摘要:一简介这是我来的第一篇博文,来记录我实现互补格雷码相移码求解包裹相位的编码过程。格雷码相移码解相位的原理可以参考视觉工坊第十公开课结构光编码与三维重建哔哩哔哩视觉工坊第十公开课结构光编码与三维重建哔哩哔哩。
这是我来csdn的第一篇博文,来记录我实现“互补格雷码+相移码”求解包裹相位的编码过程。也可以叫它“5+4”法,5代表五幅格雷码图像,4代表四步相移法的四张正弦条纹图(实验用的投影仪分辨率为1920*1080,相机分辨率为1280*720。格雷码+相移码解相位的原理可以参考:【3D视觉工坊】第十公开课:结构光编码与三维重建-哔哩哔哩。这次博客并不介绍标定和后面三维信息的匹配。(ps:代码能实现,但是写的比较辣鸡,欢迎大佬批评指正)
由于篇幅问题我将实验图像多带带放在这篇博客里:实验图像
我在这里将整个实现过程分为四个模块,每个模块包含原理、实现代码以及效果:
(1)原理
一种二进制码制,是一种无权码,它的特点是前后相邻码值只改变一位数,这样可以减小错位误差,因此又称为最小错位误差码。下面是四位格雷码:
十进制数 | 普通二进制码 | 格雷码 |
0 | 0000 | 0000 |
1 | 0001 | 0001 |
2 | 0010 | 0011 |
3 | 0011 | 0010 |
4 | 0100 | 0110 |
5 | 0101 | 0111 |
6 | 0110 | 0101 |
7 | 0111 | 0100 |
8 | 1000 | 1100 |
9 | 1001 | 1101 |
10 | 1010 | 1111 |
11 | 1011 | 1110 |
12 | 1100 | 1010 |
13 | 1101 | 1011 |
14 | 1110 | 1001 |
15 | 1111 | 1000 |
(i)传统方法生成:第一步,生成n位全零码
第二步,改变最右端的码值
第三步,改变自右起第一个“1”码元左边的码元
重复第二、三步直至得到2^n个格雷码
可以看出,传统方法不容易用代码实现,接下来介绍递归法
(ii)递归法
经过观察发现n位格雷码可以由(n-1)位格雷码得到,即
第一步:(n-1)位格雷码正序排列最左侧(前缀)补0
第二步:(n-1)位格雷码逆序排列最左侧(前缀)补1
第三步:一、二步得到结果依次排列得到n位格雷码
如:
1位:0 1
正序 00 01
逆序 11 10
2位:00 01 11 10
正序 000 001 011 010
逆序 110 111 101 100
3位:000 001 011 010 110 111 101 100
可见递归法比较容易代码实现,因此本文采用递归法生成n位格雷码
(i)二进制码——>格雷码
二进制码与其右移一位高位补零后的数码异或后得到格雷码
如:二进制0010 --> 右移0001 -->0010 xor 0001 --> 格雷码0011
(ii)格雷码——>二进制码
最左边的一位不变,从左边第二位起,将每位与左边一位解码后的值异或,作为该位解码后的值。依次异或,直到最低位。依次异或转换后的值(二进制数)就是格雷码转换后二进制码的值。
如:格雷码(用G表示)0011-->二进制码(用B表示)左边第一位不变0xxx-->解码的第二位G2 xor B1 =0 xor 0 -->00xx -->G3 xor B2 --> 001x -->G4 xor B3 -->0010(二进制码)
以上是传统方法,在本文中采用字典查询的方式,下面介绍.
(iii)字典查询
在生成格雷码的同时,将每一位格雷码与其对应的十进制数组成键值对储存在字典中,这样在进行二进制码-格雷码-十进制相互转换时可以直接查询字典完成比较方便.
(2)实现代码
文件名:generate_graycode_map.py
import cv2import numpy as np#k:把格雷码直接当初二进制对应的十进制数#v:格雷码实际对应的十进制数class GrayCode(): codes = np.array([]) code2k = {} k2v = {} v2k = {} def __init__(self, n: int = 3): self.n = n self.codes = self.__formCodes(self.n) # 从格雷码转换到k for k in range(2 ** n): self.code2k[self.__code2k(k)] = k # 从格雷码转换到v for k in range(2 ** n): self.k2v[k] = self.__k2v(k) # 从v转换到k(idx) for k, v in self.k2v.items(): self.v2k[v] = k @staticmethod #不需要实例化直接像函数一样调用(类名.方法名()来调用),定义时也不需要self,cls参数 def __createGrayCode(n: int): """生成n位格雷码""" if n < 1: print("输入数字必须大于0") # assert (0); # elif n == 1: #代码较长 # code = ["0", "1"] # return code # else: # code = [] # code_pre = GrayCode.__createGrayCode(n - 1) #递归嵌套 # code.append("0" + idx for idx in code_pre) #解析法写for循环 # code.append("1" + idx for idx in code_pre(::-1)) # return code else: code = ["0", "1"] for i in range(1, n): # 循环递归 code_lift = ["0" + idx for idx in code] # 解析法写for循环 code_right = ["1" + idx for idx in code[::-1]] code = code_lift + code_right return code def __formCodes(self, n: int): #两个下划线开头表示该方法只能在类内部使用 """生成codes矩阵""" code_temp = GrayCode.__createGrayCode(n) #首先生成n位格雷码储存在code_temp中 codes = [] for row in range(len(code_temp[0])): #n位格雷码循环n次, c = [] for idx in range(len(code_temp)): #循环2**n次 c.append(int(code_temp[idx][row])) #将code_temp中第idx个元素中的第row个数添加到c中 codes.append(c) return np.array(codes, np.uint8) def toPattern(self, idx: int, cols: int = 1920, rows: int = 1080): """生成格雷码光栅图""" #assert (idx >= 0) #断言用法,确保idx >= 0 row = self.codes[idx, :] #idx表示codes的行索引 one_row = np.zeros((cols), np.uint8) #np.zeros((5),np.uint8)=array([0,0,0,0,0])一个参数是行向量,两个参数是矩阵 #assert (cols % len(row) == 0) per_col = int(cols / len(row)) #将1280个像素分成256份,每份per_col=5个像素 for i in range(len(row)): one_row[i * per_col: (i + 1) * per_col] = row[i] pattern = np.tile(one_row, (rows, 1)) * 255 #np.tile(a,(b,c))函数用a来重构b行c列 return pattern def __code2k(self, k): """将k映射到对应的格雷码""" col = self.codes[:, k] code = "" for i in col: code += str(i) return code def __k2v(self, k): """将k映射为v""" col = list(self.codes[:, k]) #将第k列格雷码储存在col中 col = [str(i) for i in col] code = "".join(col) #将列表中的元素整合到一起 v = int(code,2) return v def store_gray_code_map_value(self): """将8幅256列的格雷码编码图的码值列表储存在"格雷光栅码值.txt"文件中""" filename = "格雷光栅码值.txt" with open(filename,"w") as fob1: fob1.write("codes/n") for i in g.codes: fob1.write("长度:" + str(len(i))+ "/n") fob1.write(str(i) + "/n")if __name__ == "__main__": #只在本文件内运行一下代码 n = 4 g = GrayCode(n) print("codes") print(g.codes) print("/ncode -> k") print(g.code2k) print("/nk -> v") print(g.k2v) print("/nv -> k") print(g.v2k) g.store_gray_code_map_value() for i in range(n): pattern = g.toPattern(i) title ="Pattern-" + str(i) cv2.imshow(title, pattern) key = cv2.waitKey(0) if key == ord("s"): cv2.imwrite(title + ".png", pattern) cv2.destroyWindow(title)
(3)效果
2、生成四步相移图像
(1)原理
从N步相移码说起,首先相移码的原理是利用N幅正弦条纹图通过投影仪投射到物体表面再通过相机拍摄获取图像,通过所得图像计算每个位置的相位差,然后通过相位—深度的映射关系获取物体的深度信息。
n表示下标
式中:A(x,y)表示背景光强,B(x,y)表示调制幅值,表示包裹相位(相对相位),表示平移相位。其中前三个变量未知,因此N至少取3。
由于选用4位格雷码+四步相移,编码区域可以分为16,因此相移码的周期数,周期,因此
T用像素表示,Width表示图像宽度(单位:像素)
实验投影仪width=1920(像素)因此T=1920/16
第一步:生成一个1920维的行向量
第二步:利用公式对每一个向量元素进行填充
第三步:利用np.tile()函数生成1080行,得到1920*1080的矩阵
第四步:利用cv2.imshow()函数显示
(2)实现代码
文件名:generate_phase-shifting_map.py
import cv2import numpy as npimport mathclass PhaseShiftingCode(): def __init__(self,n: int = 4): self.n = n def toPhasePattern(self,j:int,freq:int=16,width:int=1920,hight:int=1080): """生成""" col = np.zeros((width),np.uint8) #生成一个维数为width的行向量 for i in range(width): col[i] = 128 + 127 * math.cos(2 * math.pi *( i * freq / width + j/ self.n)) pattern = np.tile(col,(hight,1)) return patternif __name__ == "__main__": #只在当前模块执行,其他模块导入本模块时不执行 n = 4 p = PhaseShiftingCode(n) for k in range(n): pattern = p.toPhasePattern(k) title ="PhaseShifting-" + str(k) cv2.imshow(title, pattern) key = cv2.waitKey(0) if key == ord("s"): cv2.imwrite(title + ".png", pattern) cv2.destroyWindow(title)
(3)效果
PhaseShifting-0~3
(1)原理
N步相移法求包裹相位的详细推导可以参考这篇博客:标准N步相移主值相位计算式推导过程
这里给出四步相移法的求解公式:
联立得:
,由于反正切函数被限制在,因此该公式求解的是包裹相位
在实际的代码中我们需要考虑4个特殊位置和4个象限:
将每一个像素利用上述方法求得包裹相位并储存在对应位置,可以得到所有对应位置的数值大小都在,然后对其进行线性放缩到,再用cv2.imshow()显示。
(2)实现代码
文件名:wrapped_phase_algorithm.py
import numpy as npimport cv2 as cvimport mathclass WrappedPhase(): def __init__(self,n:int = 4): self.n = n @staticmethod def getImageData(m:int = 4): """获取相机拍摄的n幅相移图""" I = [] for i in range(m): filename = r"D:/研一文件/其他/structual_light_project/left/I" + str(i+5) + ".png" img_file = np.fromfile(filename, dtype=np.uint8) # 以dtype形式读取文件 img = cv.imdecode(img_file, -1) # 从指定的内存缓存中读取数据,并把数据转换(解码)成图像格式;主要用于从网络传输数据中恢复出图像。 I.append(img) return I def computeWrappedphase(self,I,width:int = 1280,hight:int = 720): """计算包裹相位""" i0 = I[0].astype(np.float32) i1 = I[1].astype(np.float32) i2 = I[2].astype(np.float32) i3 = I[3].astype(np.float32) pha = np.zeros((hight,width),np.float32) for a in range(hight): for b in range(width): if i0[a,b] == i2[a,b] and i3[a,b] < i1[a,b]: #四个特殊位置 pha[a,b] = 3*math.pi/2 elif i0[a,b] == i2[a,b] and i3[a,b] > i1[a,b]: #四个特殊位置 pha[a,b] = math.pi/2 elif i3[a, b] == i1[a, b] and i0[a, b] < i2[a, b]: #四个特殊位置 pha[a, b] = math.pi elif i3[a, b] == i1[a, b] and i0[a, b] > i2[a, b]: #四个特殊位置 pha[a, b] = 0 elif i0[a, b] > i2[a, b] and i1[a,b] < i3[a,b]: # 第一象限 pha[a,b] = math.atan((i3[a,b] - i1[a, b])/ (i0[a, b] - i2[a, b])) elif i0[a, b] < i2[a, b] and i1[a,b] < i3[a,b]: # 第二象限 pha[a,b] = math.pi-math.atan((i3[a,b] - i1[a, b])/ (i2[a, b] - i0[a, b])) elif i0[a, b] < i2[a, b] and i1[a,b] > i3[a,b]: # 第三象限 pha[a,b] = math.pi + math.atan((i3[a,b] - i1[a, b])/ (i0[a, b] - i2[a, b])) elif i0[a, b] > i2[a, b] and i1[a,b] > i3[a,b]: # 第四象限 pha[a,b] = 2*math.pi - math.atan((i1[a,b] - i3[a, b])/ (i0[a, b] - i2[a, b])) pha_scaled = pha*255/(2*math.pi) pha_scaled1 = pha_scaled.astype(np.uint8) if __name__ == "__main__": cv.imshow("Wrapped_Phase",pha_scaled1) key = cv.waitKey(0) if key == ord("s"): cv.imwrite("Wrapped_Phase.png",pha_scaled1) cv.destroyAllWindows() return phaif __name__ == "__main__": w = WrappedPhase() w.computeWrappedphase(w.getImageData())
(3)效果
(1)原理
INT:向下取整,V2:GC0-GC5格雷码对应的十进制数。
利用以下公式就可以避免截断处产生错位:
(i)选取二值化阈值:利用四幅相移码图像每个像素的均值作为阈值获得阈值图像TH_img
(ii)将每一幅格雷码图像与阈值图的每一个对于对应像素进行对比,小于等于阈值赋值为0,大于阈值的赋值为1
(iii)将二值化后的图像放缩到[0,255]以显示出来
(2)实现代码
首先进行图像二值化
文件名:graycode_binarization.py
import cv2 as cvimport numpy as npimport mathfrom wrapped_phase_algorithm import WrappedPhaseclass Binariization(): def __init__(self,n:int=5): self.n = n def get_threshold(self,m:int = 4): """利用四幅相移图计算阈值""" wp = WrappedPhase() I = wp.getImageData(m) i = [] for k in range(m): i.append(I[k].astype(np.float32)) I_th = np.rint((i[0]+i[1]+i[2]+i[3])/m) #np.rint()四舍五入取整 TH = I_th.astype(np.uint8) cv.imshow("th", TH) key1 = cv.waitKey(0) if key1 == ord("s"): cv.imwrite("TH_img.png",TH) cv.destroyAllWindows() return TH def get_GC_images(self): """读取格雷码图片""" J = [] for i in range(5): filename = r"D:/研一文件/其他/structual_light_project/left/I" + str(i) + ".png" file_img = np.fromfile(filename,dtype = np.uint8) img = cv.imdecode(file_img,-1) J.append(img) return J def getBinaryGrayCode(self): """将格雷码图像二值化处理""" b = Binariization() threshold = b.get_threshold() graycodes = b.get_GC_images() rows,cols = threshold.shape #获取分辨率信息 for a in graycodes: for b in range(rows): for c in range(cols): if a[b,c] <= threshold[b,c]: a[b,c] = 0 else: a[b,c] = 255 return graycodesif __name__ == "__main__": bgc = Binariization() gc = bgc.getBinaryGrayCode() for u in range(5): gc[u].astype(np.uint8) cv.imshow("Binarized_GC-" + str(u),gc[u]) key2 = cv.waitKey(0) if key2 == ord("s"): cv.imwrite("Binarized_GC-" + str(u) + ".png",gc[u]) cv.destroyAllWindows()
(3)效果
阈值图像TH_img
二值化后的格雷码图像Binarized_GC-0~5
然后求绝对相位
文件名:unwrapped_phase_algorithm.py
import numpy as npimport cv2 as cvimport mathfrom wrapped_phase_algorithm import WrappedPhasefrom graycode_binarization import Binariizationfrom generate_graycode_map import GrayCodeclass UnwrappedPhase(): """获得解包裹相位""" def __init__(self,n:int = 5): self.n = n def getBinarizedGrayCodes(self,m:int = 5): """获得二值化后的格雷码图像,m为格雷码位数""" BGC = [] for i in range(self.n): filename = "binarized_GC-" + str(i) + ".png" img = np.array(cv.imread(filename, 0), np.uint8) img_scaled = img/255 BGC.append(img_scaled.astype(np.uint8)) return BGC def get_k1_k2(self): """获得k1和k2矩阵""" BCG = self.getBinarizedGrayCodes() rows,cols = BCG[0].shape k1 = np.zeros((rows,cols),np.uint8) k2 = np.zeros((rows,cols),np.uint8) g_k1 = GrayCode(4) #调用格雷码生成模块的GrayCode()类 g_k2 = GrayCode(5) for a in range(rows): for b in range(cols): code1 = "" code_k1 = code1 + str(BCG[0][a,b]) + str(BCG[1][a,b]) + str(BCG[2][a,b]) + str(BCG[3][a,b]) code_k2 = code1 + str(BCG[0][a,b]) + str(BCG[1][a,b]) + str(BCG[2][a,b]) + str(BCG[3][a,b]) + str(BCG[4][a,b]) k1[a,b] = g_k1.code2k[code_k1 #查询字典,将格雷码转换为对应的十进制数 k2[a,b] = math.floor((g_k2.code2k[code_k2]+1)/2) return k1,k2 def computeUnwrappedPhase(self): """计算解包裹相位""" WP = WrappedPhase() wrapped_pha = WP.computeWrappedphase(WP.getImageData()) k1,k2 = self.get_k1_k2() rows,cols = k1.shape unwrapped_pha = np.zeros((rows,cols),np.float16) for c in range(rows): for d in range(cols): if wrapped_pha[c,d] <= math.pi/2: unwrapped_pha[c,d] = wrapped_pha[c,d] + k2[c,d]*2*math.pi elif wrapped_pha[c, d] > math.pi / 2 and wrapped_pha[c, d] < 3*math.pi / 2 : unwrapped_pha[c, d] = wrapped_pha[c, d] + k1[c, d] * 2 * math.pi elif wrapped_pha[c, d] >= 3*math.pi / 2 : unwrapped_pha[c, d] = wrapped_pha[c, d] + (k2[c, d]-1) * 2 * math.pi return unwrapped_pha def showUnwrappedPhase(self): """显示解包裹相位""" upha = self.computeUnwrappedPhase() upha_scaled = np.rint(upha*255/(32*math.pi)) upha_scaled_uint = upha_scaled.astype(np.uint8) cv.imshow("Absolute_pha.png",upha_scaled_uint) key = cv.waitKey(0) if key == ord("s"): cv.imwrite("Absolute_pha.png",upha_scaled_uint) cv.destroyAllWindows()if __name__ == "__main__": u = UnwrappedPhase() u.showUnwrappedPhase()
(3)效果
单目结构光三维视觉测量系统研究_胡华虎
基于数字光栅投影的结构光三维测量技术与系统研究_李中伟
数字投影结构光三维测量方法研究_张万祯
光栅投影三维测量关键技术研究_王建华
基于编码结构光的三维测量技术研究_吴加凤
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/121815.html
摘要:通过通信线路连入通信子网终端是用户访问网络的界面网络操作系统是相对于主机操作系统而言的。接收方使用同一扩频码进行扩解。 目录 一、计算机网络 1.计算机网络技术概述 2.计算机网络分类 3.无线网络分类 二、无线通信和网络仿真技术基础 1.基本概念 2.调制 (1)、概述 (2)、常用方式 ...
摘要:测量方法及其挑战可以用直流技术或交流技术对纳米结构进行刺激和电测量,直到射频频率范围。然而,如果电压噪声的阶数甚至高于低电平直流信号,则对直流测量技术来说,对感兴趣的信号进行测量是非常具有挑战性的。噪音及其他波段干扰在测试环境中是最高的。 新半导体材料、高温超导体、光伏器件和有机...
摘要:很显然,上面目标函数中最重要的常亮是矩阵,既训练样本的,满足先看好的一方面,根据核函数的定义,能够保证是一个正定的矩阵。的目标函数与的分类模型稍有区别。 模型与优化 LIBSVM和LIBLINEAR都提供了多种不同的模型供使用者选择,不同的模型有各自适用的场景。下面分别介绍LIBSVM和LIBLINEAR所提供的各种模型。 LIBSVM 下面是LIBSVM帮助内容提供的介绍,给出了LI...
摘要:两数之和暴力求解首先我们需要有一个目标列表,并且有一个目标值。如果列表中的某两个数之和,正好等于我们的目标值,那么就会反回那两个数的索引。 两数之和----------暴力求解 首先我们需要有一个目标列表,并且有一个目标值。如果列表中的某两个数之和,正好等于我们的目标值,那么就会反回那两个数...
摘要:本文提出了一个全频带和子频带混合的模型,名为,用于单通道实时信号语音增强。尽管信号平稳性和局部模式存在于的输入,但是没有被学习到。但是落在的相位具有复杂的数据分布,使得相位估计变得困难。将的序列作为输入,之后预测序列 ...
阅读 461·2023-04-25 15:49
阅读 1900·2021-10-08 10:05
阅读 2818·2021-09-22 15:13
阅读 853·2021-09-07 10:13
阅读 3344·2019-08-29 18:34
阅读 2425·2019-08-29 15:22
阅读 380·2019-08-27 10:52
阅读 542·2019-08-26 18:27