三维重建技术在文化保护领域中的应用研究

2022-04-20杨雨薇李秀静

无线互联科技 2022年2期

杨雨薇,陈浩,李秀静

(南通理工学院,江苏南通 226002)

0 引言

目前,三维重建技术的应用是各个领域的热门研究课题。通过建立三维模型可以使得很多极具震撼力的自然场景和地域特色的建筑得以保留,这对世界自然和文化遗产的保护和传承具有重要的现实意义[1]。本文通过研究SIFT算法、PMVS算法和去噪算法,对三维场景进行建模,这不仅能够让相关人员得到重要的研究数据,也能通过对三维场景的虚拟展示和漫游让更多的人了解和参与自然文化遗产的保护和传承。

1 图像序列采集

图像序列采集是三维重建的第一步,也是最重要的一步。本文通过手机或者数码相机对文物建筑进行拍摄。在拍摄的时候保证图像在整张照片的三分之二及以上,相邻两张照片的角度差控制在10° 之内,一组图像的数量不宜过多,也不宜过少。

2 基于SIFT算法的稀疏点云模型

在采集到文物建筑的图像序列之后,运用SIFT(尺度不变特征变换)算法检测图像的特征点并进行匹配,从而得到图像的稀疏点云模型。SIFT算法提取特征点的实质是在不同的尺度空间里寻找特征点,计算出特征点的方向[2]。这里需要通过高斯滤波器DOG[3]计算出特征点的位置,然后用公式(1)计算梯度和方向

其中,m(x,y)为特征点的梯度,θ(x,y)为方向,L是特征点的尺度空间值。

图像的特征点被提取之后,需要进行匹配。SIFT算法的特征点匹配是根据图像间特征点的欧式距离进行匹配的。首先,在图像上找到特征向量距离最小的两个关键点;然后分别求他们的距离,如果最近距离除以次近距离的商小于某个阈值,那么认为匹配成功。为了提高匹配的成功率,本文采用双向匹配,即正向和反向各一次匹配,取两次匹配的交集部分,如图1所示。

图1 双向匹配示意

3 基于PMVS算法的稠密点云模型

通过SIFT算法的特征提取和匹配得到稀疏点云模型之后,运用PMVS算法得到稠密点云模型,覆盖在图像表面[4]。PMVS算法分为3个步骤:初始化特征匹配、面片扩展和面片过滤[5]。

3.1 初始化特征匹配

初始化特征匹配是利用Harris算子和DoG(Difference of Gaussian)算子检测出每幅图像中的特征点,然后进行匹配,得到一组稀疏的面片集。

3.2 面片扩展

得到稀疏面片集之后,通过公式(2)获取每一个面片的相邻图像集合。

其中,I(p)为图像集合,x、y为下标,Ti(x,y)为点云面片集合。

3.3 面片过滤

面片扩展之后,需要对多余的面片进行过滤。这里使用可见性一致过滤,如公式(3)所示。

4 点云去噪算法

首先,选择三维重建模型中的任意一个重建点云p,以此为中心,取p点领域内所有点,构成集合F。其次,对F集合中的每个点都重复上面的步骤,从而扩大F集合的范围。接着,判断F集合中点云的数量,数量过少的话,则代表该集合为离群点,重新开始计算;数量足够多的话,则代表该集合为最大聚类集合,集合以外的点可以去除。最后完成点云去噪的工作。