三维全景影像建模流程

三维全景影像建模流程主要包括照片背景均匀化和互动文件输出两步。

图4.89 三维全景模型建模过程示意图

4.2.2.1 背景均匀化

背景均匀化就是将 12张为一组的照片，使用PhotoShop软件进行背景均匀化修补、照片亮度、颜色进行调节。

步骤一：将每张图片导入PhotoShop软件，执行菜单→选择→色彩范围（图4.90、图4.91）。

图4.90 调节颜色容差菜单

步骤二：用钢笔工具勾勒出岩石标本的边缘，将其他的背景删除（图4.92）。

步骤三：将处理好的图片进行保存输出（图4.93）。

4.2.2.2 互动文件输出

通过Papervision3D配合编程实现360°仿3D的互动浏览文件，主要工作是编写代码。

步骤一：点选File→Switch Workspace创建工作空间（图4.94、图4.95）。

步骤二：新建一个ActionScript项目（图4.96）。

步骤三：输入项目名信息，选择SDK选项（图4.97）。

步骤四：查找PV3D源代码的路径（图4.98）。

图4.91 提取颜色视图

图4.92 勾勒岩石标本边缘图

图4.93保存文件菜单

图4.94 创建工作空间、选择创建路径菜单

图4.95 创建工作空间、选择创建路径菜单

图4.96 创建项目菜单

图4.97 建立项目名称视图

图4.98 查找PV3D 源代码视图

步骤五：把这些文件夹全部选中，然后拖拽到刚刚新建的PV3D试验项目中，鼠标会有一个加号出现，然后放开鼠标，PV3D的所有文件就会复制一份到我们的项目目录，然后就可以添加PV3D的代码了（图4.99、图4.100）。

图4.99 选择文件夹、拖拽文件视图

步骤六：进行序列图像的交互性设置后，输出具有网络交互功能的Flash格式的三维全景模型（图4.101）。

图4.100 编写程序代码视图

图4.101 三维全景模型建模过程示意图

SEM简单介绍，以下资料来源

因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。

一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。

历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.

SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。

因果关系：

究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：

3. 这时还有可能出现更多的潜在变量：

这里我又举另外一个例子，回归模型

在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下：

回归分析简单的说就是：X真的影响Y 吗？

路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。

在这里要提一下因素模型（factor model）

在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。

举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。

这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。

---