论文部分内容阅读
人们通过计算机来实现视觉功能,通常叫做计算机视觉。人们在计算机领域的研究越来越成熟与先进,也使得其在三维世界的领域也是愈加渴求。人们欲通过二维图像来完成对三维世界的认知。而利用序列图像来进行三维重建的技术,其低成本、易操作、重建的三维模型真实感强等特点,已经逐渐在计算机视觉领域成为研究的热点。本文利用序列图像,在其基础上针对两幅图像以及多幅图像在三维重建的领域进行了相关算法的研究与改善。首先本文利用了一种基于改进的2DPCA-SIFT特征匹配算法,针对PCA-SIFT匹配算法数据量大、耗时长的问题。改进的2DPCA-SIFT对梯度向量块进行降维的特征描述方法。该方法相比于PCA-SIFT,可以快速地求解本征空间,降低了计算复杂度,不需要占用更多的存储空间。基于改进2DPCA-SIFT特征匹配算法,这种改进的方法能同时消除图像行、列的相关性,而且该方法比PCA-SIFT算法有更准确的匹配率。实验结果表明,改进的2DPCA-SIFT算法较稳定、精确、快速,重建结果在细节上更加突出,更能恢复三维模型。其次由于改进的2DPCA-SIFT算法只是针对单一背景下物体特征点较明显的模型的三维重建,对于遥感图像等特征不是特别明显的序列图像来说,针对由于遥感图像的特征不明显不规则,并且对于所重建的目标物体的许多细节信息无法恢复,以及利用序列图像稀疏点融合结果和最后纹理信息的恢复也是一个比较不容易解决的问题,因此为了准确的恢复遥感图像的细节特征等信息,本文利用了一种结合了区域增长和CMVS-PMVS稠密匹配算法。实验结果表明,基于区域增长的CMVS-PMVS遥感图像的三维重建算法重建出来的点云足够致密,所重建的目标物体的真实感极强,并且能充分恢复细节特征,说明对遥感图像目标的重建有很强的实用性,并且通过CMVS聚簇算法能够有效减少数据。改进后的算法能够很好的剔除误匹配点,还可以加快重建结果的优化速度。