚拟深度可以。虚拟深度是指从视差获得的相对深度它被定义为物距a和传感器距离d之间的比率:一v=.(十三)D符号约定对于虚拟深度计算是相反的,即。距离在MLA平面的前面是负的。如果我们在Eq中重新注入后者。(12),注意符号,我们可以通过下式导出距MLA距离a处的点p’的模糊圆的半径:4. 原始图像中的BAP特征检测此时,可用内部参数Ω(用于表示模糊半径ρ)。该过程(如图所示)λc−1R=2·ν.+q′−Σλc2.(十四)图3)分为三个阶段:1)使用白色原始图像,校准MIA并提取显微图像中心; 2)处理棋盘图像以提取位置(u,v)处的角;以及3)利用内部参数和每个角的相关虚拟深度估计,计算对应的BAP特征。4.1. 基于微透镜为了尊重f数匹配原则[23],我们配置主透镜f数,使得微图像完全平铺传感器而没有重叠。在这种配置中,主成像系统和微透镜成像系统的工作f数应该匹配。然后针对至少一种类型的微透镜验证以下关系该等式允许表达与具有虚拟深度的每个点相关联的模糊圆的像素半径ρ= r/s,而无需明确地评估A、D、d、F和f(i)。4.2. 特征提取首先,必须校准微图像阵列。我们通过强度质心方法以亚像素精度计算显微图像中心观测值ck ,l[30,20,28]。然后计算两个微图像中心之间的距离δc作为具有非线性优化的拟合的2D网格网格的优化的边长。图像坐标中的像素平移偏移(τx,τy)和围绕(z)轴的旋转(τz)也在优化过程期间确定。根据计算的距离和给定的像素大小,计算参数λ∆cCITICA.ΣDF其次,由于我们的方法是基于棋盘式计算的,d=Dd·D+D=.(十一)ND振动模式,我们使用Noury等人介绍的检测器检测原始图N=5.66N=8.00N=11.31半径[mm]0的情况。060的情况。04i=10的情况。2551−像中的角点。[20 ]第20段。原始图像我们考虑在离主透镜一个距离al处测量物体p的一般情况 首先,根据薄透镜方程1/F=1/al+1/bl,将p投影穿过主透镜,导致在主透镜后方距离bl处的点p′,即,在距MLA的距离a=D b l处。传感器上形成的模糊圆的度量半径r通过将它们除以在相同孔径下拍摄的白色原始图像来求出。与经典相机相反,利用全光相机,点被投影到传感器上的多于一个观察中由于数据空间分布的性质,我们使用DBSCAN算法[7]来识别2552H =..|−|≥−−−- -我k,lWCCk,l{}S−联系我们±集群然后,我们将每个点与其观察聚类相关联。其中H由下式给出:. - 是的 .Σ。一旦识别出每个聚类,我们就可以从视差计算虚拟深度ν。假设距离为1−2,. hF.114. 2小时.. 、(十八).在微透镜C1和C2的中心之间,即,基线和相应显微图像中相同点的图像之间的欧几里得距离Δ i =i1i2,可以用截距定理计算虚拟深度ν:具有正的(分别地,负)符号(分别为,Kep- lerian)构型。焦距和像素大小s根据制造商的值设置所有失真系数均设置为零。主点被设置为图像的中心。C1−2ηCηλεc传感器平面因此被设置为平行于主透镜平面,v=,(15)C1−2−其中,λ C = λ c是两个连续微透镜之间的距离,η 1。0. 由于角点检测中的噪声,我们使用中值估计器来计算聚类的虚拟深度,同时考虑到视差估计中点对的所有组合。最后,从内部参数的角度,不旋转,在距离(D+d)处。表面上,MLA平面被设置为与主透镜平面平行,距离为D。根据预先计算的MIA参数,转换考虑偏移(sτx,sτy),绕z轴的旋转初始化为πz。微透镜间距离λ C根据等式2设定。(2).最后,根据内部参数λ,焦距计算如下:能够虚拟深度ν,我们可以使用等式(1)计算BAP特征。(14)。在每个帧n中,对于在图像中的位置(u,v)处包含角的类型i的每个微图像(k,lf(i)D←−2·q′·C.(十九)特征pn由下式给出:n5.2.初始位姿估计摄像机摆出{Tn},即,外部参数pk,l=(u,v,ρ),其中ρ=r/s。(十六)最后,我们的观测结果由a se,t ofm,icro-C使用与[20]中相同的方法进行初始化。 为每个集群的观察,重心计算。这些重心可以被看作是棋盘的投影图像中心{ck,l}和一组BAP特征nk,lal-板角通过主镜头使用标准引脚-这使得我们引入对应于每组特征的两个重投影误差函数5. 校准过程为了检索我们的相机模型的参数,我们使用基于非线性最小化的重投影误差的校准过程。校准过程分为三个阶段:1)使用内部参数初始化intrinsic; 2)从原始棋盘图像估计初始外质;以及3)利用利用我们的新BAP特征的非线性优化来细化参数。5.1. 参数初始化优化过程对初始参数敏感。为了避免在优化过程中陷入局部最小值,必须小心地将参数初始化为离解不太远。首先,摄像机初始化为开普勒或伽利略配置. 首先,给定相机配置,空穴模型对于每一帧,然后使用透视n点(Perspective-n-Point)算法[15]估计姿势。5.3.非线性优化所提出的模型允许我们优化所有的参数到一个单一的优化过程。我们提出了一个新的成本函数Θ,考虑到模糊信息,使用我们的新BAP功能。成本由两个主要术语组成,这两个术语都表示图像空间中的误差:1)模糊感知全光重投影误差,其中,对于每个帧n,每个棋盘角p,n根据等式(1)的投影模型通过类型i的每个微透镜(k,l)被重投影到图像空间中。(5)并与其观测值pn进行比较;以及2)微透镜中心重投影误差,其中,主透镜中心O根据针孔模型在图像空间中通过每个微透镜(k,l)进行重投影,并与检测到的微图像中心ck,l进行比较。设=n,Tn为待优化的内参数和外参数的集合。成本函数Θ()表示为内部参数λ,焦距h,和从λnn? 2当量(17)在[23]中,将以下参数设置为<$pk,l−k,l(pw)<$+ck,l−. (二十)2毫小时d←−F +4 m和D←−H−2d,(17)使用Levenberg- Marquardt算法进行优化。p2553××××联系我们×−| |R12-A(h= 450mm)R12-B(h= 1000mm)R12-C(h=∞)单元初始我们[20个]初始我们[20个]初始我们[20个]F[mm]50四十九720五十四8885050块04751岁2625050块011五十三322D[mm]五十六66五十六69662. 42552岁1152岁125五十三296四十九38四十九38452岁379[µm]127 51127 45127 38127 47127 45127 40127 54127 50127 42f(1) [µm]578 15577 97-581号10五百八十48-五百五十四35五百五十六09-f(2) [µm]504号46505 21-503 96504号33-四百七十五98四百七十九03-f(3) [µm]551 67551 79-546 39546 37-518 98521 33-u0[pix]20392042年552289 8320391790年941759年2920391661 951487年2v0[pix]15331556 291528年2415331900 19一九三四年8715331726年91一九一三年81d[µm]318号63325 24402 32三百三十六84三百三十六26三六三17三百零七93三百一十二62367 40表1:每个数据集的初始内部参数以及通过我们的方法和[20]的方法获得的优化参数。为了简洁,省略了一些参数。6. 实验和结果我们评估我们的校准模型定量在受控环境中,定性时,地面真相是不可用的。6.1. 实验装置对于所有的实验,我们使用了具有F/2.4孔径的MLA的Rayleigh R12彩色3D光场相机。镜头为NikonAF Nikkor F/1.8D,焦距50 mm。微透镜阵列结构为六边形,由176 × 152(宽高)微透镜组成,I=3种不同类型.传感器采用BaslerbeA 4000 - 62 KC,像素大小为s = 0。0055毫米。原始图像分辨率为4080× 3068。数据集。我们针对三种不同的焦距配置h校准我们的相机,并构建三个相应的数据集:h = 450 mm的R12-A,h = 1000 mm的R12-B和h = ∞的R12-C。每个数据集包括:白色原始全光图像,在不同的aper上采集,tures(N 四、五。六十六,八,十一。31, 16)具有增大的增益以便于预校准步骤中的圆检测- 在各种姿态(在距离和方位上)获取的徒手校准目标,被分成两个子集,一个用于校准过程而另一个用于定性评估,在与校准目标采集中相同的亮度条件下并利用相同的孔径以及通过受控平移运动获取的校准目标,用于定量评估,以及由Rayleigh软件(RxLivev4.0.50.2)计算的深度图。我们用的是9R12-A的5个10 mm侧棋盘,aR12-B为8 5 mm,R12-C为7 5 mm。数据集和我们的源代码是公开的1。1https://github.com/comsee-research徒手摄像机校准。 白色原始全光图像用于划分其他原始图像并用于计算微图像中心。从一组标定目标图像中提取BAP特征,然后使用我们的非线性优化过程计算相机的内外参数。受控环境评价。 在我们的实验装置中(见图1),1),摄像机安装在具有微米精度的线性运动台上。我们采集了几个图像,每个帧之间具有已知的相对运动。因此,我们能够定量地评估外部参数与地面实况的估计位移。用徒手校准估计的本征函数计算外函数。我们将我们计算的相对深度与RxLive软件获得的相对深度进行了定性评价。当没有地面真相是可用的,我们定性评估我们的参数的评估子集,通过估计使用先前计算的本征的重投影误差。我们使用均方根误差(RMSE)作为我们的度量来评估reprojection,分别对角重投影和模糊半径重投影。对比由于我们的模型接近于[20],我们将我们的本征函数与仅使用角点重投影误差并具有相同初始参数的针孔假设下获得的本征函数进行了比较。我们还提供了从RxLive软件获得的校准参数。6.2. 结果内部参数。注意,像素MI半径是given =R/s,并且如果在射线反转之后形成,则R是given(如图1B所示)。 4),或负,如果之前。对于我们的相机f(i)> d [12],因此R<0意味着m和c i也是n g at iv e。实际上,这意味着我们使用价值在评估过程中。····2554−±±±在我们的实验中,我们设置λ= 0。9931.我们验证了由该近似引入的误差小于像素的度量大小(即,不到1%的优化我们的方法呈现出最小的相对误差,数据集之间的离散度低,优于RxLive软件的估计。值)。 图5示出了估计的线(参见等式(9)),与在N=8处拍摄的裁剪的白色图像,其中每种类型R12-A R12-B R12-C全部微透镜的半径与微透镜的半径有关。 直方图,误差[%]ǫ¯zσzǫ¯zσzǫ¯zσzǫ¯z还给出了每种类型的半径分布。 从半径测量,计算的内部参数为我们的[20]3 .第三章。73六、831 .一、481 .一、173 .第三章。321 .一、161 .一、171 .一、06二、95二、701 .一、350的情况。863.333 .第三章。56估计并给出了每个数据集在选项卡。 二、RxLive4.第一章63二、514.第一章26五、7911个国家。523 .第三章。22六、80R12-A R12-B R12-C第128章. 222128. 293128.333m-140。596- 159。562- 155。975123m=-142。611 −161。428 - 158。292澳门币1.41% 1.16% 1.52%表2:在预校准步骤中为每个数据集计算的内部参数(µm)。m的期望值由m给出,并计算相对误差m=(mm)/m。如所预期的,内部参数dfc和m是不同的。表3:沿着z轴的相对平移误差,注意地面实况位移。对于每个数据集,给出了平均误差σz及其标准差σz。给出了我们方法的结果,并与[20]和专有软件RxLive进行了比较。重投影误差评估。 对于每个评估数据集,总平方像素误差与其计算的RMSE一起报告在Tab中。4.第一章对于每个数据集,每个特征的误差小于1pix,这表明计算的本征函数是有效的,并且可以推广到不同于校准集的图像R12-A(#11424)R12-B(#3200)R12-C(#9568)RMSE合计RMSE合计对于每个数据集,由于D和δc随焦点差异而变化而q′值对于每个数据集都很接近i*使用本征函数,我们将期望系数m(from在Eq. (10)具有优化的参数)及其计算的m值。所有数据集的平均误差为m= 1。36%,比像素还小徒手摄像机校准。 每个数据集的初始参数在Tab中给出。1以及从我们的校准和[ 20 ]中的方法获得的优化参数。为了紧凑而省略了一些参数(即,失真系数和MLA旋转,其可忽略)。使用专有RxLive软件获得的主要镜头焦距为:F h=450=47。709毫米,Fh=1000=50。8942 mm,F h=∞=51。使用我们的方法和[20],优化参数接近其初始值,表明我们的方法为我们的优化过程提供了良好的初始化。 F,d和CNOC在我们的方法的数据集上是一致的。相比之下,用[20]获得的F和d显示出更大的差异。焦距也是如此由RxLive提供。姿势评估。选项卡. 3给出了相对于受控环境实验的地面真实值的相对平移及其误差。即使我们的相对误差与[20]相似,我们也能够检索更多的参数。 使用我们的方法,绝对误差为mm(R12-A:0的情况。370的情况。15毫米,R12-B:1。660的情况。58mm和R12-C:1 .一、38 0. 85 mm),表明重新检验的鳞片是连贯的。对所有数据集求平均表4:每个评价数据集的重投影误差及其观察值数量。对于特征的每个分量,报告总平方像素误差及其计算的RMSE。7. 结论为了校准多焦点全光相机,现有技术的方法依赖于简化假设、重构数据或需要单独的校准过程以考虑多焦点方面。本文介绍了一种新的预校准步骤,它允许我们直接在原始图像空间中计算新的BAP特征。然后,我们推导出一个新的投影模型和一个新的rejec-tion使用此功能的错误我们提出了一个单一的校准过程的基础上非线性优化,使我们能够检索相机参数,特别是微透镜的焦距。通过定性实验和定量评价,验证了该方法的有效性.在未来,我们计划利用这一新功能,以改善度量深度估计。致谢。这项工作得到了AURA地区和欧盟(FEDER)通过CPER 2015-2020 MMaSyF挑战的MMII项目的我们感谢Charles-Antoine Noury和Adrien Coly在收购过程中进行的富有洞察力的讨论和提供的帮助q′三十五135三十六489三十五443q′四十268四十二07541岁278q′三十六822三十八岁。807三十七858好吧8972。910的情况。8861444年980的情况。6725065 330的情况。728u,v8908 650的情况。8831345 200的情况。6485046 680的情况。7262555引用[1] E. H. Adelson和J. R.卑尔根全光功能和早期视力的要素视觉处理的计算模型,第3-20页,1991年。1[2] Yunsu Bok Hae-Gon Jeon和In So Kweon。基于线特征的微透镜光场相机几何标定。在计算机视觉SpringerInternational Publishing,2014. 1[3] Yunsu Bok Hae-Gon Jeon和In So Kweon。基于线特征的微透镜光场相机几何标定IEEE Transactions on PatternAnalysis and Machine Intelligence,39(2):287-300,2017。2[4] 杜安·布朗镜头的偏心变形-在公制相机中遇到的光度工程,32(3):444-462,1966。2[5] 艾·康拉迪偏心晶状体系统。皇家天文学会月报,79:384-390,1919年。2[6] Donald G. Dansereau,Oscar Pizarro,and Stefan B.威廉姆斯基于小透镜的全光相机的解码、校准和校正。Proceedings of the IEEE Computer Society Conference onComputer Vision and Pattern Recognition,第1027-1034页,2013年。1[7] Martin Ester,Hans-Peter Kriegel,Jirg Sander和XiaoweiXu。一种基于密度的含噪声大型空间数据库在KDD,1996中。5[8] 托多尔·格奥尔基耶夫和安德鲁·拉姆斯丹。全光相机的分辨率。Frontiers in Optics 2009/Laser Science XXV/Fall2009 OSA Optics Photonics Technical Digest , pageCTuB3,2009. 1[9] 托多尔·格奥尔基耶夫和安德鲁·拉姆斯丹。多焦点全光相机。在数字摄影VIII中,第69国际光学与光子学会,SPIE,2012。一、二[10] Todor Georgiev,Ke Colin Zheng,Brian Curless,DavidSalesin,Shree K Nayar,and Chintan Intwala.空间--整体摄影中的角度分辨率权衡。Rendering Techniques,2006(263-272):21,2006. 1[11] ChristopherHahne , AndrewLumsdaine , AmarAggoun,and Vladan Velisavljevic.使用基于FPGA的标准全光相机进行实时重聚焦。IEEE工业电子学报,65(12):9757-9766,2018。1[12] 克里斯蒂安·海因策。设计和测试用于计算3D光场相机测量范围值。硕士论文,汉堡应用科学大学-工程与计算机科学学院,2014年。7[13] ChristianHeinze , StefanoSpyropoulos , StephanHussmann,and Christian Perwaiting.多焦点全光相机的自动鲁棒度量IEEE Trans- actions on Instrumentation andMeasurement,65(5):1197- 1205,2016。2[14] Ole Johannsen,Christian Heinze,Bastian Goldluecke,and Christian Perwaitung. 聚焦全光照相机的标定。计算机科学讲义(包括人工智能子系列讲义和生物信息学讲义),8200 LNCS:302-317,2013。2[15] Laurent Kneip , Davide Scaramuzza , and RolandSiegwart.一种新的参数化透视三点问题的直接计算绝对相机的位置和方向。Proceedings of the IEEE ComputerSociety Conference on Computer Vision and PatternRecognition,第2969-2976页6[16] 放大图片作者:William T.弗里曼和弗雷多·杜兰德。通过光场投影的贝叶斯分析了解相机权衡。计算机科学讲义,5305 LNCS(第4部分):88-101,2008。1[17] 加布里埃尔·李普曼。整体摄影。科学院,1911年。1[18] 安德鲁·拉姆斯丹和托多尔·格奥尔基耶夫聚焦全光相机 。 IEEEInternational Conference on ComputationalPhotography(ICCP),第1-8页,2009年4月。2[19] Ren Ng,Marc Levoy,Gene Duval,Mark Horowitz,and Pat Hanrahan.手持全光照相机的光场摄影。技术报告,斯坦福大学,2005年。1[20] Charles Antoine Noury , Céline Teulière , and MichelDhome.从原始图像进行光场相机校准。DICTA 2017 -数字图像计算国际会议:技术和应用,第1-8页,2017年。二五六七八[21] Sotiris Nousias , Francois Chadebecq , Jonas Pichat ,Pearse Keane,Latitien Ourselin,and Christians Bergeles.基于角点的多焦点全光相机几何标定IEEE计算机视觉国际会议论文集,第957-965页,2017年。2[22] 肖恩·奥布莱恩,约亨·特朗普夫,维奥雷拉·伊拉,罗伯特·马霍尼.使用全光盘特征校准光场相机。在2018年3D视觉国际会议(3DV)上,第286-294页。IEEE,2018年。2[23] 克里斯蒂安·佩瓦什和伦纳特·维茨克。单镜头3D-具有扩展景深的相机。人类视觉和电子成像XVII,第49卷,第829108页。SPIE,2012年2月。一、二、五、六[24] 石胜贤、丁俊飞、T.H. New,刘友,张涵沫。单摄像机光场PIV的体积标定增强。流体实验,60(1):21,2019年1月。1[25]
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 计算机系统基石:深度解析与优化秘籍
- 《ThinkingInJava》中文版:经典Java学习宝典
- 《世界是平的》新版:全球化进程加速与教育挑战
- 编程珠玑:程序员的基础与深度探索
- C# 语言规范4.0详解
- Java编程:兔子繁殖与素数、水仙花数问题探索
- Oracle内存结构详解:SGA与PGA
- Java编程中的经典算法解析
- Logback日志管理系统:从入门到精通
- Maven一站式构建与配置教程:从入门到私服搭建
- Linux TCP/IP网络编程基础与实践
- 《CLR via C# 第3版》- 中文译稿,深度探索.NET框架
- Oracle10gR2 RAC在RedHat上的安装指南
- 微信技术总监解密:从架构设计到敏捷开发
- 民用航空专业英汉对照词典:全面指导航空教学与工作
- Rexroth HVE & HVR 2nd Gen. Power Supply Units应用手册:DIAX04选择与安装指南
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)