|
Parametergewinnung
aus Bildeigenschaften |
|
|
·
Normalerweise: Verwendung der Intensität als Bildeigenschaft -
Vorteil: Liefert die meisten Bildinformationen -
Nachteil: Empfindlich bezüglich Rauschen und optischen
Effekten und benötigt eine gute erste Schätzung der Kameraparameter ·
Hier: Verwendung einer neuen Methode -
Bereich in dem
die Kameraparameter der ersten Schätzung liegen und aus dem das Optimum
dieser Parameter bestimmt werden kann, ist größer -
Dieser Bereich
nennt sich Range Of Convergence Ø
Range Of Convergence: §
Wird bestimmt
durch die Verteilung räumlicher Frequenzen in der Textur auf der
Objektoberfläche §
Abwesenheit
niedriger Frequenzen in einem Muster aus dünnen Linien führt zu einem engem
Range of Convergence §
Große
einheitlich gefärbte Bereiche führen nur zu einer kleinen Anzahl von
Oberflächenpunkten, die eine partielle Ableitung haben ·
Lösung: 1.
Extraktion der
Kanten 2.
Anwendung einer
Abstandstransformation ·
Voraussetzung: -
Vergleichbarkeit
der Eigenschaften der Bildpunkte -
Unabhängigkeit
von der Blickrichtung der einzelnen Fotos während der iterativen Optimierung Ø
Keine
Abstandsberechnung auf der Bildebene, sondern auf der Objektoberfläche ·
Algorithmus zur
Kantenextraktion: -
Extrahierung der
Farbkanten mittels (3x3)-Sobel-Operator -
Erzeugung eines
Kantenbildes, das noch mit einer geeigneten Funktion f bearbeitet werden muss Ø
Eigenschaften von Funktion f: - Soll Rauschen reduzieren und Unterscheidbarkeit der Kanten erhalten - Abbildung der Kanten auf einem Wert nahe 0 und einheitlicher Bildbereiche auf einen Wert nahe 1 - Es wurde empirisch folgende Variante gefunden mit Wertebereich [0;1]:
Ø Abbildung 3 zeigt die Funktion f für k=0,72
·
Definition eines
Maßes basierend auf den extrahierten Kanten, zur Kombination von euklidischem
Abstand zur nächsten Kante in Weltkoordinaten und Intensität dieser Kante ·
Algorithmus zur Abstandstransformation
berechnet das Abstandsbild unter Ausnutzung des vorberechneten z-Puffers: (1)Initialisierung
eines Abstandsbildes für jedes Foto mit dem Kantenbild, wobei scharfe Kanten
zu Werten nahe 0 führen (2)Propagierung
der inizierten Werte über das Bild hinweg in zwei Schritten: ·
Von der linken oberen Ecke zur rechten unteren
Ecke ·
Und wieder zurück -
Assoziierung jedes Rasterpunkts mit dem Minimum
seines vorhergehenden Wertes und den Werten der vier Nachbarpunkte plus dem
euklidischen Abstand d der Punkte in Weltkoordinaten -
Auswahl der Nachbarpunkte durch eine Maske
(Abbildung 4) (3)Iteration
von (2) bis sich kein Wert mehr ändert, falls sich die Werte bei der
Iteration signifikant ändern, reicht auch eine Iteration aus ·
Abbildung 4:
·
Abbildung 5 zeigt oben ein Beispiel mit
natürlichen Texturen (Holzelefant) und unten ein Beispiel mit künstlichen
Texturen (Auswertung der Zielfunktion aus Kriterium l in
äquidistanten Schritten) ·
Abbildung 5: (links: Beispielobjekt, mittig:
Kantenbild, rechts: Abstandsbild)
·
Abbildung 6
zeigt den Fehler als Funktion des Fehlers in den drei Rotationswinkeln in
Grad für die Intensität (oben) und für das Abstandsbild (unten) ·
Abbildung 6:
·
Insgesamt
ergeben sich folgende Vorteile: -
Signifikante
Vergrößerung des Range Of Convergence -
Der Einfluss
optischer Effekte und der Fehler in den Bildern wird durch den Schritt der
Kantenextraktion reduziert |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
