2024.9 学习笔记

目录

9.10

1.大地坐标系

2.地球坐标系

3.局部坐标系

4.世界坐标系

5.IMU

6.GPS 

9.11

1.SGM算法

步骤

优点与缺点

应用

2.ISP

核心任务

9.12

1.双立方插值


9.10

1.大地坐标系

大地坐标系(Geodetic Coordinate System):

  • 定义: 基于地球表面,通常使用经度、纬度和高度来描述位置。也可以称为东北天(XYZ轴)
  • 用途: 常用于地图制作、地理信息系统(GIS)和导航。(局部)
  • 使用椭球模型,包括WGS84(用于GPS)和GRS80等。
  • 有时需要将大地坐标系与其他坐标系统进行转换:
    • 地心坐标系(ECEF): 将大地坐标系转换为地心地固坐标系进行三维位置描述。

    • 平面坐标系: 在局部区域内,将大地坐标系转换为平面坐标系统(例如UTM投影)以便于地图和工程应用。

  • 原点可以为任意一点

2.地球坐标系

地球坐标系(Earth-Centered, Earth-Fixed Coordinate System, ECEF):

  • 定义: 一个三维直角坐标系,以地球的中心为原点,X轴指向格林威治子午线的交点,Y轴与X轴垂直,指向地球赤道的交点,Z轴指向地球的旋转轴。
  • 用途: 常用于全球定位系统(GPS)和地球物理研究中。
  • 椭球体模型: 由于地球的形状近似于一个旋转椭球体,常用的椭球体模型包括WGS84(用于GPS)和GRS80。
    • 主要参数: 椭球体的长半轴(赤道半径)和短半轴(极半径)。
  • 从地心地固坐标系到大地坐标系:

    • 转换: 需要使用数学公式将直角坐标(X, Y, Z)转换为经度、纬度和高度。
  • 从大地坐标系到平面坐标系:

    • 投影: 如UTM(通用横轴墨卡托投影),用于将地球的三维表面映射到二维平面上,适合局部区域的地图制作。

3.局部坐标系

局部坐标系(Local Coordinate System):

  • 定义: 相对于某一特定区域或物体的坐标系,其原点和坐标轴方向通常由该区域的需求决定。
  • 用途: 常用于建筑、工程设计、机器人定位等场景中,以简化局部空间内的计算和操作。

4.世界坐标系

世界坐标系(World Coordinate System):

  • 定义: 一个统一的三维坐标系,用于描述一个更大范围内的对象和场景。其原点和坐标轴方向通常是固定的,为整个应用或系统提供参考。
  • 用途: 常用于计算机图形学、虚拟现实和游戏开发中,确保不同对象和场景之间的相对位置准确。

5.IMU

        惯性测量单元(IMU)

        IMU由陀螺仪和加速度计组成,它们分别测量车辆在机体坐标系中的角速度和加速度。角速率 𝜔~ω~ 和线性加速度 𝑎~a~ 的测量值由下式给出,其中 𝜔ω 和 𝑣˙v˙ 是车辆在机体坐标系 {B} 中的真实角速度和线性速度的时间导数,𝜂𝑔ηg​ 和 𝜂𝑎ηa​ 是高斯白噪声过程,𝑏𝑔bg​ 和 𝑏𝑎ba​ 是慢变的随机游走扩散过程。

6.GPS 

9.11

1.SGM算法

        SGM(Stereo Global Matching),是一种用于立体视觉的匹配方法,用于计算两个图像之间的深度信息。在立体视觉中,通常有两个相机从不同角度拍摄同一场景,生成两个图像。SGM算法旨在从这些图像中估计每个像素的深度,通过找到两幅图像之间的对应关系来实现。这是一个典型的立体匹配问题,其中的关键任务是为每个像素找到其在另一幅图像中的最佳匹配点,从而构建一个深度图。

        原理:通过全局优化来解决立体匹配问题。它将匹配问题建模为一个优化问题,其中需要在代价函数中找到最佳的视差图(即每个像素的深度信息)。

步骤

代价计算:

  1. 代价函数:首先,算法需要计算每对像素之间的匹配代价。代价函数通常考虑像素间的颜色或亮度差异。例如,使用绝对差异(AD)或平方差异(SSD)来度量两个像素之间的相似性。
  2. 代价聚合:为了提高匹配的鲁棒性,SGM使用代价聚合策略,通过在局部区域内聚合代价来减少噪声和误差。这可以通过卷积、加权平均或其他聚合技术来实现。

全局优化:

  1. SGM算法通过全局优化来确保视差图的平滑性。它引入了一种平滑约束,以确保相邻像素的视差变化不会过大。常用的平滑约束包括Ternary/Quadratic Smoothness Constraint等。
  2. 图割(Graph Cuts):一种常见的全局优化方法是图割算法,它将立体匹配问题转化为图论问题,并通过图割算法来最小化全局代价函数。

视差计算:

  1. 在全局优化过程中,SGM算法会计算每个像素的最佳视差值,从而生成最终的视差图。视差图是深度图的直接表现,显示了每个像素的深度信息。

优点与缺点

优点

  • 高精度:SGM算法通过全局优化来提高匹配精度,能够生成高质量的深度图。
  • 鲁棒性:全局优化和代价聚合技术可以有效减少噪声和错误匹配。

缺点

  • 计算复杂度:SGM算法计算量大,尤其是在处理高分辨率图像时,计算和内存开销较大。
  • 参数选择:算法的性能很大程度上依赖于参数的选择和调整。

应用

SGM算法广泛应用于各种计算机视觉任务,包括:

  • 3D重建:生成场景的三维模型。
  • 机器人导航:为自主机器人提供环境的深度信息。
  • 增强现实:实现虚拟物体与现实世界的融合。

2.ISP

        图像信号处理器(Image Signal Processor,简称ISP),是一种专门用于处理图像数据的硬件组件。它主要用于数字相机、智能手机、摄像头和其他图像捕捉设备中,负责从传感器获取图像数据后对其进行处理和优化。

核心任务

  1. 图像处理: 包括去噪、锐化、色彩校正、白平衡调整等,以提高图像质量。
  2. 图像增强: 对图像进行增强处理,如亮度调整、对比度增强等,使图像更加清晰和生动。
  3. 图像编码: 将处理后的图像数据编码为存储格式,如JPEG或HEIF,方便存储和传输。
  4. 降噪: 去除图像中的噪声,以提高图像的清晰度。
  5. 自动对焦和曝光控制: 协助相机系统实现自动对焦和曝光调整,确保图像的清晰度和亮度。

        ISP通常与图像传感器紧密集成,形成一个完整的图像采集和处理系统。它的性能直接影响到图像质量和设备的整体表现。在现代设备中,ISP也可能包含用于处理视频数据的功能,例如实时视频增强和编码。

9.12

1.双立方插值

        一种图像放缩方式,可以最大程度保留图片细节。图像放缩之双立方插值_双立方差值-CSDN博客        

for file_path in glob.glob(os.path.join(input_left_rgb, 'rgb*.png')):image = cv2.imread(file_path)resized_image = cv2.resize(image, new_size2, interpolation=cv2.INTER_CUBIC)output_path = os.path.join(output_left_rgb_depth, os.path.basename(file_path))cv2.imwrite(output_path, resized_image)print(f"Processed RGB image: {os.path.basename(file_path)}")

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/422347.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

利用数据分析提升SEO排名的7种方法

我们都听过“大数据分析”这个词。科技让我们能够清晰地了解我们的活动和内容的表现——向我们提供了关于受众的宝贵信息,甚至可以精确到他们在Google和其他搜索引擎上使用的具体搜索词。 你已经在你的业务中使用数据分析了吗?如果是,你有利…

CCF推荐C类会议和期刊总结:(计算机网络领域)

CCF推荐C类会议和期刊总结(计算机网络领域) 在计算机网络领域,中国计算机学会(CCF)推荐的C类会议和期刊为研究者提供了广泛的学术交流平台。以下是对所有C类会议和期刊的总结,包括全称、出版社、dblp文献网…

基于SpringBoot+Vue的古诗词学习软件系统

作者:计算机学姐 开发技术:SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、小程序等,“文末源码”。 专栏推荐:前后端分离项目源码、SpringBoot项目源码、SSM项目源码 系统展示 【2025最新】基于JavaSpringBootVueMySQL的古诗词学…

大数据之Flink(三)

9.3、转换算子 9.3.1、基本转换算子 9.3.1.1、映射map 一一映射 package transform;import bean.WaterSensor; import org.apache.flink.streaming.api.datastream.DataStreamSource; import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator; impor…

创建Java项目,可实现main方法运行,实现对性能数据的处理

1、Android Studio无法执行Java类的main方法问题及解决方法 Android Studio无法执行Java类的main方法问题及解决方法_delegatedbuild-CSDN博客 D:\workspaces\performanceTools\.idea 文件夹下&#xff0c;gardle.xml ,添加依赖 <option name"delegatedBuild"…

WebGL系列教程二(环境搭建及着色器初始化)

目录 1 前言2 新建html页面3 着色器介绍3.1 顶点着色器、片元着色器与光栅化的概念3.2 声明顶点着色器3.3 声明片元着色器 4 坐标系(右手系)介绍5 着色器初始化5.1 给一个画布canvas5.2 获取WebGL对象5.3 创建着色器对象5.4 获取着色器对象的源5.5 绑定着色器的源5.6 编译着色器…

对称矩阵的压缩存储

1.给自己出题&#xff1a;自己动手创造&#xff0c;画一个5行5列的对称矩阵 2.画图&#xff1a;按“行优先”压缩存储上述矩阵&#xff0c;画出一维数组的样子 3.简答&#xff1a;写出元素 i,j 与 数组下标之间的对应关系 4.画图&#xff1a;按“列优先”压缩存储上述矩阵&a…

接口测试用例的编写

&#x1f345; 点击文末小卡片&#xff0c;免费获取软件测试全套资料&#xff0c;资料在手&#xff0c;涨薪更快 1、接口测试发现的典型问题 接口测试经常遇到的bug和问题&#xff0c;如下&#xff1a; 传入参数处理不当&#xff0c;导致程序crash类型溢出&#xff0c;导…

Docker部署MySQL8.0.39报错解决方案

Docker部署MySQL8.0.39报错解决方案 2024-09-11T06:09:09.317582Z 0 [Warning] [MY-010139] [Server] Changed limits: max_open_files: 1024 (requested 8161) 2024-09-11T06:09:09.317586Z 0 [Warning] [MY-010142] [Server] Changed limits: table_open_cache: 431 (reques…

GUI编程09:鼠标监听事件、模拟画图工具

视频链接&#xff1a;11、鼠标监听事件、模拟画图工具_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1DJ411B75F?p11&vd_sourceb5775c3a4ea16a5306db9c7c1c1486b5 模拟画图工具的实现逻辑图&#xff1a; 实现代码&#xff1a; package com.yundait.lesson03;impo…

mysql学习教程,从入门到精通,SQL AND OR 运算符(12)

1、SQL AND & OR 运算符 在本教程中&#xff0c;您将学习如何在子句中使用ASELECT column1_name, column2_name, columnN_nameFROM table_nameWHERE condition1 AND condition2;ND&#xff06;OR运算符&#xff0c;WHERE以根据多个条件过滤记录。 1.1、根据条件选择记录 …

Linux: network: esp:收到了重复的包?

最近遇到一个问题,是说收到了dup的ESP包,这是表象上的两个相同的ESP,那是因为在wireshark的首选项里IPv4,没有选择重组分片包,导致wireshark先做了ESP的解析,如果选择IPv4协议里的重组分片包,会看到下面说有三个分片,而且其中一个有overlap。 所以,这个目前还是未解的…

动手学深度学习(三)深度学习计算

一、模型构造 1、继承Module类来构造模型来构造模型 class MLP(nn.Module):# 声明带有模型参数的层&#xff0c;这里声明了两个全连接层def __init__(self, **kwargs):# 调用MLP父类Block的构造函数来进行必要的初始化。这样在构造实例时还可以指定其他函数# 参数&#xff0c…

[数据集][目标检测]汽车头部尾部检测数据集VOC+YOLO格式5319张3类别

数据集制作单位&#xff1a;未来自主研究中心(FIRC) 版权单位&#xff1a;未来自主研究中心(FIRC) 版权声明&#xff1a;数据集仅仅供个人使用&#xff0c;不得在未授权情况下挂淘宝、咸鱼等交易网站公开售卖,由此引发的法律责任需自行承担 数据集格式&#xff1a;Pascal VOC格…

需求分析概述

为什么要进行需求分析呢&#xff1f; 笑话&#xff1a;富翁娶妻 某富翁想要娶老婆&#xff0c;有三个人选&#xff0c;富翁给了三个女孩各一千元&#xff0c;请 她们把房间装满。第一个女孩买了很多棉花&#xff0c;装满房间的1/2。第 二个女孩买了很多气球&#xff0c;装满…

Java多线程(一)

目录 Java多线程&#xff08;一&#xff09; 线程与进程基本介绍 并发和并行基本介绍 CPU调度基本介绍 主线程基本介绍 创建线程对象与相关方法 继承Thread类创建线程对象 多线程在内存中运行的原理 Thread类中常用的方法 Thread类中关于线程优先级的方法 守护线程与Thread类中…

Kafka【十三】消费者消费消息的偏移量

偏移量offset是消费者消费数据的一个非常重要的属性。默认情况下&#xff0c;消费者如果不指定消费主题数据的偏移量&#xff0c;那么消费者启动消费时&#xff0c;无论当前主题之前存储了多少历史数据&#xff0c;消费者只能从连接成功后当前主题最新的数据偏移位置读取&#…

信息安全数学基础(8)整数分解

前言 在信息安全数学基础中&#xff0c;整数分解是一个核心概念&#xff0c;它指的是将一个正整数表示为几个正整数的乘积的形式。虽然对于任何正整数&#xff0c;理论上都可以进行分解&#xff08;除了1只能分解为1本身&#xff09;&#xff0c;但整数分解在密码学和信息安全中…

实战千问2大模型第三天——Qwen2-VL-7B(多模态)视频检测和批处理代码测试

画面描述:这个视频中,一位穿着蓝色西装的女性站在室内,背景中可以看到一些装饰品和植物。她双手交叉放在身前,面带微笑,似乎在进行一场演讲或主持活动。她的服装整洁,显得非常专业和自信。 一、简介 阿里通义千问开源新一代视觉语言模型Qwen2-VL。其中,Qwen2-VL-72B在大…

使用虚拟信用卡WildCard轻松订阅POE:全面解析平台功能与订阅方式

POE&#xff08;Platform of Engagement&#xff09;是一个由Quora推出的人工智能聊天平台&#xff0c;汇集了多个强大的AI聊天机器人&#xff0c;如GPT-4、Claude、Sage等。POE提供了一个简洁、统一的界面&#xff0c;让用户能够便捷地与不同的AI聊天模型进行互动。这种平台的…