fbpx
Sigmoidal
  • Home
  • Data Science
    Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

    Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

    Data Science no exterior - como fazer uma Cover Letter

    Como escrever uma Cover Letter poderosa para Data Science

    GESTÃO DE DADOS: aprenda Data Science ou pague o preço de uma decisão errada | PrimoCast com Thiago Nigro

    Aprenda Data Science ou pague o preço de uma decisão errada

    Como a França usou Inteligência Artificial para detectar 20 mil piscinas

    Como a França usou Inteligência Artificial para detectar 20 mil piscinas

    ChatGPT: A Inteligência Artificial que vai escrever seus códigos

    ChatGPT: A Inteligência Artificial que vai escrever seus códigos

    7 livros essenciais para aprender Data Science em 2023

    7 livros essenciais para aprender Data Science em 2023

    Como a banda Metallica usa Data Science

    Como a banda Metallica usa Data Science

    Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

    Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

    Use a estratégia da Apollo 13 para conseguir uma vaga no mercado

    Use a estratégia da Apollo 13 para conseguir uma vaga no mercado

    Python para análise de ações e investimentos

    Python para análise de ações e investimentos

    Gerando amostras para modelos de Deep learning no ArcGIS Pro

    Gerando amostras para modelos de Deep learning no ArcGIS Pro

    7 Livros de Data Science em 2021

    7 Livros de Data Science em 2021

    Trending Tags

    • Python
      Fundamentos da Formação da Imagem

      Fundamentos da Formação da Imagem

      Como usar o DALL-E 2 para gerar imagens a partir de textos

      Como usar o DALL-E 2 para gerar imagens a partir de textos

      aprenda python do zero - curso gratuito

      Projeto Python: um plano à prova de desculpas

      Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

      Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

      Projeto Python do Zero: evento 100% gratuito

      Projeto Python do Zero: evento 100% gratuito

      Aprenda Python e se destaque no mercado

      Aprenda Python e se destaque no mercado

      Python para análise de ações e investimentos

      Python para análise de ações e investimentos

      Como fazer gráficos rotulados em Python

      Como fazer gráficos rotulados em Python

      Trabalhando com Dados Desbalanceados

      Trabalhando com Dados Desbalanceados

      Trending Tags

      • Visão Computacional
        Aula 1: O caminho para você construir uma nova carreira em Visão Computacional

        Aula 1: O caminho para você construir uma nova carreira em Visão Computacional

        Visão Computacional do zero até uma vaga no exterior

        Visão Computacional do zero até uma vaga no exterior

        Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

        Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

        ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

        Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

        Fundamentos da Formação da Imagem

        Fundamentos da Formação da Imagem

        Como usar OpenCV e Python para calibrar câmeras

        Como usar OpenCV e Python para calibrar câmeras

        Como usar o DALL-E 2 para gerar imagens a partir de textos

        Como usar o DALL-E 2 para gerar imagens a partir de textos

        Crie um sistema de vigilância com drones e Deep Learning

        Crie um sistema de vigilância com drones e Deep Learning

        Detector de Fadiga usando Python

        Detector de Fadiga usando Python

        Redes Neurais Convolucionais com Python

        Redes Neurais Convolucionais com Python

        Reduzindo o Overfitting com Data Augmentation

        Reduzindo o Overfitting com Data Augmentation

        Trending Tags

        • Sobre Mim
        No Result
        View All Result
        • Home
        • Data Science
          Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

          Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

          Data Science no exterior - como fazer uma Cover Letter

          Como escrever uma Cover Letter poderosa para Data Science

          GESTÃO DE DADOS: aprenda Data Science ou pague o preço de uma decisão errada | PrimoCast com Thiago Nigro

          Aprenda Data Science ou pague o preço de uma decisão errada

          Como a França usou Inteligência Artificial para detectar 20 mil piscinas

          Como a França usou Inteligência Artificial para detectar 20 mil piscinas

          ChatGPT: A Inteligência Artificial que vai escrever seus códigos

          ChatGPT: A Inteligência Artificial que vai escrever seus códigos

          7 livros essenciais para aprender Data Science em 2023

          7 livros essenciais para aprender Data Science em 2023

          Como a banda Metallica usa Data Science

          Como a banda Metallica usa Data Science

          Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

          Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

          Use a estratégia da Apollo 13 para conseguir uma vaga no mercado

          Use a estratégia da Apollo 13 para conseguir uma vaga no mercado

          Python para análise de ações e investimentos

          Python para análise de ações e investimentos

          Gerando amostras para modelos de Deep learning no ArcGIS Pro

          Gerando amostras para modelos de Deep learning no ArcGIS Pro

          7 Livros de Data Science em 2021

          7 Livros de Data Science em 2021

          Trending Tags

          • Python
            Fundamentos da Formação da Imagem

            Fundamentos da Formação da Imagem

            Como usar o DALL-E 2 para gerar imagens a partir de textos

            Como usar o DALL-E 2 para gerar imagens a partir de textos

            aprenda python do zero - curso gratuito

            Projeto Python: um plano à prova de desculpas

            Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

            Entrevista com Rodrigo Gianotto, CTO do Grupo Primo

            Projeto Python do Zero: evento 100% gratuito

            Projeto Python do Zero: evento 100% gratuito

            Aprenda Python e se destaque no mercado

            Aprenda Python e se destaque no mercado

            Python para análise de ações e investimentos

            Python para análise de ações e investimentos

            Como fazer gráficos rotulados em Python

            Como fazer gráficos rotulados em Python

            Trabalhando com Dados Desbalanceados

            Trabalhando com Dados Desbalanceados

            Trending Tags

            • Visão Computacional
              Aula 1: O caminho para você construir uma nova carreira em Visão Computacional

              Aula 1: O caminho para você construir uma nova carreira em Visão Computacional

              Visão Computacional do zero até uma vaga no exterior

              Visão Computacional do zero até uma vaga no exterior

              Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

              Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

              ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

              Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

              Fundamentos da Formação da Imagem

              Fundamentos da Formação da Imagem

              Como usar OpenCV e Python para calibrar câmeras

              Como usar OpenCV e Python para calibrar câmeras

              Como usar o DALL-E 2 para gerar imagens a partir de textos

              Como usar o DALL-E 2 para gerar imagens a partir de textos

              Crie um sistema de vigilância com drones e Deep Learning

              Crie um sistema de vigilância com drones e Deep Learning

              Detector de Fadiga usando Python

              Detector de Fadiga usando Python

              Redes Neurais Convolucionais com Python

              Redes Neurais Convolucionais com Python

              Reduzindo o Overfitting com Data Augmentation

              Reduzindo o Overfitting com Data Augmentation

              Trending Tags

              • Sobre Mim
              No Result
              View All Result
              Sigmoidal
              No Result
              View All Result
              Home Artigos Visão Computacional

              Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

              Carlos Melo by Carlos Melo
              março 29, 2023
              in Artigos, Blog, Destaques, Matemática, Teoria, Tutoriais, Visão Computacional
              0
              23
              SHARES
              774
              VIEWS
              Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

              Entender as transformações de matriz e sistemas de coordenadas é essencial para converter com precisão objetos 3D em imagens 2D. Esse processo, amplamente utilizado em aplicações como videogames, realidade virtual e realidade aumentada, permite renderização realista de imagens mapeando pontos 3D no mundo para pontos 2D em um plano de imagem.

              Neste tutorial, exploraremos as complexidades das transformações de matriz e sistemas de coordenadas, focando na geometria da imagem da câmera, coordenadas de imagem e do mundo. Incluiremos uma implementação em Python para ajudar a ilustrar esses conceitos, com foco em como manipular a câmera e obter suas coordenadas.

              Geometria da Formação de Imagens

              Para compreender a formação de uma imagem a partir de um ponto 3D no espaço, precisamos entender o processo do ponto de vista da geometria e álgebra linear. Essencialmente, precisamos projetar um ponto 3D em um plano de imagem 2D usando um processo chamado projeção em perspectiva.

              Isso envolve levar em consideração três componentes críticos: o Sistema de Coordenadas do Mundo, o Sistema de Coordenadas da Câmera e o Plano de Imagem. Para transformar de coordenadas do Mundo para coordenadas de Pixel, realizamos as seguintes três etapas:

              1. Transformar o ponto do mundo (X_W, Y_W, Z_W) com centro óptico W para um novo sistema de coordenadas com o centro óptico da câmera C como a origem (0, 0, 0). Isso é feito usando uma transformação de corpo rígido, composta por rotação (R) e translação (t).
              2. Projetar o ponto da câmera (X_C, Y_C, Z_C) no sensor óptico, criando novas coordenadas (x, y, z) no mesmo sistema de coordenadas. Isso é alcançado usando a matriz de parâmetros intrínsecos da câmera K. O sensor óptico é frequentemente referido como o “plano de imagem” ou “quadro de imagem”.
              3. Normalizar (x, y, z) para coordenadas de pixel (u, v) dividindo por z e ajustando a origem da imagem.

              Ao entender e aplicar essas etapas, podemos efetivamente converter um ponto 3D do Sistema de Coordenadas do Mundo para coordenadas de pixel em uma imagem, o que é essencial no campo da visão computacional e formação de imagem.

              Sistema de Coordenadas do Mundo

              Imagine que você seja um piloto de elite, Maverick, participando de um combate aéreo de alto risco contra uma aeronave inimiga. Para descrever a posição dos objetos no espaço aéreo, você precisa estabelecer um sistema de coordenadas para o mundo 3D em que está voando.

              Esse processo envolve dois componentes principais:

              • Origem: podemos escolher arbitrariamente qualquer ponto no mundo 3D como a origem, como o porta-aviões da marinha, representado pelas coordenadas (0, 0, 0).
              • Eixos X, Y, Z: em seguida, definimos os eixos X, Y e Z com base em uma referência fixa, como o eixo longitudinal do porta-aviões, o eixo lateral e a linha vertical apontando para o céu a partir das metralhadoras.

              Com nosso sistema de coordenadas no lugar, podemos determinar as coordenadas 3D de qualquer ponto P dentro do espaço aéreo, medindo sua distância da origem ao longo dos eixos X, Y e Z. Este sistema de coordenadas é conhecido como Sistema de Coordenadas do Mundo.

              Sistema de Coordenadas da Câmera

              Agora, imagine o Maverick rasgando os céus além das linhas inimigas em seu F-18 Super Hornet, navegando habilmente em todos os eixos para se envolver e travar em uma aeronave alvo. O objetivo do Maverick é estabelecer uma linha de visão com a aeronave inimiga, fazendo com que ela apareça em sua tela Heads-Up Display (HUD).

              Para fins educacionais, vamos considerar a aeronave e seu piloto como uma câmera. A imagem da aeronave inimiga deve ser capturada por esta câmera, então estamos interessados no sistema de coordenadas 3D anexado a ele, conhecido como sistema de coordenadas da câmera. Nesse cenário, precisamos encontrar a relação entre as coordenadas do mundo 3D e as coordenadas da câmera 3D.

              Se colocássemos a câmera na origem das coordenadas do mundo e alinhássemos seus eixos X, Y e Z com os eixos do mundo, os dois sistemas de coordenadas seriam idênticos. No entanto, essa é uma restrição impraticável. Queremos que a câmera esteja em qualquer lugar do mundo e possa olhar em qualquer direção. Nesse caso, precisamos encontrar a relação entre as coordenadas 3D do mundo e as coordenadas 3D da câmera ‘Maverick’.

              Camera Pixel Coordinates on the left vs World Coordinates on the right. Fonte: Intel RealSense

              Suponha que a aeronave de Maverick esteja em um local arbitrário (t_X, t_Y, t_Z) no espaço aéreo. A coordenada da câmera é transladada por (t_X, t_Y, t_Z) em relação às coordenadas do mundo. Além disso, a aeronave pode olhar em qualquer direção, ou seja, está girada em relação ao sistema de coordenadas do mundo.

              Em 3D, a rotação é capturada usando três parâmetros – guinada, arfagem e rolagem. Eles também podem ser representados como um eixo em 3D (dois parâmetros) e uma rotação angular em torno desse eixo (um parâmetro). Para manipulação matemática, geralmente é mais conveniente codificar a rotação como uma matriz 3×3. Embora uma matriz 3×3 tenha nove elementos, uma matriz de rotação possui apenas três graus de liberdade devido às restrições de rotação.

              Com essas informações, podemos estabelecer a relação entre o Sistema de Coordenadas do Mundo e o Sistema de Coordenadas da Câmera usando uma matriz de rotação R e um vetor de translação de 3 elementos t.

              Isso significa que o ponto P, que tinha valores de coordenadas (X_W, Y_W, Z_W) nas coordenadas do mundo, terá valores de coordenadas diferentes (X_C, Y_C, Z_C) no sistema de coordenadas da câmera. As duas coordenadas estão relacionadas pela seguinte equação:

                  \[ \begin{bmatrix} X_C \\ Y_C \\ Z_C \end{bmatrix} = \mathbf{R} \begin{bmatrix} X_W \\ Y_W \\ Z_W \end{bmatrix} + \mathbf{t} \]

              Representando a rotação como uma matriz, podemos simplificar a rotação com multiplicação de matrizes em vez de manipulação de símbolos tediosa exigida em outras representações como guinada, arfagem e rolagem. Isso deve ajudá-lo a entender por que representamos rotações como uma matriz. Às vezes, a expressão acima é escrita de forma mais compacta. O vetor de translação 3×1 é anexado como uma coluna no final da matriz de rotação 3×3 para obter uma matriz 3×4 chamada Matriz Extrínseca:

                  \[ \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = P \begin{bmatrix} X_C \\ Y_C \\ Z_C \\ 1 \end{bmatrix} \]

              onde a matriz de projeção da câmera P é dada por:

                  \[ P = K \begin{bmatrix} R \ | \ t \end{bmatrix} \]

              Sistema de Coordenadas da Imagem

              Neste combate aéreo de alto risco, Maverick deve trazer a aeronave inimiga para seu Head-Up Display (HUD) para travar no alvo e estabelecer uma solução de disparo. Analogamente, precisamos projetar um ponto 3D do sistema de coordenadas da câmera no plano da imagem. O plano da imagem, um plano 2D que representa o campo de visão da câmera, é onde nosso mundo 3D é projetado para formar uma imagem 2D.

              The projection of point P (enemy aircraft) onto the image plane (HUD).

              O Sistema de Coordenadas de Imagem tem sua origem no canto inferior esquerdo do plano de imagem, com os eixos X e Y se estendendo à direita e para cima, respectivamente. Normalmente, as unidades de medida são em pixels, começando na origem (0, 0) e atingindo as coordenadas máximas de acordo com a largura e altura da imagem.

              Para projetar um ponto 3D do sistema de coordenadas da câmera no plano da imagem, primeiro precisamos estabelecer a relação entre os parâmetros intrínsecos da câmera e o Sistema de Coordenadas de Imagem. Os parâmetros intrínsecos incluem a distância focal (f) e o ponto principal (u_0, v_0), que representa o centro do plano da imagem.

              A matriz de parâmetros intrínsecos da câmera, denotada como K, é definida como:

                  \[ K = \begin{bmatrix} f & 0 & u_0 \\ 0 & f & v_0 \\ 0 & 0 & 1 \end{bmatrix} \]

              Agora que temos a matriz de parâmetros intrínsecos, podemos projetar um ponto 3D do sistema de coordenadas da câmera (X_C, Y_C, Z_C) no plano da imagem usando a seguinte equação:

                  \[ \begin{bmatrix} x \\ y \\ z \end{bmatrix} = K \begin{bmatrix} X_C \\ Y_C \\ Z_C \end{bmatrix} \]

              Finalmente, normalizamos o ponto projetado (x, y, z) para obter as coordenadas de pixel correspondentes (u, v) no plano da imagem:

                  \[ u = \frac{x}{z} \quad \text{and} \quad v = \frac{y}{z} \]

              Em um contexto mais geral, projetamos com sucesso um ponto 3D do sistema de coordenadas do mundo para o sistema de coordenadas da imagem, transformando-o em uma imagem 2D. Ao compreender e aplicar os conceitos do Sistema de Coordenadas do Mundo, Sistema de Coordenadas da Câmera e Sistema de Coordenadas de Imagem, podemos converter efetivamente pontos 3D em coordenadas de pixel em uma imagem. Este processo é crucial para várias aplicações em gráficos de computador, como videogames, realidade virtual e realidade aumentada.

              Implementação em Python

              Na seção “Implementação em Python”, exploraremos como manipular a posição e orientação da câmera em um espaço 3D usando Python. Usaremos os conceitos de projeção de câmera e geometria de formação de imagens para criar uma implementação em Python que demonstre a relação entre os sistemas de coordenadas do mundo e da câmera.

              import numpy as np
              import matplotlib.pyplot as plt
              from mpl_toolkits.mplot3d import Axes3D
              from scipy.linalg import expm
              
              class Camera:
                  def __init__(self, P):
                      self.P = P
                      self.K = None
                      self.R = None
                      self.t = None
                      self.c = None
              
                  def translate(self, translation_vector):
                      T = np.eye(4)
                      T[:3, 3] = translation_vector
                      self.P = np.dot(self.P, T)
              
                  def rotate(self, rotation_vector):
                      R = rotation_matrix(rotation_vector)
                      self.P = np.dot(self.P, R)
              
                  def position(self):
                      return self.P[:3, 3]
              
              def rotation_matrix(a):
                  R = np.eye(4)
                  R[:3, :3] = expm(np.array([[0, -a[2], a[1]], [a[2], 0, -a[0]], [-a[1], a[0], 0]]))
                  return R

              Este trecho de código ilustra uma implementação em Python de uma classe Camera que pode ser usada para realizar translações e rotações em uma matriz de projeção 3D. A classe Camera tem métodos para transladar e rotacionar a câmera, e um método position que retorna a posição da câmera. A função rotation_matrix é usada para criar uma matriz de rotação a partir de um vetor de rotação, que é então usado para atualizar a matriz de projeção. As bibliotecas numpy e scipy são usadas para realizar operações matriciais e calcular a exponencial de uma matriz, respectivamente. A biblioteca matplotlib é usada para visualizar a projeção 3D.

              def draw_axis(ax, position, label, color):
                  x_arrow = np.array([1, 0, 0])
                  y_arrow = np.array([0, 1, 0])
                  z_arrow = np.array([0, 0, 1])
                  ax.quiver(*position, *x_arrow, color=color, arrow_length_ratio=0.1)
                  ax.quiver(*position, *y_arrow, color=color, arrow_length_ratio=0.1)
                  ax.quiver(*position, *z_arrow, color=color, arrow_length_ratio=0.1)
                  ax.text(*(position + x_arrow), f"{label}_x")
                  ax.text(*(position + y_arrow), f"{label}_y")
                  ax.text(*(position + z_arrow), f"{label}_z")
              
              def plot_world_and_camera(world_coordinates, camera):
                  fig = plt.figure(figsize=(10, 10))
                  ax = fig.add_subplot(111, projection='3d')
              
                  world_x, world_y, world_z = zip(world_coordinates)
                  ax.scatter(world_x, world_y, world_z, c='b', marker='o', label='World Coordinates', s=54)
              
                  camera_x, camera_y, camera_z = camera.position()
                  ax.scatter(camera_x, camera_y, camera_z, c='r', marker='^', label='Camera Position', s=54)
              
                  draw_axis(ax, camera.position(), "C", color="red")
                  draw_axis(ax, world_origin, "W", color="blue")
              
                  ax.set_xlabel('X')
                  ax.set_ylabel('Y')
                  ax.set_zlabel('Z')
                  ax.set_xlim(-3, 3)
                  ax.set_ylim(-3, 3)
                  ax.set_zlim(-3, 3)
                  ax.legend()
                  plt.show()

              Este trecho de código demonstra a função plot_world_and_camera, que é usada para plotar as coordenadas do mundo e a posição da câmera em um espaço 3D. A função recebe os objetos world_coordinates e camera como argumentos e cria um gráfico de dispersão 3D usando a biblioteca matplotlib. A função draw_axis é usada para desenhar os eixos x, y e z tanto para os sistemas de coordenadas do mundo quanto da câmera. O método camera.position() é usado para obter a posição da câmera no sistema de coordenadas do mundo. Os métodos ax.set_xlabel, ax.set_ylabel e ax.set_zlabel são usados para rotular os eixos x, y e z, respectivamente. Por fim, os métodos ax.legend() e plt.show() são usados para exibir a legenda e o gráfico, respectivamente.

              world_origin = (1, 1, 1)
              
              # Set up Camera
              P = np.hstack((np.eye(3), np.array([[0], [0], [0]])))
              cam = Camera(P)
              
              # Plot the World and Camera Coordinate Systems
              plot_world_and_camera(world_origin, cam)

              Como demonstrado no trecho de código acima, a variável world_origin é inicializada com as coordenadas (1, 1, 1). A variável P é inicializada como uma matriz identidade 3×4, que representa a matriz de projeção da câmera. A classe Camera é então inicializada com a matriz P. Por fim, a função plot_world_and_camera é chamada com os objetos world_origin e cam como argumentos para plotar as coordenadas do mundo e a posição da câmera em um espaço 3D.

              Agora, moveremos a câmera aplicando uma translação e uma rotação. Inicializamos o vetor de translação como [1, 1, 1] e o eixo de rotação como [0, 0, 1]. Em seguida, definimos o ângulo de rotação como np.pi / 4. Em seguida, criamos um vetor de rotação multiplicando o eixo de rotação pelo ângulo de rotação. Por fim, aplicamos a translação e a rotação à câmera usando os métodos translate e rotate, respectivamente. Depois disso, plotamos os sistemas de coordenadas do mundo e da câmera atualizados usando a função plot_world_and_camera.

              # Move the Camera
              translation_vector = np.array([1, 1, 1])
              rotation_axis = np.array([0, 0, 1])
              rotation_angle = np.radians(45)
              rotation_vector = rotation_axis * rotation_angle
              cam.translate(translation_vector)
              cam.rotate(rotation_vector)
              
              ## Plot the World and Camera Coordinate Systems after moving the Camera
              plot_world_and_camera(world_origin, cam)

              Ao executar este trecho de código, você poderá visualizar as posições atualizadas dos sistemas de coordenadas da câmera e do mundo após a aplicação da translação e da rotação na câmera. Isso ajudará você a entender como a matriz de projeção da câmera muda à medida que a câmera se move no espaço 3D.

              Assim, demonstramos como manipular a posição e a orientação da câmera em um espaço 3D usando Python, implementando os conceitos de projeção da câmera e geometria de imagem. Também fornecemos uma implementação em Python da classe Camera, que pode ser usada para realizar translações e rotações em uma matriz de projeção 3D. Ao entender e aplicar esses conceitos, você poderá criar e manipular câmeras virtuais em um espaço 3D, o que é crucial para várias aplicações em computação gráfica, como jogos de vídeo, realidade virtual e realidade aumentada.

              Conclusão

              Aqui estão algumas informações principais que você deve lembrar deste tutorial:

              • A projeção 3D é o processo de transformar pontos 3D em pontos 2D em um plano.
              • O modelo da câmera define a relação entre o mundo 3D e a imagem 2D capturada pela câmera.
              • A matriz de projeção da câmera é uma matriz 3×4 que mapeia pontos 3D para pontos 2D no plano da imagem.
              • Python fornece bibliotecas poderosas como NumPy e Matplotlib para implementar projeção 3D e modelo de câmera.

              Em nosso próximo artigo, construiremos sobre esta base e demonstraremos como renderizar objetos 3D e projetá-los no espaço de pixel, criando efetivamente imagens 2D realistas a partir de cenas 3D. No final do próximo post, você não apenas terá uma compreensão sólida dos princípios subjacentes da projeção da câmera, mas também as habilidades práticas para aplicar esse conhecimento em seus projetos. Fique atento para esta emocionante continuação e junte-se a nós enquanto desvendamos os segredos da projeção da câmera em gráficos de computador.

              Tags: camera calibrationcomputer visiondata scienceimage formationopencvvisão computacional
              Previous Post

              Fundamentos da Formação da Imagem

              Next Post

              ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

              Carlos Melo

              Carlos Melo

              Carlos Melo fundou o Sigmoidal em 2019 e formou mais de 6 mil alunos com seus treinamentos nas área de tecnologia, Visão Computacional, Python e Data Science. É graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e possui MBA em Gestão de Projetos e Processos pela Universidade da Força Aérea (UNIFA). Mestre em Ciências e Tecnologias Espaciais pelo Instituto Tecnológico de Aeronáutica (ITA), foi o primeiro brasileiro convidado a realizar o curso Space Operations da Royal Canadian Air Force no Canadá. Foi piloto da Força Aérea Brasileira por 16 anos, instrutor qualificado com mais de 3 mil horas de voo, Head da Divisão de Observação da Terra e cientista de dados no Centro de Operações Espaciais em Brasília.

              Related Posts

              Aula 1: O caminho para você construir uma nova carreira em Visão Computacional
              Artigos

              Aula 1: O caminho para você construir uma nova carreira em Visão Computacional

              by Carlos Melo
              maio 2, 2023
              Visão Computacional do zero até uma vaga no exterior
              Visão Computacional

              Visão Computacional do zero até uma vaga no exterior

              by Carlos Melo
              abril 22, 2023
              Construindo Roma em um dia: Reconstrução 3D com Visão Computacional
              Visão Computacional

              Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

              by Carlos Melo
              abril 15, 2023
              Visão Computacional

              ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

              by Carlos Melo
              abril 10, 2023
              Fundamentos da Formação da Imagem
              Visão Computacional

              Fundamentos da Formação da Imagem

              by Carlos Melo
              março 22, 2023
              Next Post

              ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

              Deixe um comentário Cancelar resposta

              O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

              Destaques Sigmoidal

              Detector de Fadiga usando Python

              Detector de Fadiga usando Python

              outubro 6, 2020
              NFT e artes criadas por Inteligência Artificial

              NFT e artes criadas por Inteligência Artificial

              junho 17, 2022
              7 Livros de Data Science em 2021

              7 Livros de Data Science em 2021

              outubro 8, 2021

              Navegar por Categoria

              • Artigos
              • Blog
              • Carreira
              • Colunistas
              • Cursos
              • Data Science
              • Deep Learning
              • Destaques
              • Entrevistas
              • Inglês
              • Iniciantes
              • Inteligência Artificial
              • Livros
              • Machine Learning
              • Matemática
              • NFT
              • Notícias
              • Projetos
              • Python
              • Teoria
              • Tutoriais
              • Visão Computacional
              • Youtube

              Navegar por Tags

              camera calibration cancer carreira cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gis gpt-3 gráficos healthcare image formation iniciantes jupyter kaggle keras machine learning matplotlib medicina mnist nft opencv pandas personal branding portfólio profissão python redes neurais redes neurais convolucionais regressão logística seaborn sklearn tensorflow titanic tutorial vagas visão computacional vídeo youtube árvore de decisão
              Sigmoidal

              O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

              Seguir no Instagram

              Categorias

              • Artigos
              • Blog
              • Carreira
              • Colunistas
              • Cursos
              • Data Science
              • Deep Learning
              • Destaques
              • Entrevistas
              • Inglês
              • Iniciantes
              • Inteligência Artificial
              • Livros
              • Machine Learning
              • Matemática
              • NFT
              • Notícias
              • Projetos
              • Python
              • Teoria
              • Tutoriais
              • Visão Computacional
              • Youtube

              Navegar por Tags

              camera calibration cancer carreira cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gis gpt-3 gráficos healthcare image formation iniciantes jupyter kaggle keras machine learning matplotlib medicina mnist nft opencv pandas personal branding portfólio profissão python redes neurais redes neurais convolucionais regressão logística seaborn sklearn tensorflow titanic tutorial vagas visão computacional vídeo youtube árvore de decisão

              Artigos Recentes

              • Aula 1: O caminho para você construir uma nova carreira em Visão Computacional
              • Visão Computacional do zero até uma vaga no exterior
              • Construindo Roma em um dia: Reconstrução 3D com Visão Computacional

              © 2023 Sigmoidal - Aprenda Data Science e Python na prática.

              No Result
              View All Result
              • Home
              • Artigos
              • Tutoriais
              • YouTube
              • Sobre Mim
              • Contato

              © 2023 Sigmoidal - Aprenda Data Science e Python na prática.

              Welcome Back!

              Login to your account below

              Forgotten Password?

              Retrieve your password

              Please enter your username or email address to reset your password.

              Log In

              Add New Playlist