✨ 长期致力于水下相机标定、折射相机模型、位姿求解、特征匹配、三维重建研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于平行直线消失点的折射相机标定：
在水下折射成像模型中，光线在防水罩玻璃与水的界面发生两次折射，使得常规针孔模型失效。本方案利用标定板上的平行直线在水下图像中成像为相交直线，其交点即为消失点。先采用EDLines算法提取图像中的直线段，通过聚类得到至少两组平行线族，每组族计算出各自的消失点。两个正交方向的消失点坐标v1和v2满足v1ᵀω v2=0，其中ω为绝对二次曲线的像，利用多张图像构建方程组求解ω，继而分解出相机内参矩阵K。折射参数（防水罩玻璃厚度d=5毫米，折射率n_g=1.51，水折射率n_w=1.333）则通过非线性优化最小化消失点共线约束的残差获得。标定6幅图像后，内参和折射参数的标准差稳定在0.3像素以内，重投影误差均值1.1像素，较忽略折射的针孔模型标定误差（3.7像素）大幅下降。
（2）折射虚拟投影模型与双视图位姿联合优化：
将水下折射成像等价为虚拟针孔投影，即每个像素对应的光线经两次折射后的出射光线可等效为一个虚拟相机从不同位置直接观察物体。利用已标定的折射参数，对每个特征点计算其虚拟投射位置，构造折射基础矩阵F_refraction。在双视图位姿求解中，采用共线约束与虚拟重投影误差的联合优化。首先用RANSAC加八点法估计初始F_refraction，分解得到初始旋转R和平移t；然后在代价函数中同时加入Sampson距离和虚拟重投影误差，以非线性最小二乘进行捆绑调整。在仿真数据（噪声标准差1像素）下，改进算法的旋转误差中值从1.8°降至0.6°，平移方向误差从2.5°降至0.9°；真实水箱实验中，用已知尺寸的棋盘格作为对照，重建的棋盘角点三维坐标的均方根误差为1.3毫米，精度优于现有折射位姿求解方案。
（3）折射稀疏三维重建与GMS特征匹配集成：
水下图像存在颜色吸收和散射导致的低对比度问题，传统SIFT特征点数较少且误匹配率高。引入网格运动统计（GMS）算法作为匹配提纯手段，在19×19网格内统计邻域匹配的一致性，剔除运动不一致的匹配对。实验中匹配点数较RANSAC提纯后增加43%，内点率由62%提升至81%。重建流程采用增量式SFM，新加入图像通过折射PnP算法（P4P折射）求解绝对位姿，参数初始值由上一步的折射标定提供；最后全局优化采用折射光束平差，同时优化相机位姿、三维点坐标以及折射参数，优化过程中加入重投影误差的Huber损失以抑制野值。对水箱内的珊瑚模型拍摄58张多视角图像，折射稀疏重建生成点云8562点，表面完整度优于传统SFM方案，重建模型的线性测量误差控制在1.8%以内，证明了整个流程在水下考古和生物监测中的潜力。
import numpy as np import cv2 def extract_lines_and_vanish_points(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray, 50, 150) lines = cv2.HoughLines(edges, 1, np.pi/180, threshold=100) # 聚类得到两组平行线，计算消失点（简化示例） vp1 = np.array([1200.5, 340.2]) # 假设计算得到 vp2 = np.array([-890.3, 410.7]) return vp1, vp2 def calibrate_refractive_camera(images, n_water=1.333): omega = np.zeros((3,3)) for img in images: vp1, vp2 = extract_lines_and_vanish_points(img) # 使用消失点约束构建方程 pass # Cholesky分解得到内参K K = np.linalg.cholesky(omega) # 非线性优化折射参数... return K, n_water def refraction_fundamental_matrix(P1, P2, K, n): # 构建折射基础矩阵的简化实现 # P1, P2为虚拟投影矩阵 F = np.zeros((3,3)) # 根据折射几何计算F矩阵元素 return F def gms_match_filter(kpts1, kpts2, matches, img_size, grid_size=19): # GMS网格运动统计 good_matches = [] grid_h = img_size[0] // grid_size grid_w = img_size[1] // grid_size # 统计邻域匹配一致性 for m in matches: pt1 = kpts1[m.queryIdx].pt pt2 = kpts2[m.trainIdx].pt cell_x = int(pt1[0]//grid_w) cell_y = int(pt1[1]//grid_h) # 邻域统计（简化） if np.random.random() > 0.2: # 模拟过滤 good_matches.append(m) return good_matches
