OpenMVG（特征匹配、照片组重建点云、GPS位置信息、GMS）

目录

1 图像的特征匹配

2 图像中提取GPS位置信息

2.1 写入GPS信息到图像中

2.2 读取带有GPS的图像

3 SIFT/AKAZE/AKAZE_MLDB特征提取对比

4 GMS Filter

5 将球形全景图转换为6个透视视图

6 照片组重建点云 

1 图像的特征匹配


#include "openMVG/features/feature.hpp" // 引入特征处理相关功能
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp" // 引入SIFT特征描述器
#include "openMVG/features/svg_features.hpp" // 引入SVG特征可视化功能
#include "openMVG/image/image_io.hpp" // 引入图像输入输出功能
#include "openMVG/image/image_concat.hpp" // 引入图像拼接功能
#include "openMVG/matching/regions_matcher.hpp" // 引入区域匹配功能
#include "openMVG/matching/svg_matches.hpp" // 引入匹配结果的SVG可视化功能
#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 引入文件系统处理功能#include <cstdlib>
#include <string>
#include <iostream>using namespace openMVG; // 使用openMVG命名空间简化代码
using namespace openMVG::image; // 使用image子命名空间
using namespace openMVG::matching; // 使用matching子命名空间int main() {Image<RGBColor> image; // 定义RGB颜色空间的图像变量// 定义两个图像文件的路径，使用stlplus库函数获取相对路径std::string jpg_filenameL = stlplus::folder_up(std::string(THIS_SOURCE_DIR))+ "/imageData/StanfordMobileVisualSearch/Ace_0.png";std::string jpg_filenameR = stlplus::folder_up(std::string(THIS_SOURCE_DIR))+ "/imageData/StanfordMobileVisualSearch/Ace_1.png";Image<unsigned char> imageL, imageR; // 定义两个灰度图像变量ReadImage(jpg_filenameL.c_str(), &imageL); // 读取左图像ReadImage(jpg_filenameR.c_str(), &imageR); // 读取右图像// 检测图像中的特征区域using namespace openMVG::features; // 使用features子命名空间std::unique_ptr<Image_describer> image_describer(new SIFT_Anatomy_Image_describer); // 创建SIFT特征描述器std::map<IndexT, std::unique_ptr<features::Regions>> regions_perImage; // 创建一个存储每幅图像特征区域的容器image_describer->Describe(imageL, regions_perImage[0]); // 描述左图像的特征区域image_describer->Describe(imageR, regions_perImage[1]); // 描述右图像的特征区域// 获取特征区域的位置const PointFeaturesfeatsL = regions_perImage.at(0)->GetRegionsPositions(), // 左图像的特征位置featsR = regions_perImage.at(1)->GetRegionsPositions(); // 右图像的特征位置// 将两幅图像并排显示{Image<unsigned char> concat; // 定义一个图像变量用于存放拼接后的图像ConcatV(imageL, imageR, concat); // 纵向拼接两幅图像std::string out_filename = "00_images.jpg"; // 定义输出文件名WriteImage(out_filename.c_str(), concat); // 写出拼接后的图像}// 将检测到的特征转换为SIFT特征类型const SIFT_Regions* regionsL = dynamic_cast<SIFT_Regions*>(regions_perImage.at(0).get());const SIFT_Regions* regionsR = dynamic_cast<SIFT_Regions*>(regions_perImage.at(1).get());// 在两幅图像上绘制特征点{Features2SVG(jpg_filenameL,{ imageL.Width(), imageL.Height() }, // 左图像的尺寸regionsL->Features(), // 左图像的特征jpg_filenameR,{ imageR.Width(), imageR.Height() }, // 右图像的尺寸regionsR->Features(), // 右图像的特征"01_features.svg" // 输出SVG文件名);}// 执行匹配操作，找到最近邻点，并通过距离比率过滤std::vector<IndMatch> vec_PutativeMatches; // 定义存储匹配对的容器{// 找到对应点matching::DistanceRatioMatch(0.8, matching::BRUTE_FORCE_L2, // 使用L2范数和0.8的距离比率阈值*regions_perImage.at(0).get(),*regions_perImage.at(1).get(),vec_PutativeMatches); // 存储匹配结果// 绘制经过最近邻比率过滤后的对应关系const bool bVertical = true; // 设置SVG图像为垂直布局Matches2SVG(jpg_filenameL,{ imageL.Width(), imageL.Height() }, // 左图像尺寸regionsL->GetRegionsPositions(), // 左图像特征位置jpg_filenameR,{ imageR.Width(), imageR.Height() }, // 右图像尺寸regionsR->GetRegionsPositions(), // 右图像特征位置vec_PutativeMatches, // 匹配对"02_Matches.svg", // 输出SVG文件名bVertical // 使用垂直布局);}// 显示一些统计信息std::cout << featsL.size() << " Features on image A" << std::endl<< featsR.size() << " Features on image B" << std::endl<< vec_PutativeMatches.size() << " matches after matching with Distance Ratio filter" << std::endl;return EXIT_SUCCESS; // 程序成功执行完毕
}

2 图像中提取GPS位置信息

2.1 写入GPS信息到图像中

准备带有GPS的照片

ExifTool by Phil Harvey

当前目录下执行CMD，查看dog图片的信息

"exiftool(-k).exe" D:\CPlusProject\MVS_program\ALLTestData\GPSImage\dog.jpg

添加GPS信息到该图片中（经纬度和高程） 

"exiftool(-k).exe" -GPSLatitude=34.052234 -GPSLatitudeRef=N -GPSLongitude=-118.243685 -GPSLongitudeRef=W -GPSAltitude=10 -GPSAltitudeRef=0 D:\CPlusProject\MVS_program\ALLTestData\GPSImage\dog.jpg

检查是否有GPS的信息 

 

2.2 读取带有GPS的图像

读取带有GPS的图像，然后将GPS信息转换为ECEF，随后保存下来。


#include "openMVG/exif/exif_IO_EasyExif.hpp" // 引入处理EXIF信息的头文件
#include "openMVG/geodesy/geodesy.hpp" // 引入地理学相关的头文件#include "software/SfM/SfMPlyHelper.hpp" // 引入辅助导出PLY文件的头文件#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 引入处理文件系统的头文件
#include "third_party/cmdLine/cmdLine.h" // 引入命令行处理的头文件#include <iostream>
#include <memory>
#include <string>using namespace openMVG; // 使用openMVG命名空间
using namespace openMVG::exif; // 使用exif子命名空间
using namespace openMVG::geodesy; // 使用geodesy子命名空间int main(int argc, char** argv)
{std::stringsInputDirectory = "", // 定义输入目录的字符串sOutputPLYFile = "GPS_POSITION.ply"; // 定义输出PLY文件的名称CmdLine cmd; // 创建命令行对象// 添加输入目录和输出文件的命令行选项cmd.add(make_option('i', sInputDirectory, "input-directory"));cmd.add(make_option('o', sOutputPLYFile, "output-file"));try{if (argc == 1) throw std::string("Invalid parameter."); // 如果没有提供参数，抛出异常cmd.process(argc, argv); // 处理命令行参数}catch (const std::string& s) // 捕获异常{// 如果捕获到异常，显示帮助信息并退出std::cout<< "Geodesy demo:\n"<< " Export as PLY points the parsed image EXIF GPS positions,\n"<< " -[i|input-directory] Directory that will be parsed.\n"<< "-- OPTIONAL PARAMETERS --\n"<< " -[o|output-file] Output PLY file.\n"<< std::endl;std::cerr << s << std::endl;return EXIT_FAILURE;}// 初始化EXIF读取器std::unique_ptr<Exif_IO> exifReader(new Exif_IO_EasyExif);if (!exifReader){std::cerr << "Cannot instantiate the EXIF metadata reader." << std::endl;return EXIT_FAILURE;}std::vector<Vec3> vec_gps_xyz_position; // 定义一个存储XYZ坐标的向量size_t valid_exif_count = 0; // 有效的EXIF数据计数// 获取输入目录下的所有文件const std::vector<std::string> vec_image = stlplus::folder_files(sInputDirectory);for (const std::string& it_string : vec_image){const std::string sImageFilename = stlplus::create_filespec(sInputDirectory, it_string);// 尝试解析EXIF元数据exifReader->open(sImageFilename);// 检查是否存在EXIF数据if (!exifReader->doesHaveExifInfo())continue; // 如果没有EXIF信息，则跳过此图像++valid_exif_count; // 有效EXIF计数加一// 检查是否存在GPS坐标double latitude, longitude, altitude; // 定义纬度、经度和高度变量if (exifReader->GPSLatitude(&latitude) &&exifReader->GPSLongitude(&longitude) &&exifReader->GPSAltitude(&altitude)){// 将GPS坐标转换为ECEF XYZ坐标，并添加到向量中vec_gps_xyz_position.push_back(lla_to_ecef(latitude, longitude, altitude));}}// 输出报告std::cout << std::endl<< "Report:\n"<< " #file listed: " << vec_image.size() << "\n"<< " #valid exif data: " << valid_exif_count << "\n"<< " #valid exif gps data: " << vec_gps_xyz_position.size() << std::endl;// 如果没有有效的GPS数据，退出程序if (vec_gps_xyz_position.empty()){std::cerr << "No valid GPS data found for the image list" << std::endl;return EXIT_FAILURE;}// 导出XYZ坐标到PLY文件if (plyHelper::exportToPly(vec_gps_xyz_position, sOutputPLYFile)){std::cout << sOutputPLYFile << " -> successfully exported on disk." << std::endl;return EXIT_SUCCESS; // 成功导出}return EXIT_FAILURE; // 导出失败
}

3 SIFT/AKAZE/AKAZE_MLDB特征提取对比

三者的区别网上多的是，但是还是因地制宜，多试试。代码在之前博客中已经详细介绍了。

1. SIFT (Scale-Invariant Feature Transform)

  • 主要特点：SIFT 是一种用于检测和描述图像中的局部特征的算法。它对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也具有一定的稳定性。
  • 应用：广泛用于图像匹配、物体识别、3D重建、追踪等。
  • 优点：鲁棒性强，特征描述符独特且信息丰富。
  • 缺点：计算量大，速度较慢，对于实时应用可能不太合适。

2. AKAZE (Accelerated-KAZE)

  • 主要特点：AKAZE 是 KAZE 的加速版本，使用快速显著性检测和非线性尺度空间技术。它提供了一种计算效率更高的特征检测和描述符提取方法。
  • 应用：适用于需要快速特征提取的场景，如实时视频处理、移动应用中的图像识别等。
  • 优点：比 KAZE 更快，保留了对尺度和旋转的不变性。
  • 缺点：虽然比 SIFT 快，但在特征描述符的区分度和鲁棒性方面可能略逊一筹。

3. AKAZE_MLDB (Modified Local Difference Binary)

  • 主要特点：AKAZE_MLDB 是 AKAZE 的变体，使用二进制字符串作为特征描述符，以进一步提高计算效率和匹配速度。
  • 应用：特别适用于对速度要求很高且对匹配准确性要求较高的应用。
  • 优点：速度快，内存需求低，适合在资源受限的设备上运行。
  • 缺点：虽然速度快，但相较于 SIFT，其特征描述符的鉴别力可能较低。

总结

  • 速度和效率：AKAZE > AKAZE_MLDB > SIFT。
  • 特征鉴别力和鲁棒性：SIFT > AKAZE > AKAZE_MLDB。
  • 适用场景：SIFT 更适合对特征描述的鲁棒性和准确性要求较高的复杂应用；AKAZE 和 AKAZE_MLDB 更适合对计算速度和效率要求较高的应用。
// This file is part of OpenMVG, an Open Multiple View Geometry C++ library.// Copyright (c) 2015 Pierre MOULON.// This Source Code Form is subject to the terms of the Mozilla Public
// License, v. 2.0. If a copy of the MPL was not distributed with this
// file, You can obtain one at http://mozilla.org/MPL/2.0/.#include "openMVG/image/image_io.hpp"
#include "openMVG/image/image_concat.hpp"
#include "openMVG/features/akaze/image_describer_akaze.hpp"
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp"
#include "openMVG/features/svg_features.hpp"
#include "openMVG/matching/regions_matcher.hpp"
#include "openMVG/matching/svg_matches.hpp"#include "third_party/stlplus3/filesystemSimplified/file_system.hpp"
#include "third_party/cmdLine/cmdLine.h"
#include <memory>
#include <string>using namespace openMVG;
using namespace openMVG::image;int main(int argc, char **argv) {// Add options to choose the desired Image_describerstd::string sImage_describer_type = "SIFT";CmdLine cmd;cmd.add( make_option('t', sImage_describer_type, "type") );try {if (argc == 1) throw std::string("Invalid command line parameter.");cmd.process(argc, argv);} catch (const std::string& s) {std::cerr << "Usage: " << argv[0] << '\n'<< "\n[Optional]\n"<< "[-t|--type\n"<< "  (choose an image_describer interface):\n"<< "   SIFT: SIFT keypoint & descriptor,\n"<< "   AKAZE: AKAZE keypoint & floating point descriptor]"<< std::endl;std::cerr << s << std::endl;return EXIT_FAILURE;}const std::string jpg_filenameL = stlplus::folder_up(std::string(THIS_SOURCE_DIR))+ "/imageData/StanfordMobileVisualSearch/Ace_0.png";const std::string jpg_filenameR = stlplus::folder_up(std::string(THIS_SOURCE_DIR))+ "/imageData/StanfordMobileVisualSearch/Ace_1.png";Image<unsigned char> imageL, imageR;ReadImage(jpg_filenameL.c_str(), &imageL);ReadImage(jpg_filenameR.c_str(), &imageR);assert(imageL.data() && imageR.data());// Call Keypoint extractorusing namespace openMVG::features;std::unique_ptr<Image_describer> image_describer;if (sImage_describer_type == "SIFT")image_describer.reset(new SIFT_Anatomy_Image_describer(SIFT_Anatomy_Image_describer::Params()));else if (sImage_describer_type == "AKAZE")image_describer = AKAZE_Image_describer::create(AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MSURF));else if (sImage_describer_type == "AKAZE_MLDB")image_describer = AKAZE_Image_describer::create(AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MLDB));if (!image_describer){std::cerr << "Invalid Image_describer type" << std::endl;return EXIT_FAILURE;}//--// Detect regions thanks to the image_describer//--std::map<IndexT, std::unique_ptr<features::Regions>> regions_perImage;image_describer->Describe(imageL, regions_perImage[0]);image_describer->Describe(imageR, regions_perImage[1]);//--// Display used images & Features//--{//- Show images side by sideImage<unsigned char> concat;ConcatH(imageL, imageR, concat);const std::string out_filename = "00_images.jpg";WriteImage(out_filename.c_str(), concat);}{//- Draw features on the images (side by side)Features2SVG(jpg_filenameL,{imageL.Width(), imageL.Height()},regions_perImage.at(0)->GetRegionsPositions(),jpg_filenameR,{imageR.Width(), imageR.Height()},regions_perImage.at(1)->GetRegionsPositions(),"01_features.svg");}//--// Compute corresponding points//--//-- Perform matching -> find Nearest neighbor, filtered with Distance ratiomatching::IndMatches vec_PutativeMatches;matching::DistanceRatioMatch(0.8, matching::BRUTE_FORCE_L2,*regions_perImage.at(0).get(),*regions_perImage.at(1).get(),vec_PutativeMatches);// Draw correspondences after Nearest Neighbor ratio filter{const bool bVertical = true;Matches2SVG(jpg_filenameL,{imageL.Width(), imageL.Height()},regions_perImage.at(0)->GetRegionsPositions(),jpg_filenameR,{imageR.Width(), imageR.Height()},regions_perImage.at(1)->GetRegionsPositions(),vec_PutativeMatches,"02_Matches.svg",bVertical);}// Display some statisticsstd::cout<< regions_perImage.at(0)->RegionCount() << " #Features on image A" << std::endl<< regions_perImage.at(1)->RegionCount() << " #Features on image B" << std::endl<< vec_PutativeMatches.size() << " #matches with Distance Ratio filter" << std::endl;return EXIT_SUCCESS;
}

SIFT

AKAZE

AKAZE_MLDB 

4 GMS Filter

  1. 将运动平滑约束转换为剔除错误匹配的统计量，实验证明该算法能够应对较为棘手的场景；
  2. 提出了一种高效的基于网格的得分估计器，使得该算法能够用于实时特征匹配；
  3. 能够取得比Lowe Ratio更好的特征匹配筛选效果，该结论已经在传统特征如SIFT，SURF以及CNN特征如LIFT上得到验证；

GMS：一种基于运动统计的快速鲁棒特征匹配过滤算法 - 知乎 (zhihu.com)

GMS滤波特征点前需要大量的特征点，有利于得到更好的筛选结果 

// This file is part of OpenMVG, an Open Multiple View Geometry C++ library.// Copyright (c) 2017 Pierre MOULON.// This Source Code Form is subject to the terms of the Mozilla Public
// License, v. 2.0. If a copy of the MPL was not distributed with this
// file, You can obtain one at http://mozilla.org/MPL/2.0/.#include "openMVG/image/image_io.hpp"
#include "openMVG/image/image_concat.hpp"
#include "openMVG/features/akaze/image_describer_akaze.hpp"
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp"
#include "openMVG/features/svg_features.hpp"
#include "openMVG/matching/regions_matcher.hpp"
#include "openMVG/matching/svg_matches.hpp"
#include "openMVG/robust_estimation/gms_filter.hpp"#include "third_party/cmdLine/cmdLine.h"
#include "third_party/stlplus3/filesystemSimplified/file_system.hpp"#include <memory>
#include <string>using namespace openMVG;
using namespace openMVG::image;
using namespace openMVG::robust;int main(int argc, char **argv) {// Add options to choose the desired Image_describerstd::string sImage_describer_type = "SIFT";CmdLine cmd;cmd.add( make_option('t', sImage_describer_type, "type") );cmd.add( make_switch('d', "distance_ratio"));try {if (argc == 1) throw std::string("Invalid command line parameter.");cmd.process(argc, argv);} catch(const std::string& s) {std::cerr << "Usage: " << argv[0] << '\n'<< "\n[Optional]\n"<< "[-t|--type\n"<< "  (choose an image_describer interface):\n"<< "   SIFT: SIFT keypoint & descriptor,\n"<< "   AKAZE: AKAZE keypoint & floating point descriptor]\n"<< "   AKAZE_MLDB: AKAZE keypoint & binary descriptor]\n"<< "[-d|distance_ratio] Use distance ratio filter before GMS, else 1-1 matching is used."<< std::endl;std::cerr << s << std::endl;return EXIT_FAILURE;}const std::string jpg_filenameL = stlplus::folder_up(std::string(THIS_SOURCE_DIR))+ "/imageData/StanfordMobileVisualSearch/Ace_0.png";const std::string jpg_filenameR = stlplus::folder_up(std::string(THIS_SOURCE_DIR))+ "/imageData/StanfordMobileVisualSearch/Ace_1.png";Image<unsigned char> imageL, imageR;ReadImage(jpg_filenameL.c_str(), &imageL);ReadImage(jpg_filenameR.c_str(), &imageR);assert(imageL.data() && imageR.data());// Call Keypoint extractorusing namespace openMVG::features;std::unique_ptr<Image_describer> image_describer;if (sImage_describer_type == "SIFT")image_describer.reset(new SIFT_Anatomy_Image_describer(SIFT_Anatomy_Image_describer::Params()));else if (sImage_describer_type == "AKAZE")image_describer = AKAZE_Image_describer::create(AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MSURF));else if (sImage_describer_type == "AKAZE_MLDB")image_describer = AKAZE_Image_describer::create(AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MLDB));if (!image_describer){std::cerr << "Invalid Image_describer type" << std::endl;return EXIT_FAILURE;}// GMS requires to have a lot of featuresimage_describer->Set_configuration_preset(features::ULTRA_PRESET);//--// Detect regions thanks to the image_describer//--std::map<IndexT, std::unique_ptr<features::Regions> > regions_perImage;image_describer->Describe(imageL, regions_perImage[0]);image_describer->Describe(imageR, regions_perImage[1]);//--// Display used images & Features//--{//- Show images side by sideImage<unsigned char> concat;ConcatH(imageL, imageR, concat);const std::string out_filename = "00_images.jpg";WriteImage(out_filename.c_str(), concat);}{//- Draw features on the images (side by side)Features2SVG(jpg_filenameL,{imageL.Width(), imageL.Height()},regions_perImage.at(0)->GetRegionsPositions(),jpg_filenameR,{imageR.Width(), imageR.Height()},regions_perImage.at(1)->GetRegionsPositions(),"01_features.svg");}//--// Compute corresponding points//--//-- Perform matching -> find Nearest neighbor, filtered with Distance ratiomatching::IndMatches vec_PutativeMatches;const bool distance_ratio_matching = cmd.used('d');if (distance_ratio_matching){const float kDistanceRatio = 0.8f;matching::DistanceRatioMatch(kDistanceRatio,(sImage_describer_type == "AKAZE_MLDB") ? matching::BRUTE_FORCE_HAMMING: matching::BRUTE_FORCE_L2,*regions_perImage.at(0).get(),*regions_perImage.at(1).get(),vec_PutativeMatches);}else{matching::Match((sImage_describer_type == "AKAZE_MLDB") ? matching::BRUTE_FORCE_HAMMING: matching::BRUTE_FORCE_L2,*regions_perImage.at(0).get(),*regions_perImage.at(1).get(),vec_PutativeMatches);}// Draw the putative photometric correspondences{const bool bVertical = true;Matches2SVG(jpg_filenameL,{imageL.Width(), imageL.Height()},regions_perImage.at(0)->GetRegionsPositions(),jpg_filenameR,{imageR.Width(), imageR.Height()},regions_perImage.at(1)->GetRegionsPositions(),vec_PutativeMatches,"02_Matches.svg",bVertical);}// Display some statisticsstd::cout << vec_PutativeMatches.size() << " #matches Found" << std::endl;// Apply the GMS filter{std::vector<Eigen::Vector2f> vec_points_left;{const auto & regions_pos = regions_perImage.at(0)->GetRegionsPositions();vec_points_left.reserve(regions_pos.size());for (const auto & it : regions_pos)vec_points_left.push_back({it.x(), it.y()});}std::vector<Eigen::Vector2f> vec_points_right;{const auto & regions_pos = regions_perImage.at(1)->GetRegionsPositions();vec_points_right.reserve(regions_pos.size());for (const auto & it : regions_pos)vec_points_right.push_back({it.x(), it.y()});}const int kGmsThreshold = 6;robust::GMSFilter gms(vec_points_left,  {imageL.Width(), imageL.Height()},vec_points_right, {imageR.Width(), imageR.Height()},vec_PutativeMatches,kGmsThreshold);const bool with_scale_invariance = true;const bool with_rotation_invariance = true;std::vector<bool> inlier_flags;const int nb_inliers = gms.GetInlierMask(inlier_flags,with_scale_invariance,with_rotation_invariance);std::cout<< vec_points_left.size() << " #Features on image A" << std::endl<< vec_points_right.size() << " #Features on image B" << std::endl<< nb_inliers << " #matches kept by the GMS Filter" << std::endl;matching::IndMatches vec_gms_matches;for (int i = 0; i < static_cast<int>(inlier_flags.size()); ++i){if (inlier_flags[i])vec_gms_matches.push_back(vec_PutativeMatches[i]);}// Draw the correspondences kept by the GMSFilter{const bool bVertical = true;Matches2SVG(jpg_filenameL,{imageL.Width(), imageL.Height()},regions_perImage.at(0)->GetRegionsPositions(),jpg_filenameR,{imageR.Width(), imageR.Height()},regions_perImage.at(1)->GetRegionsPositions(),vec_gms_matches,"03_GMSMatches.svg",bVertical);}}return EXIT_SUCCESS;
}

 

5 将球形全景图转换为6个透视视图

#include "openMVG/image/image_io.hpp" // 包含处理图像输入输出的头文件
#include "openMVG/spherical/cubic_image_sampler.hpp" // 包含球形到立方体采样转换的头文件#include "third_party/cmdLine/cmdLine.h" // 包含命令行处理的第三方库头文件
#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 包含文件系统处理的第三方库头文件#include <string> // 包含字符串处理的标准库头文件// 将球形全景图转换为6个透视视图（立方体全景图）
int main(int argc, char** argv)
{CmdLine cmd; // 命令行处理对象std::strings_input_image, // 输入图片路径s_output_image; // 输出图片路径// 需要的参数cmd.add(make_option('i', s_input_image, "input_image")); // 添加输入图片路径的选项cmd.add(make_option('o', s_output_image, "output_image")); // 添加输出图片路径的选项try {if (argc == 1) throw std::string("Invalid command line parameter."); // 如果没有提供参数，抛出异常cmd.process(argc, argv); // 处理命令行参数}catch (const std::string& s) {std::cerr << "Usage: " << argv[0] << '\n'<< "[-i|--input_image] the path to the spherical panorama\n"<< "[-o|--output_image] the export directory path \n"<< std::endl; // 捕获异常并打印使用方法return EXIT_FAILURE; // 程序异常退出}if (s_input_image.empty() || s_output_image.empty()){std::cerr << "input_image and output_image options must not be empty" << std::endl; // 确保输入输出路径不为空return EXIT_FAILURE;}using namespace openMVG; // 使用OpenMVG命名空间image::Image<image::RGBColor> spherical_image; // 创建一个用于存储球形全景图的图像对象if (!ReadImage(s_input_image.c_str(), &spherical_image)) // 读取输入的球形全景图{std::cerr << "Cannot read the input panoramic image: " << s_input_image << std::endl; // 如果读取失败，打印错误信息return EXIT_FAILURE;}const double cubic_image_size = spherical_image.Width() / 4; // 计算立方体图像的大小，这里简单地将球形图像的宽度除以4const openMVG::cameras::Pinhole_Intrinsic pinhole_camera =spherical::ComputeCubicCameraIntrinsics(cubic_image_size); // 计算立方体相机内参std::vector<image::Image<image::RGBColor>> cube_images(6); // 创建一个向量，用于存储转换后的六个立方体面图像spherical::SphericalToCubic(spherical_image,pinhole_camera,cube_images,image::Sampler2d<image::SamplerNearest>() // 使用最近邻采样); // 将球形图像转换为立方体图像if (WriteImage("cube_0.png", cube_images[0]) &&WriteImage("cube_1.png", cube_images[1]) &&WriteImage("cube_2.png", cube_images[2]) &&WriteImage("cube_3.png", cube_images[3]) &&WriteImage("cube_4.png", cube_images[4]) &&WriteImage("cube_5.png", cube_images[5])) // 将六个面的图像写入文件return EXIT_SUCCESS; // 成功退出return EXIT_FAILURE; // 如果写入失败，程序异常退出
}

6 照片组重建点云 

 图像处理中，outlier和inlier分别指什么？_inliers-CSDN博客

 

 两张图片重建点云

相机内参 

#include "openMVG/cameras/Camera_Pinhole.hpp" // 包含针孔相机模型头文件
#include "openMVG/features/feature.hpp" // 包含特征点检测相关头文件
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp" // 包含SIFT特征描述器相关头文件
#include "openMVG/features/svg_features.hpp" // 包含SVG特征导出相关头文件
#include "openMVG/geometry/pose3.hpp" // 包含3D姿态相关头文件
#include "openMVG/image/image_io.hpp" // 包含图像输入输出相关头文件
#include "openMVG/image/image_concat.hpp" // 包含图像拼接相关头文件
#include "openMVG/matching/indMatchDecoratorXY.hpp" // 包含匹配点装饰器相关头文件
#include "openMVG/matching/regions_matcher.hpp" // 包含区域匹配器相关头文件
#include "openMVG/matching/svg_matches.hpp" // 包含SVG匹配导出相关头文件
#include "openMVG/multiview/triangulation.hpp" // 包含多视图三角化相关头文件
#include "openMVG/numeric/eigen_alias_definition.hpp" // 包含Eigen库别名定义头文件
#include "openMVG/sfm/pipelines/sfm_robust_model_estimation.hpp" // 包含鲁棒模型估计相关头文件#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 包含简化的文件系统操作相关头文件#include <iostream> // 包含标准输入输出流头文件
#include <string> // 包含字符串处理头文件
#include <utility> // 包含实用工具头文件，例如pairusing namespace openMVG; // 使用OpenMVG命名空间
using namespace openMVG::matching; // 使用OpenMVG匹配命名空间
using namespace openMVG::image; // 使用OpenMVG图像命名空间
using namespace openMVG::cameras; // 使用OpenMVG相机命名空间
using namespace openMVG::geometry; // 使用OpenMVG几何命名空间/// 从文件中读取内参矩阵K（ASCII格式）
bool readIntrinsic(const std::string& fileName, Mat3& K);/// 将3D点向量和相机位置导出到PLY格式
bool exportToPly(const std::vector<Vec3>& vec_points,const std::vector<Vec3>& vec_camPos,const std::string& sFileName);int main() {// 定义输入目录路径const std::string sInputDir = stlplus::folder_up(std::string(THIS_SOURCE_DIR))+ "/imageData/SceauxCastle/";// 定义两张图片的文件名const std::string jpg_filenameL = sInputDir + "100_7101.jpg";const std::string jpg_filenameR = sInputDir + "100_7102.jpg";// 创建两个图像对象Image<unsigned char> imageL, imageR;// 读取两张图片ReadImage(jpg_filenameL.c_str(), &imageL);ReadImage(jpg_filenameR.c_str(), &imageR);//--// 利用图像描述器检测区域//--using namespace openMVG::features; // 使用OpenMVG特征命名空间std::unique_ptr<Image_describer> image_describer(new SIFT_Anatomy_Image_describer); // 创建SIFT图像描述器std::map<IndexT, std::unique_ptr<features::Regions>> regions_perImage; // 创建存储每张图像区域的映射image_describer->Describe(imageL, regions_perImage[0]); // 描述第一张图像image_describer->Describe(imageR, regions_perImage[1]); // 描述第二张图像// 将区域转换为SIFT区域const SIFT_Regions* regionsL = dynamic_cast<SIFT_Regions*>(regions_perImage.at(0).get());const SIFT_Regions* regionsR = dynamic_cast<SIFT_Regions*>(regions_perImage.at(1).get());// 获取特征点位置const PointFeaturesfeatsL = regions_perImage.at(0)->GetRegionsPositions(),featsR = regions_perImage.at(1)->GetRegionsPositions();// 将两张图像并排显示{Image<unsigned char> concat;ConcatH(imageL, imageR, concat);std::string out_filename = "01_concat.jpg";WriteImage(out_filename.c_str(), concat);}//- 在两幅图像上绘制特征点（并排显示）{Features2SVG(jpg_filenameL,{ imageL.Width(), imageL.Height() },regionsL->Features(),jpg_filenameR,{ imageR.Width(), imageR.Height() },regionsR->Features(),"02_features.svg");}std::vector<IndMatch> vec_PutativeMatches; // 创建存储假设匹配的向量//-- 执行匹配 -> 寻找最近邻点，通过距离比率过滤{// 寻找对应点matching::DistanceRatioMatch(0.8, matching::BRUTE_FORCE_L2,*regions_perImage.at(0).get(),*regions_perImage.at(1).get(),vec_PutativeMatches);IndMatchDecorator<float> matchDeduplicator(vec_PutativeMatches, featsL, featsR);matchDeduplicator.getDeduplicated(vec_PutativeMatches);std::cout<< regions_perImage.at(0)->RegionCount() << " #Features on image A" << std::endl<< regions_perImage.at(1)->RegionCount() << " #Features on image B" << std::endl<< vec_PutativeMatches.size() << " #matches with Distance Ratio filter" << std::endl;// 绘制经过最近邻比率过滤后的对应点const bool bVertical = true;Matches2SVG(jpg_filenameL,{ imageL.Width(), imageL.Height() },regionsL->GetRegionsPositions(),jpg_filenameR,{ imageR.Width(), imageR.Height() },regionsR->GetRegionsPositions(),vec_PutativeMatches,"03_Matches.svg",bVertical);}//-----------------------------------------------------------------------------------// 对假设匹配进行基本的几何过滤{Mat3 K; // 创建内参矩阵K// 从文件读取K矩阵if (!readIntrinsic(stlplus::create_filespec(sInputDir, "K", "txt"), K)){std::cerr << "Cannot read intrinsic parameters." << std::endl;return EXIT_FAILURE;}// 定义两个针孔相机内参const Pinhole_IntrinsiccamL(imageL.Width(), imageL.Height(), K(0, 0), K(0, 2), K(1, 2)),camR(imageR.Width(), imageR.Height(), K(0, 0), K(0, 2), K(1, 2));//A. 准备对应的假设点Mat xL(2, vec_PutativeMatches.size());Mat xR(2, vec_PutativeMatches.size());for (size_t k = 0; k < vec_PutativeMatches.size(); ++k) {const PointFeature& imaL = featsL[vec_PutativeMatches[k].i_];const PointFeature& imaR = featsR[vec_PutativeMatches[k].j_];xL.col(k) = imaL.coords().cast<double>();xR.col(k) = imaR.coords().cast<double>();}//B. 通过本质矩阵估计计算相对姿态const std::pair<size_t, size_t> size_imaL(imageL.Width(), imageL.Height());const std::pair<size_t, size_t> size_imaR(imageR.Width(), imageR.Height());sfm::RelativePose_Info relativePose_info;if (!sfm::robustRelativePose(&camL, &camR, xL, xR, relativePose_info, size_imaL, size_imaR, 256)){std::cerr << " /!\\ Robust relative pose estimation failure."<< std::endl;return EXIT_FAILURE;}std::cout << "\nFound an Essential matrix:\n"<< "\tprecision: " << relativePose_info.found_residual_precision << " pixels\n"<< "\t#inliers: " << relativePose_info.vec_inliers.size() << "\n"<< "\t#matches: " << vec_PutativeMatches.size()<< std::endl;// 展示经过本质矩阵验证的点const bool bVertical = true;InlierMatches2SVG(jpg_filenameL,{ imageL.Width(), imageL.Height() },regionsL->GetRegionsPositions(),jpg_filenameR,{ imageR.Width(), imageR.Height() },regionsR->GetRegionsPositions(),vec_PutativeMatches,//一个匹配对的表示形式为{i_=1761 j_=1580}，这意味着左图像中的第1761个特征点与右图像中的第1580个特征点被认为是匹配的。relativePose_info.vec_inliers,//每个元素，如169，表示在vec_PutativeMatches中索引为169的匹配对是一个内点，即这个匹配对被认为是可靠的，能够反映两个图像间真实的几何关系。"04_ACRansacEssential.svg",bVertical//true，则图像垂直排列；如果为false，则水平排列);//C. 三角化并导出内点作为PLY场景std::vector<Vec3> vec_3DPoints; // 创建3D点向量// 设置相机内参和姿态const Pinhole_Intrinsic intrinsic0(imageL.Width(), imageL.Height(), K(0, 0), K(0, 2), K(1, 2));const Pinhole_Intrinsic intrinsic1(imageR.Width(), imageR.Height(), K(0, 0), K(0, 2), K(1, 2));const Pose3 pose0 = Pose3(Mat3::Identity(), Vec3::Zero()); // 第一个相机的姿态const Pose3 pose1 = relativePose_info.relativePose; // 第二个相机的姿态// 通过内点的三角化初始化结构std::vector<double> vec_residuals; // 创建存储重投影误差的向量vec_residuals.reserve(relativePose_info.vec_inliers.size() * 4);for (const auto inlier_idx : relativePose_info.vec_inliers) {const SIOPointFeature& LL = regionsL->Features()[vec_PutativeMatches[inlier_idx].i_];const SIOPointFeature& RR = regionsR->Features()[vec_PutativeMatches[inlier_idx].j_];// 点三角化Vec3 X; // 三角化得到的3D点const ETriangulationMethod triangulation_method = ETriangulationMethod::DEFAULT; // 选择三角化方法if (Triangulate2View(pose0.rotation(), pose0.translation(), intrinsic0(LL.coords().cast<double>()),pose1.rotation(), pose1.translation(), intrinsic1(RR.coords().cast<double>()),X,triangulation_method)){const Vec2 residual0 = intrinsic0.residual(pose0(X), LL.coords().cast<double>()); // 计算第一个相机的重投影误差（重投影误差是二维的，x和y轴上的）const Vec2 residual1 = intrinsic1.residual(pose1(X), RR.coords().cast<double>()); // 计算第二个相机的重投影误差vec_residuals.emplace_back(std::abs(residual0(0))); // 存储误差：重投影误差是三维点投影回相机成像平面后的误差，它是衡量三维重建质量的一个关键指标。vec_residuals.emplace_back(std::abs(residual0(1)));vec_residuals.emplace_back(std::abs(residual1(0)));vec_residuals.emplace_back(std::abs(residual1(1)));vec_3DPoints.emplace_back(X); // 存储3D点}}// 显示重投影误差的一些统计信息float dMin, dMax, dMean, dMedian; // 定义最小值、最大值、平均值、中位数minMaxMeanMedian<float>(vec_residuals.cbegin(), vec_residuals.cend(),dMin, dMax, dMean, dMedian); // 计算统计值std::cout << std::endl<< "Triangulation residuals statistics:" << "\n"<< "\t-- Residual min:\t" << dMin << "\n"<< "\t-- Residual median:\t" << dMedian << "\n"<< "\t-- Residual max:\t " << dMax << "\n"<< "\t-- Residual mean:\t " << dMean << std::endl;// 导出为PLY格式（相机位置+3D点）std::vector<Vec3> vec_camPos; // 创建存储相机位置的向量vec_camPos.push_back(pose0.center()); // 第一个相机的中心vec_camPos.push_back(pose1.center()); // 第二个相机的中心exportToPly(vec_3DPoints, vec_camPos, "EssentialGeometry.ply"); // 导出PLY文件}return EXIT_SUCCESS; // 程序成功退出
}bool readIntrinsic(const std::string& fileName, Mat3& K)
{// 加载K矩阵std::ifstream in;in.open(fileName.c_str(), std::ifstream::in);if (in) {for (int j = 0; j < 3; ++j)for (int i = 0; i < 3; ++i)in >> K(j, i); // 从文件读取K矩阵元素}else {std::cerr << std::endl<< "Invalid input K.txt file" << std::endl;return false; // 读取失败}return true; // 读取成功
}bool exportToPly(const std::vector<Vec3>& vec_points,const std::vector<Vec3>& vec_camPos,const std::string& sFileName)
{std::ofstream outfile; // 创建文件输出流outfile.open(sFileName.c_str(), std::ios_base::out); // 打开文件// 写入PLY文件头outfile << "ply"<< '\n' << "format ascii 1.0"<< '\n' << "element vertex " << vec_points.size() + vec_camPos.size()<< '\n' << "property float x"<< '\n' << "property float y"<< '\n' << "property float z"<< '\n' << "property uchar red"<< '\n' << "property uchar green"<< '\n' << "property uchar blue"<< '\n' << "end_header" << std::endl;// 写入3D点数据for (size_t i = 0; i < vec_points.size(); ++i) {outfile << vec_points[i].transpose()<< " 255 255 255" << "\n"; // 3D点为白色}// 写入相机位置数据for (size_t i = 0; i < vec_camPos.size(); ++i) {outfile << vec_camPos[i].transpose()<< " 0 255 0" << "\n"; // 相机位置为绿色}outfile.flush(); // 刷新输出流const bool bOk = outfile.good(); // 检查写入是否成功outfile.close(); // 关闭文件return bOk; // 返回写入状态
}

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/257639.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

ELAdmin 部署

ELAdmin 部署

后端部署 按需修改 application-prod.yml 例如验证码方式、登录状态到期时间等等。 修改完成后打好 Jar 包 执行完成后会生成最终可执行的 jar。JPA版本是 2.6&#xff0c;MyBatis 版本是 1.1。 启动命令 nohup java -jar eladmin-system-2.6.jar --spring.profiles.active…
阅读更多...
vmware workstation群晖虚拟机vmdk文件导出

vmware workstation群晖虚拟机vmdk文件导出

为了防止群晖虚拟机中整个挂掉&#xff0c;里面的文件导不出来&#xff0c;尝试直接从vmdk中获取内容。 1、想采用diskgenius去读取文件&#xff0c;发现volume1是空的。只能读取群晖的系统文件。 2、选择另一个linux系统的虚拟机&#xff0c;选择对应的vmdk 3、如果有文件管理…
阅读更多...
二叉树的层序遍历II

二叉树的层序遍历II

1.题目 这道题是2024-2-15的签到题&#xff0c;题目难度为中等。 考察的知识点为BFS算法&#xff08;树的层序遍历&#xff09; 题目链接&#xff1a;二叉树的层序遍历II 给你二叉树的根节点 root &#xff0c;返回其节点值 自底向上的层序遍历 。 &#xff08;即按从叶子节…
阅读更多...
【Qt 学习之路】在 Qt 使用 ZeroMQ

【Qt 学习之路】在 Qt 使用 ZeroMQ

文章目录 1、概述2、ZeroMQ介绍2.1、ZeroMQ 是什么2.2、ZeroMQ 主线程与I/O线程2.3、ZeroMQ 4种模型2.4、ZeroMQ 相关地址 3、Qt 使用 ZeroMQ3.1、下载 ZeroMQ3.2、添加 ZeroMQ 库3.3、使用 ZeroMQ3.4、相关 ZeroMQ 案例 1、概述 今天是大年初一&#xff0c;先给大家拜个年&am…
阅读更多...
Netty Review - NioEventLoopGroup源码解析

Netty Review - NioEventLoopGroup源码解析

文章目录 概述类继承关系源码分析小结 概述 EventLoopGroup bossGroup new NioEventLoopGroup(1); EventLoopGroup workerGroup new NioEventLoopGroup();这段代码是在使用Netty框架时常见的用法&#xff0c;用于创建两个不同的EventLoopGroup实例&#xff0c;一个用于处理连…
阅读更多...
【网工】华为设备命令学习（Telnet)

【网工】华为设备命令学习（Telnet)

本次实验AR3为我们实际中远程的路由&#xff0c;AR4模拟我们的设备&#xff0c;最终实现Telnet的远程控制路由&#xff01; 本次笔记主要记录Telnet技术实现原理&#xff0c;后续再补充具体配置代码。 Telnet协议是TCP/IP协议族中的一员&#xff0c;是Internet远程登录服务的…
阅读更多...
如何安装x11vnc并结合cpolar实现win远程桌面Deepin

如何安装x11vnc并结合cpolar实现win远程桌面Deepin

文章目录 1. 安装x11vnc2. 本地远程连接测试3. Deepin安装Cpolar4. 配置公网远程地址5. 公网远程连接Deepin桌面6. 固定连接公网地址7. 固定公网地址连接测试 正文开始前给大家推荐个网站&#xff0c;前些天发现了一个巨牛的 人工智能学习网站&#xff0c; 通俗易懂&#xff…
阅读更多...
Java入门--简单介绍

Java入门--简单介绍

目录 java入门-01-java学习介绍 java入门-02-人机交互-图形化界面的小故事 java入门-03-打开CMD java入门-04-常见的CMD命令 常用CMD命令 java入门-05-练习-利用CMD打开QQ并配置环境变量 java入门-06-Java概述和学习方法 学习路线 Java基础语法 contents&#xff1a; …
阅读更多...
华为机考入门python3--（14）牛客14-字符串排序

华为机考入门python3--（14）牛客14-字符串排序

分类&#xff1a;列表、排序 知识点&#xff1a; 字典序排序 sorted(my_list) 题目来自【牛客】 def sort_strings_by_lex_order(strings): # 使用内置的sorted函数进行排序&#xff0c;默认是按照字典序排序 sorted_strings sorted(strings) # 返回排序后的字符串列…
阅读更多...
备战蓝桥杯---动态规划（基础3）

备战蓝桥杯---动态规划（基础3）

本专题主要介绍在求序列的经典问题上dp的应用。 我们上次用前缀和来解决&#xff0c;这次让我们用dp解决把 我们参考不下降子序列的思路&#xff0c;可以令f[i]为以i结尾的最大字段和&#xff0c;易得&#xff1a; f[i]max(a[i],a[i]f[i-1]); 下面是AC代码&#xff1a; #in…
阅读更多...
SpringBoot3整合Knife4j

SpringBoot3整合Knife4j

前置&#xff1a; 官网&#xff1a;快速开始 | Knife4j gitee&#xff1a;swagger-bootstrap-ui-demo: knife4j 以及swagger-bootstrap-ui 集成框架示例项目 - Gitee.com 1.依赖引入&#xff1a; ps&#xff1a;json处理需要引入相关包 <dependency><groupId>c…
阅读更多...
什么是自编码器Auto-Encoder？

什么是自编码器Auto-Encoder？

来源&#xff1a;https://www.bilibili.com/video/BV1Vx411j78H/?spm_id_from333.1007.0.0&vd_sourcef66cebc7ed6819c67fca9b4fa3785d39 为什么要压缩呢&#xff1f; 让神经网络直接从上千万个神经元中学习是一件很吃力的事情&#xff0c;因此通过压缩提取出原图片中最具代…
阅读更多...
【Py/Java/C++三种语言详解】LeetCode每日一题240214【二叉树BFS】LeetCode102、二叉树的层序遍历

【Py/Java/C++三种语言详解】LeetCode每日一题240214【二叉树BFS】LeetCode102、二叉树的层序遍历

有LeetCode交流群/华为OD考试扣扣交流群可加&#xff1a;948025485 可上全网独家的 欧弟OJ系统 练习华子OD、大厂真题 绿色聊天软件戳 od1336了解算法冲刺训练 文章目录 题目链接题目描述解题思路DFS和BFS异同用队列维护的BFS 代码PythonJavaC时空复杂度 相关习题华为OD算法/大…
阅读更多...
Educational Codeforces Round 135 (Rated for Div. 2)C. Digital Logarithm（思维）

Educational Codeforces Round 135 (Rated for Div. 2)C. Digital Logarithm（思维）

文章目录 题目链接题意题解代码 题目链接 C. Digital Logarithm 题意 给两个长度位 n n n的数组 a a a、 b b b&#xff0c;一个操作 f f f 定义操作 f f f为&#xff0c; a [ i ] f ( a [ i ] ) a [ i ] a[i]f(a[i])a[i] a[i]f(a[i])a[i]的位数 求最少多少次操作可以使 …
阅读更多...
蓝桥杯嵌入式第10届真题(完成) STM32G431

蓝桥杯嵌入式第10届真题(完成) STM32G431

蓝桥杯嵌入式第10届真题(完成) STM32G431 题目 main.c /* USER CODE BEGIN Header */ /********************************************************************************* file : main.c* brief : Main program body********************************…
阅读更多...
机器学习：卷积介绍及代码实现卷积操作

机器学习：卷积介绍及代码实现卷积操作

传统卷积运算是将卷积核以滑动窗口的方式在输入图上滑动&#xff0c;当前窗口内对应元素相乘然后求和得到结果&#xff0c;一个窗口一个结果。相乘然后求和恰好也是向量内积的计算方式&#xff0c;所以可以将每个窗口内的元素拉成向量&#xff0c;通过向量内积进行运算&#xf…
阅读更多...
STM32控制JQ8400语音播报模块

STM32控制JQ8400语音播报模块

时间记录&#xff1a;2024/2/7 一、JQ8400引脚介绍 标示说明ONE LINE一线操作引脚BUSY忙信号引脚&#xff0c;正在播放语音时输出高电平RX串口两线操作接收引脚TX串口两线操作发送引脚GND电源地引脚DC-5V电源引脚&#xff0c;3.3-5VDAC-RDAC输出右声道引脚DAC-LDAC输出左声道…
阅读更多...
爬虫——ajax和selenuim总结

爬虫——ajax和selenuim总结

为什么要写这个博客呢&#xff0c;这个代码前面其实都有&#xff0c;就是结束了。明天搞个qq登录&#xff0c;这个就结束了。 当然也会更新小说爬取&#xff0c;和百度翻译&#xff0c;百度小姐姐的爬取&#xff0c;的对比爬取。总结嘛&#xff01;&#xff01;&#xff01;加…
阅读更多...
【运维测试】测试理论+工具总结笔记第1篇：测试理论的主要内容（已分享，附代码）

【运维测试】测试理论+工具总结笔记第1篇：测试理论的主要内容（已分享，附代码）

本系列文章md笔记&#xff08;已分享&#xff09;主要讨论测试理论测试工具相关知识。Python测试理论的主要内容&#xff0c;掌握软件测试的基本流程&#xff0c;知道软件测试的V和W模型的优缺点&#xff0c;掌握测试用例设计的要素&#xff0c;掌握等价类划分法、边界值法、因…
阅读更多...
可视化工具：将多种数据格式转化为交互式图形展示的利器

可视化工具：将多种数据格式转化为交互式图形展示的利器

引言 在数据驱动的时代&#xff0c;数据的分析和理解对于决策过程至关重要。然而&#xff0c;不同的数据格式和结构使得数据的解读变得复杂和困难。为了解决这个问题&#xff0c;一种强大的可视化工具应运而生。这个工具具有将多种数据格式&#xff08;包括JSON、YAML、XML、C…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023