双目相机技术是计算机视觉领域中的重要组成部分，它主要用于实现三维空间信息的获取。通过同时拍摄同一场景的两幅图像，双目相机可以计算出物体的深度信息，从而实现三维重建和点云恢复。本教程将围绕双目相机的标定、校正、点位恢复、视差图和深度图的生成以及点云构建等方面进行详细阐述。 **一、双目相机标定** 双目相机标定是获取其内参和外参的过程，以便精确地将二维图像坐标转换为三维空间坐标。内参包括焦距、主点坐标等，外参则涉及相机间的相对位置和姿态。常用的标定方法是使用棋盘格图案，通过对多个不同角度拍摄的图像进行处理，求解相机参数。OpenCV库提供了便捷的相机标定工具，可以简化这一过程。 **二、相机校正** 校正主要针对镜头畸变，包括径向畸变和切向畸变。双目相机的每只“眼睛”都需要单独进行校正，以确保图像的准确性。校正过程通常通过多项式模型来拟合畸变，并生成校正后的图像。这一步对于后续的特征匹配和深度计算至关重要。 **三、点位恢复** 点位恢复是指从双目图像中提取特征点，并计算它们在三维空间中的坐标。需要对两幅图像进行特征检测（如SIFT、SURF或ORB），然后进行特征匹配。匹配的特征点对可用于三角测量，通过最小化重投影误差来求解每个匹配点的三维坐标。这一步涉及几何三角法，是双目视觉的核心算法。 **四、视差图与深度图** 视差图是双目视觉中计算出来的关键结果，表示对应像素在两幅图像间的水平偏移，而深度图则反映了每个像素对应的物体距离。视差图可以通过立体匹配算法得到，如半全局匹配（Semi-Global Matching，SGM）或基于成本聚合的方法。视差图与相机的内参和外参结合，可以进一步转化为深度图。 **五、点云恢复** 有了深度图，我们就可以通过反投影将图像像素转换为三维空间中的点，从而得到点云。点云是三维重建的基础，可以用于各种应用，如3D建模、环境扫描和避障导航。点云数据可以使用PCL（Point Cloud Library）等库进行处理，包括滤波、分割、表面重建等操作。 **六、实际应用** 双目相机技术广泛应用于机器人导航、自动驾驶、无人机、增强现实等领域。例如，在自动驾驶中，双目视觉可以帮助车辆识别前方障碍物的距离和形状；在无人机避障中，通过实时的点云重建可以判断飞行路径的安全性。 双目相机技术涉及多个环节，从标定、校正到点云恢复，每一个步骤都是至关重要的。通过深入理解和实践，我们可以有效地利用双目相机获取三维世界的信息，为实际应用提供强大的技术支持。如果你对这部分代码有所优化，欢迎分享，共同推进计算机视觉的发展。

机器视觉方面，基于halcon实现点云的读取和处理并将其转为深度图进行ply格式的建模，涉及到halcon对点云的处理

Halcon深度图转点云

Halcon深度图转伪彩图

来自激光雷达点云的已知定位相机的全密集深度图图像激光雷达传感器可以为我们提供关于周长的大量信息，这些信息对于许多自动机器人应用（例如自动驾驶汽车）非常重要。 虽然，激光雷达传感器为我们提供了 360 度的视点云并且它非常密集，但如果我们想匹配这些点云中的任何相机图像，某些相机的深度图变得非常稀疏，并且使用匹配的深度远远落后任何目的的信息。 在这个项目中，我们专注于从样本 Kitti 数据集 [1] 中读取点云、相机图像和校准参数，并为某些平移和旋转已知的相机创建密集的深度图像。

深度解析OLED结构及发光原理关键技术。OLED的原文是Organic Light Emitting Diode，中文意思就是“有机发光显示技术”。其原理是在两电极之间夹上有机发光层，当正负极电子在此有机材料中相遇时就会发光，其组件结构比目前流行的TFT LCD简单，生产成本只有TFT LCD的三到四成左右。除了生产成本便宜之外，OLED还有许多优势，比如自身发光的特性，目前LCD都需要背光模块(在液晶后面加灯管)，但OLED通电之后就会自己发光，可以省掉灯管的重量体积及耗电量(灯管耗电量几乎占整个液晶屏幕的一半)，不仅让产品厚度只剩两厘米左右，操作电压更低到2至10伏特，加上OLED的反应时

用C++在MFC框架下实现实现Kinect深度图和彩色图实时采集，并对齐裁减

本代码主要用于实现深度图生成点云pcd并进行保存。

本代码用于对RGBD深度相机的深度图去噪，尤其对椒盐噪声效果很好

spin360.bag 用于提取深度图和rgb图