鐵人檔案
介紹電腦視覺領域中的 3D 重建相關的理論與算法：包含如何估計相機的姿態、如何計算深度、如何重建，也會試著涵蓋一些近年崛起的深度學習的 3D 重建算法。本系列將會理論與實作並重，主要使用 Python 實作，並且以 3D 視覺化的方式展示實作的結果。
前面提過，經過計算得到的 E 並不會符合 Essential Matrix 的特性，因此我們需要對 E 做 SVD 分解，得到 ，並將 設為 ，其中 是 E...
當我們有錯誤的匹配點怎麼辦呢？要如何找到正確的八個點來計算 Essential Matrix 呢？這時候就需要用到 Random sample consensu...
綜合了前面知識（兩個相機之間的姿態估計），讓我們回到實作的部分，這次要把前面介紹的實作組合起來，打造一個簡單的視覺里程計（visual odometry）。 只...
在使用 RGB 圖片做相機姿態估計時，有一個重要的問題，那就是尺度缺失 (Scale Ambiguity)，我們在前面為了簡化問題故意忽略不談，現在要來好好討論...
上回提到使用 RGB 圖像做相機姿態估計或 3D 重建時，由於失去了相機與圖片中物體的真實距離，導致有尺度缺失的問題，因此無法得知物體的真實大小。 為了解決這個...
RGB 圖片的產生是透過相機的感光元件將光線轉換成電子訊號，再經過一系列的處理（例如降噪等）後，最後轉換成我們看到的帶有三種顏色組合而成的圖片。那麼深度圖又是怎...
有了每個像素的深度值，我們就可以將這些深度值轉換成 3D 空間中的點，這個過程相當於把每個像素反向的投影到 3D 空間中，這樣我們就可以得到一個 3D 點雲（P...
前面介紹了如何使用RGB做姿態估計，以及利用 triangulation得到3D點雲。由於沒有深度訊息，相機姿態需要考慮的投影問題，並且得到的3D點雲再沒有經過...
這個算法使用的是兩張的深度圖，將他們轉換成 3D 點雲，然後估計兩個點雲之間的 3D 轉換（一個旋轉矩陣和位移向量），這樣就可以得到兩個相機的位移和旋轉。 類似...
使用前面深度圖轉換成 3D 點雲的函數，我們可以來實作迭代最近點算法（Iterative closest point, ICP），這個算法可以估計兩個點雲之間的...
