CorelDRAW9中立体工具的使用方法介绍

CorelDRAW9中立体工具的使用方法介绍（精选2篇）

CorelDRAW9中立体工具的使用方法介绍 篇1

这篇教程是向脚本之家的朋友介绍CorelDRAW9中立体工具的使用方法，教程比较基础，很适合，很适合新手来学习，推荐到脚本之家，喜欢的朋友一起来学习

本期教程向脚本之家的朋友们介绍CorelDRAW9中的立体工具的使用，在这一小节开始之前，我先说明一个事实：CorelDRAW9始终是CorelDRAW9，他不是3D MAX，也就是说，CorelDRAW9是二维软件，而不是三维软件，虽然他也能制作出类似三维的效果来，但是，请你别去相信他，因为CorelDRAW9骗了你，而且，你的眼睛也骗了你。

即使如此，“互动式立体化工具”的吸引力依然无可比拟，而CorelDRAW9也就主要依靠这个工具来欺骗你。

下面让我们开始实例，了解这个工具。了解他之后，你就不会再受骗了。

第一步：建立美术字CorelDRAW。如图37。

(图37)

不知你发现没有，我始终翻来覆去的使用几个实例?其实，这只是想证明一个事实：在CorelDRAW9中，你可以对一个对象进行种种不同的处理，生成各种完全不同的效果，或用种种不同的方法生成完全相同的效果。(哦，还有一点，我这个人太懒，哈哈。)

第二步：点取“互动式立体化工具”。

“互动式渐变工具”菜单中第五个工具就是他了，一个长方体的图案。这时，激活了“立体化工具”的属性条，这时，属性条上唯一处于激活状态的按钮是“点阵图立体化模式”，先别管他，继续我们的工作。

第三步：制作初步的立体图。

在画面中单击并拖动鼠标，你会看到文字被立体拉伸了，松开鼠标，拖动白色的滑块，把拉伸的深度调整到足够，如图38那样。

(图38)

效果很模糊?别急，别急。这时，属性条上的其他按钮也激活了。

第四步：变换视角。

点击“立体化类型”上面的三角形，在下拉菜单中选择一个你认为效果比较不错的就行了(假设为第二行右边那个)，看看画面的变化：如图39

(图39)

看着现在这种样子，是不 械慵绷耍柯慢来，我们一步一步走到…?/font%26gt;

第五步：增加深度。

这时，如果你还保持上一步的状态，就没办法增加深度了，请恢复一步，返回到第三步中去，“境加深度”控制被激活了，在其中输入一个数值，回车。看看图40，明白了吧?和第二步中我们移动的那个白色滑块的功能一样。

(图40)

第六步：调整消失点位置。

向右一点点，有两个并行的控制框，用他，就可以控制消失点的位置了。消失点?就是建立拉伸时拖动的第一个控制点(不是白色那个，是两条知黑线交叉的那个)。不用说你也知道怎么控制了，对吧?

第七步：改变消失点属性。

再向右看一点点，就是那个控制消失点属性的控制框了，这玩意儿在画面上是找不到的哦，非靠他不可了，要不要介绍一下?

他有一个下拉菜单，其中包括四个选项：“消失点锁定至页面”、“消失点锁定至物体”、“复制消失点效果”、“共用消失点”，

1、消失点锁定至页面：用他固定消失点在画面中的一个位置，这时移动物体，消失点的位置不会作任何改变。

2、消失点锁定至物体：和锁定至页面相反，把消失点锁定在物体上，如果移动物体，消失点会随之移动。

3、复制消失点：这没什么特殊的地方，也就是一物体在另一物体中复制消失点(当然，消失点的属性是相同的，不过注意：方向是不能复制的，仍然会保持独立)。

4、共用消失点：你有没有翻过一些美术基础方面的书?如果有，你一定能很清楚的想象出来：这是焦点透视，无数个对象只有一个消失点。这种控制相当实际，至少我觉得。

休息一下，接着我们进行下一步。

第八步：旋转一定角度。

跳过两个按钮，那个用虚线框表示的图标就是“立体化旋转”按钮了，点击他，出现旋转码头工，在C Y Z 三个座标轴控制框中输入相应的数值，回车，请看效果：(图41)

(图41)

是不是觉得很不直观?对，我也有这种感觉!请用鼠标双击对象，看见了吗?出现了一个绿色的虚线环，移动鼠标到绿色环四周的三角形上，拖动，看到变化了吗?你试一下，很容易就能掌握其中的诀窍。

第九步：添加倒角。

觉得转折太生硬，不爽?没问题，加一个倒角就解决了。

我们先看看“色彩”和“修饰斜角”这两个按钮，他们都有自己的码头工，点按钮上的三角形，打开码头工。

1、在“色彩”码头工中，有三个按钮：“使用物体填色”、“使用纯色”、“使用色彩明暗变化”。再下面是两个有小三角的按钮，他们主要用来控制颜色，分别是：“单色/阴影自立体化色彩”、“立体化色彩”。然后是“覆盖原色”选择框，最下面是“修饰斜角色彩”。

2、“修饰斜角”码头工很简单，最上面两个复选框，一个是“使用修饰斜角”，一个是“仅显示斜角”。然后是一个示意栏，由一个点和两条线组成，移动点可以控制斜角的程度。然后是数值框，你可以在其中输入数值以控制斜角程度。

这两个码头工都很简单，也很直观，我在这里就不说怎样用了，相信你只需要试一试就会明白了，这一步效果如图42。

(图42)

第十步：应用光源。(图43)

(图43)

我们已经用了九步了，还没看到这个实例有那一点像CorelDRAW的，很着急吧?

现在我们进行最后一步，当这一步完成之后，你就可以看到最后的效果了。

打开“光源”码头工，里面有三个光源(以小灯泡的图标显示)，点击任意一个，以增加一个光源，看见了吧?现在很清楚的看到CorelDRAW这几个字了。

现在说说对这个码头工的使用，三个光源图标，按下一个就增加一个光源。光源增加好后，在示意栏中可以调整光源的位置，但是只能调整到那个正方体中有两条线交叉的地方，其余地方不行。下面的滑块是用来控制光源强度的，数值越高，光线越强，至于下面那个“使用全彩范围”的复选框，你光看看名字就明白是做什么用的啦。这时，你可以看看结果了，还像CorelDRAW吧?呵呵。

到这里，向“向量图立体化模式”的使用已经给你说完了，至于这个属性最左侧那个按钮，是切换到“点阵图立体化模式”的途径，按下他，属性条也会随之改变为“点阵图立体化模式”的状态，使用方法和“向量图立体化模式”相差不大，你用一下就清楚了。

好了，这一小节也就说到这里了，你明白了吧?那好，请进入下一节。

CorelDRAW9中立体工具的使用方法介绍 篇2

相位测量轮廓术 (phase measuring profilometry, PMP) 是一种采用结构光照明的非接触式三维面形测量方法, 其基本原理是通过有一定相位差的多幅光栅条纹图像计算图像中每个像素的相位值, 然后根据相位值计算物体的高度信息[1,2,3], 它是目前世界上最为先进的结构光三维视觉测量技术之一, 在工业自动化检测、产品质量控制、逆向工程等领域应用广泛。

匹配是立体视觉中的关键环节, 在传统的立体视觉系统中, 按匹配基元来分立体匹配方法主要有三类:基于特征的匹配、基于区域的匹配和基于变换域的匹配[4,5,6]。特征匹配对于图像畸变、噪声、遮挡等具有一定的鲁棒性, 但匹配性能在很大程度上取决于特征提取的质量, 且匹配精度不高;区域匹配能够获得较高的定位精度, 但计算量大, 且一旦进入信息贫乏区, 会导致误匹配率的上升;变换域匹配用的较多的是相位相关技术, 它将空间域转化为时间域, 但是同样存在邻域奇异性。与传统的立体视觉相比, PMP视觉测量以相位为基元进行匹配, 而且, 目前大多使用的是基于极线约束和空间点最小距离搜索的方法[7,8,9], 这些立体匹配方法是一种二维匹配方法, 匹配速度有待进一步提高, 而且当被测物体深度变化较大或物体表面形状比较复杂时, 常出现误匹配。为此, 本文从提高PMP视觉测量的匹配速度和减小误匹配率的角度出发, 在对图像进行立体校正的基础上将二维匹配降为一维匹配, 然后通过分析PMP视觉测量中被测目标不同区域的特点, 提出一种基于区域分割和视差修正的立体匹配方法。

1 相位计算与立体校正

在PMP视觉测量中, 相位计算使每个像素点有唯一对应的相位值, 它包括主值相位求解和相位展开两部分;立体校正是将两幅图像中对应的基线校正为水平对齐, 从而使匹配过程从二维降到一维, 降低匹配的难度。

1.1 四步相移法与多频外差

相位主值包含被测物体表面三维信息, 是通过采集多帧有一定相移的条纹光栅图像来计算的[10], 目前针对PMP视觉测量系统的相位计算方法很多[11], 标准N步相移法对系统的随机噪声具有最佳的抑制作用, 且对N-1次以下谐波误差不敏感[12], 在结构光视觉测量中使用最广泛。本文选择标准四步相移法, 四幅光栅图像的初始相位分别为0, π/2, π和3π/2, 其光强表达式为

式中, I″ (x, y) 、I′ (x, y) 分别为图像的平均灰度和灰度调制; (x, y) 为光栅图像的相位主值。

将Ii (x, y) 简写成Ii, 则根据式 (1) 可计算出光栅图像的相位主值:

然而, 经过式 (2) 计算得到的相位主值位于[0, 2π]之间, 这就意味着同一个相位主值在整个测量空间的对应点不唯一, 所以, 必须进行相位展开得到连续的绝对相位值Φ (x, y) [13]。

目前已有非常多的相位展开方法[11], 本文采用稳定性高和精度较好的多频外差法, 其基本原理是将两种不同频率的相位函数1 (x) 和ф2 (x) 叠加, 得到一种频率更低的相位函数Φ (x) [11,13], 若λ1、λ2、λb表示相位函数ф1 (x) 、ф2 (x) 和Φ (x) 对应的频率, 则存在如下关系[11,13]:

由式 (3) 可知, 当合理选择λ1和λ2时可以使λb=1, 从而使图像在全场范围内进行无歧义的相位展开, 如图1所示。在全场范围内, tanα1、tanαb的比值等于投影图像的周期数比 (设为R1, 是个常量) , 则展开后的绝对相位值为

式中, Φ (x) 为外差后的相位;int () 为取整函数。

1.2 基于OpenCV的立体校正

所谓立体校正[14,15], 也叫图像校正或极线校正, 是为了使左右摄像机的图像进行行对齐, 从而将匹配点的搜索过程从二维降到一维的校正方法。

作为当今世界最流行的开源计算机视觉库之一, OpenCV提供了两种极线校正方法:非标定立体校正和标定立体校正。文献[14]对这两种校正方法做了详细讲解。本文采用的是基于OpenCV的标定立体校正方法, 即简单地使两图像中的每一幅重投影次数最小化 (从而也使重投影畸变最小化) , 同时使观测面积最大化, 这种立体校正算法对应的三个重要的函数分别是cvStereoRectify () 、cvInitUndistortRectifymap () 和cvRemap () , 前两个函数用于得到原始图像和校正图像之间的映射表, 该映射表应用于第三个函数中, 通过插值的方法即可得到校正后的图像。

2 视场分析与区域分割

2.1 视场分析

相位是PMP视觉测量区别于其他立体视觉最主要的信息, 然而, 在实际视觉测量过程中, 由于受被测物体的形状以及投影仪和相机相对于被测物体位姿等的影响, 视场中并不是每个地方都有足够理想的相位信息, 即便是有理想相位信息的区域, 它们在左右两幅图像中的表现形式也可能不一样, 为了更好地了解图像中不同区域的特点, 有必要先对整个视场进行分析。

图2是对相机视场内的场景进行的分析, 其中, 投影仪是用来投影数字光栅的。结合该图可将相机视场定义为如下几个部分:①重叠区, A区域所示, 左右相机视场的公共区域, 通常被测物体位于该区域;②非重叠区, A1和A2区域所示, 单独位于左相机或右相机的视场;③正常区域, 位于重叠区, 光栅条纹可到达, 且两个相机都能看到, 如图中的BC段和HI段;④半盲区, 也叫遮挡区, 只有一个相机能看到的区域, 如图中的CDE段和FGH段;⑤阴影区域, 隶属于半盲区, 无光栅条纹, 如图中的DE段和FG段;⑥可修复半盲区, 隶属于半盲区, 背景和物体中都可能存在, 由于其含有相位信息, 有希望通过后期处理进行修复, 如图中的CD段和GH段。

结合以上分析, 对相机视场进行如图3所示的划分, 当然, 这种划分方法只是基于视场组成结构或相位分布进行的, 故存在一定的局限性, 严格意义上讲, 背景也可能包括半盲区或阴影, 非重叠区域也属于半盲区, 但在这里为了便于理解姑且把它们当成不同的区域。

2.2 基于混合阈值的区域分割

相机视场由不同的区域组成, 在具体的视觉测量中, 人们关心的是被测物体所处的区域, 所以, 在立体匹配过程中要对区域进行有效分割, 从而提高立体匹配的效率和准确度。

基于混合阈值的区域分割是指综合利用各区域的相位信息和视差约束对各区域进行有利于立体匹配的分割。分割的过程主要遵循以下三个原则:第一, 分割出不满足相位横向单调不减性的区域, 多频外差后相位整体上呈横向单调不减趋势, 不满足该趋势的点相当于噪声点;第二, 标记出无法正确匹配但有可能修复的区域, 以便后期通过视差修正进行修复;第三, 去除无需重建的区域, 提高立体匹配和三维重建的效率。

2.2.1 分割阴影区

阴影区域没有相位信息, 破坏了相位图整体的单调不减性。图4所示为对拍摄的太阳神图像相位展开的结果, 其中, 图4a是相机拍摄的原始图像, 图4b是展开后的相位图, 可以看出, 阴影区域对应的“相位值”相对于其他区域明显异常, 这些点自身无法正确匹配, 且影响其他点的匹配。

对于阴影区的分割, 主要利用其相位不满足单调不减性的特点。如图5所示, 像素点 (i0, j0) 为待判定像素, 在其左右分别取相邻两个像素, 它们的相位值记为p (i, j) , 那么, 当与 (i0, j0) 相关的任意三个相邻像素间都不满足相位局部单调不减性时该像素为阴影区。由此可建立如下判定准则:

且

或

且

或

且

其中, tp是光栅图像相邻像素的相位差。若p (i, j) 满足上述条件, 则像素点 (i, j) 不属于阴影区, 否则该点属于阴影区, 对应的相位值标记为0, 由此得到的黑色区域即为分割出的阴影区域。

2.2.2 可修复半盲区的标记

由相机视场分析可知, 背景中可能包含半盲区, 且非重叠区域也属于半盲区, 故可修复半盲区的标记是一个相对复杂的过程, 隐含了三个方面的内容:半盲区的分离、背景的去除和非重叠区的去除。

以相位为基元采用二分法进行匹配点搜索时, 考虑到相位的单调不减性, 图4a上的点锁定在图4b相邻两个像素点之间, 若能正确匹配, 则它们的相位相似性较高。而对于半盲区, 如图2中的CDE区域, 在右相机图像中对应点发生突变, 故相位相似性较低。相位相似性是可用相位阈值度量的, 如, 对于一幅周期已知的数字光栅, 其相邻像素的相位差为Δp, 则考虑到分辨率的影响, 可设置相位阈值:

式中, k为投影仪与相机的分辨率之比。

通常背景和物体相对于相机的光心而言位于不同的高度平面 (Z向) 上, 图6为背景和物体之间空间接近性的示意图。其中, 被测物体的高度值Z (即相对于基线的距离) 在[Zmin, Zmax]之间, 而背景的高度值则大于Zmax。由文献[14]可知:

式中, T、f、d分别为基线长、相机焦距和视差值。

为此, 可设置视差阈值:

当匹配得到的视差值小于阈值时, 该点即位于背景中。

由于相位整体上呈横向单调不减趋势, 非重叠区域的相位值大于右图像的最大相位值 (非重叠区在右边) 或小于右图像最小相位值 (非重叠区在左边) , 故其匹配点会被错误地定位于边缘处, 这种误匹配使待匹配点与被锁定像素点之间的相位差较大, 可以在运用相位阈值Tp的同时, 综合利用匹配点阈值T′d以去除非重叠区域:

其中, Jmax指相机图像的横向宽度, 当非重叠区在右侧时, 理论上误匹配点一定位于最右边, 而考虑到噪声的影响和匹配的速度, 可适当放宽阈值, 实验证明取T′d≈0.8Jmax时可较好地保证测量结果, 同理, 当非重叠区在左侧时, 可取T′d≈0.2Jmax。

基于上述分析建立的分割算法步骤如下:

(1) 二分法查找与待匹配点xl相对应的锁定点xr、xr+1, 其中, xl、xr为左右图像中对应匹配点的横向图像坐标;

(2) 判断相位相似性:若满足0≤phasephasel≤Tp且0≤phasel+1-phasel≤Tp, 则转到步骤 (3) , 其中phase、phasel、phaser为左图像中待匹配像素点的相位值和左右图像中被锁定的相邻像素点的相位值, 否则转到步骤 (4) ;

(3) 计算视差:

若d≤Td, 通过线性插值完成匹配;否则, 将待匹配点标记为背景, 转到步骤 (5) ;

(4) 进一步判断待匹配点处在哪个区域 (以非重叠区在右侧为例) , 若满足d>Td或x>T′d, 则该区域为非重叠区, 不可修复, 可标记为背景;若不满足该条件, 则标记为可修复半盲区, 转向步骤 (5) ;

(5) 更新像素坐标, 转向步骤 (1) 开始对新点进行区域判断。

3 视差求解与修正

立体匹配是为了得到视差图并最终实现三维重建。视差图的求解分为两步进行:①求解正确匹配区域的视差。该步骤的关键在于正确匹配点的判定, 由于在区域分割的步骤 (3) 中已同步进行, 故不再赘述。②视差修正。对于可修复半盲区, 虽然无法一次性正确匹配, 但可以利用相位信息间接地得到正确视差。图7为视差修正原理图。图中, P1、P2、P3、P是物点, 它们是同一个光平面与被测物体的交点, 即它们对应于数字光栅中的同一列, 而p1、p2、p3、p是图像平面上的像点, 它们对应的相位是相等的, 假设P点属于可修复半盲区, 而P1、P2、P3是正常区域的点, 可由P1、P2、P3构建一个平面, 并由p点和相机中心O点构建一条直线, 该平面和直线的交点即为P点, 再由式 (5) 即可求出P点的视差值。该算法包括如下几个步骤:

1.投影仪2.相机3.被测物体

(1) 运用自适应窗口在视差待修正像素点p附近寻找与之相位值近似相等且已经求得正确视差的点p1, p2, …, pn, 其中n≥3, 理论上讲, n越大, 构建的平面越精确, 但同时也会增加算法的时间复杂度, 所以n的取值应结合实际测量任务来选择, 当测量精度要求高时, n不宜取太小, 而对于测量精度要求不高的场合, 在满足需要的前提下n可以尽量取小一点;

(2) 求解p1, p2, …, pn对应物点P1, P2, …, Pn的三维坐标;

(3) 对P1, P2, …, Pn进行最小二乘拟合得到平面L, 由像素点p和左相机中心O构建直线;

(4) 求解平面L和直线的交点P的三维坐标, 并通过式 (5) 求得P点的正确视差, 对P点的视差值进行更新并进行下一像素点的视差校正;

上述第一步和第二步不仅可较快地得到有效视差图, 而且二者的结合也构成了PMP视觉测量系统中的立体匹配过程。图8为两者相结合形成的立体匹配流程图, 其中, i、j分别为图像横纵坐标, rows和cols为图像的行数和列数。

4 实验

为验证立体匹配方法的效果, 在课题组自主开发的结构光视觉测量系统SLM (structure light measurement) 中进行了相关实验, 实验中匹配过程以左相机为基准, 使用到的标定参数如图9所示。

4.1 相位计算实验

图10所示为以一种夹具为对象进行相位计算的实验, 图10a和图10b是原始左右图像, 图10c和图10d是对应相位图第300行的相位曲线图。由图可见, 除部分阴影区和半盲区外, 展开后相位整体上呈单调不减趋势, 各点相位相对唯一。

4.2 立体校正实验

如图11所示, 以棋盘标定板为基准进行基于OpenCV的立体校正实验, 图11a和图11b是校正前左右相机图像, 图11c和图11d则是校正后的图像, 实验结果显示, 校正前原始左右图像明显没有对齐, 而校正后的图像则实现了行对齐。

4.3 区域分割实验

以太阳神头像进行区域分割实验, 为了不影响源图像, 对于分割区域采用独立的图片保存。图12所示是实验结果, 其中图12a和12b为拍摄的左右图像, 图12c和12d中的黑色部分为阴影区和可修复半盲区。

图12c中除了明显的阴影区被标记出之外, 轮廓部分和背景中的部分区域也被标记, 其中, 轮廓被标记是因为实际测量时物理光线很难保证边缘处刚好对应图像单个像素, 从而导致相位求解错误, 这一点从图4中也能得到反映, 背景中的部分区域被标记则是因为人头像背后的不平整绒布使背景中存在阴影区, 实验结果证明了基于区域分割的有效性。

4.4 视差修正与三维重建实验

在区域分割的基础上, 设计了对比实验, 实验中取拟合点个数n=6, 如图13所示为实验结果, 其中, 图13a和图13b为视差修正前的视差图和三维重建结果, 图13c和图13d为视差修正后的视差图和三维重建结果。对比可知, 经过视差校正后的视差图和三维重建结果更完整, 特别是人头像鼻子、眼睛等处的半盲区, 其附近有效信息充足, 得到了很好的修复。

4.5 三维重建误差分析实验

为进一步验证本文立体匹配算法的可行性, 以太阳神脸部重构的模型为基础, 运用本课题组提出的ADF拼合算法[16]对被测点云与CAD参考模型的离散点云进行误差比对。图14所示为被测点云在Geomagic软件中进行一次封装后的效果。实验结果显示, 重建物体表面非常光滑, 与CAD模型之间的平均误差可达0.0297mm, 重建精度较高。

5 结论

(1) 相位计算使相位图呈横向单调不减趋势, 采用立体校正对其进行行对齐, 使匹配从二维降为一维。

(2) PMP视觉测量系统中相机视场各区域具有不同的特点, 基于混合阈值的区域分割原则和实现方法能有效地分离影响立体匹配的阴影区, 去除背景并标记出可恢复半盲区, 降低了误匹配的可能性。

(3) 基于线面求交的视差修正算法能对附近有效信息充足的可修复半盲区进行有效修复。

(4) 基于区域分割方法和视差修正算法建立的立体匹配方法应用于双目PMP视觉测量系统, 能得到正确光滑的重建效果, 且重建精度较高。