Documentos de Académico
Documentos de Profesional
Documentos de Cultura
5
5.1 introducción
29
30 algoritmos de mapeado 3d
P = [R|t] (9)
R n = R ψ · Rθ · R φ (14)
cosθcosψ cosθsenψ −senθ
Rn =
cosψsinθsenφ − senψcosθ cosψcosφ + senθsenψsenφ cosθsenφ
cosψsenθcosφ + senψsenφ senψsenθcosφ − cosψsenφ cosθcosφ
(15)
Por tanto, para el calculo de la matriz de rotación habrá que tener
en cuenta cual es el sistema de referencia y aplicar la transformación
en el orden correcto. Como en el caso anterior, se asignará a cada ima-
gen unos ángulos de Euler concretos los cuales serán proporcionados
por los sensores inerciales a bordo del UAV.
fx s cx
(16)
K=
0 fy cy
0 0 1
A continuación se realiza algunas generalizaciones con respecto a
esta matriz:
34 algoritmos de mapeado 3d
5.2.4 Mapas 3D
Figura 18: Esquema general de generación de mapas dispersos (Structure from Motion).
Figura 23: Resultado del proceso de matching entre dos imágenes aéreas con-
secutivas.
′ ′
x =PX x = PX (19)
Estas ecuaciones pueden combinarse de la forma AX=0 , la cual
es una ecuación lineal en X. Como se desarrolla en [20], A es de la
forma:
xp3T − p1T
3T
xp − p2T
A= ′
(20)
xp 3T − p ′ 1T
′ ′
xp 3T − p 2T
donde piT son las filas de P. Se tienen 4 ecuaciones con 4 incógnitas
homogéneas. Esto es un sistemas de ecuaciones redundante, ya que la
solución está determinada para un cierto factor de escala. Desde [21]
se propone la implementación de una solución iterativa que permite
resolver este sistema de ecuaciones, con el objetivo de reconstruir los
puntos 3D proyectados.
Por último hay que especificar que los resultados obtenidos siem-
pre tendrán un cierto grado de error, debido a que a lo largo del
proceso hay muchos puntos en los que se va perdiendo precisión y
acumulando grados de error. Por ejemplo, estamos situando la pro-
yección de X en el plano de imagen exactamente en un píxel, cuando
puede darse en el espacio sub-píxel, o podemos tener errores de co-
rrespondencia que generen modelos no válidos e introduzcan error
en la estimación. Una medida geométrica denominada error de re-
proyección cuantifica este error, al medir la distancia entre el punto
original xi y la proyección del punto 3D obtenido xR i = Pi · X de tal
manera que:
errorrep =
xi − xR (21)
i
n X
X m
min vij
xij − xR (22)
ij
aj ,bi
i=1 j=1
44 algoritmos de mapeado 3d
• ▽(Fz ) el gradiente de Fz .
reg
•
▽(Fz )
la norma del gradiente que es usada como un pará-
ZZ
reg
ε(Fz ) Corr(x, y, Fz (x, y) +
▽(Fz )
(23)
5.4 mapas 3d densos 47
P ′ ′
(I(x + i) − Ī(x))(I (x + △ + i) − Ī (x + △))
Corrx (△) = P 1
( i (I(x + i) − Ī(x))2 i (I (x + △ + i) − Ī (x + △)2 ) 2
P ′ ′
(24)
′
donde Ī y Ī hace referencia al valor medio de la intensidad de la
ventana elegida y centrada en x.
(a) Mapa de correlación escalado 2k k=1. (b) Mapa de correlación escalado 2k k=3.
(c) Mapa de correlación escalado 2k k=5. (d) Mapa de correlación escalado 2k k=7.
1 ifp ∈ M
χM (p) = (25)
0 ifp ∈
/M
Además se sabe que existe una relación entre los puntos muestrea-
dos de una superficie y el indicador de función del modelo. Más
específicamente, el gradiente del indicador de función es un campo
vectorial que es cero en casi todo el modelo excepto en los puntos
cercanos a la superficie, donde es igual a la normal en ese punto.
Entonces, el problema se resume en encontrar una función escalar χ
cuyo gradiente mejor se aproxime al campo vectorial V~ tal que:
~
minχ
▽χ − V
(26)
~ ⇔ ▽2 χ = ▽ · V
▽ · (▽χ) = ▽ · V ~ (27)