qq_17767255的博客

介绍市面上出现很多新颖的相机，它们使用计算成像的方法将原始传感器数据合成新图像。例如：深度照相机和高动态范围照相机。传统的照相机系统使用单个传感器，镜头和光照装置来创建二维图像。然而可计算成像的照相机能提供多种光学元件，多种可编程光照模式以及多个传感器，从而使新的应用（如三维深度感知和图像的光照重置）成为可能。这些应用可充分利用深度信息将图像作为纹理映射到深度图上，以引入新的光源，并在图形处理流程中重新呈现该图像。由于可计算相机刚出现在消费设备上，这将成为计算机视觉的最前沿，因此下面将介绍一些常用的方法。

色彩和光照校正相机必须进行色彩校正，以便平衡总的色彩精度和白平衡。尽管硅材料传感器对红色和绿色这两种颜色通常很敏感，但对蓝色不敏感。因此准确校正传感器的颜色是得到精确色彩的基本工作。大多数图像传感器的专业处理器，都包含了用于虚光校正的几何处理器，它在图像边缘会表现为光照太暗。校正是基于几何扭曲函数，该函数需要在出厂前进行标定，以便与光学的虚光模式相匹配，通过可编程光照可以增强边缘的光照。介绍应用于虚光的图像扭曲方法几何校正镜头可能会有几何相差和边缘区域发生扭曲，从而产生颈方失真的图像。于虚光有关的话

《计算机视觉度量：从特征描述到深度学习》 传感器（4）传感器去马赛克根据不同的传感器元件，利用相应的去马赛克算法将原始的传感器数据转换成最终的RGB阵列。论文一和论文二分别对各种方法和面临的挑战进行了详细的介绍去马赛克的主要挑战之一是像素插值，其作用是将临近单元的颜色通道值组合成单个像素。当给定传感器元件排列的几何形状和纵横比时，这个问题就变的非常重要。另一个与之相关的问题是临近单元颜色通道比值，例如，在每个RGB像素中，各种颜色所占的比例。因为在马赛克传感器中，空间像素分辨率大于最终组合的RGB

《计算机视觉度量：从特征描述到深度学习》 传感器（3）相机动态范围，噪声，超分辨率当前最先进的传感器中每个颜色单元能提供8位，或者12~14位的像素精度，传感器需要时间和面积来聚集光子，所以必须精心设计传感器元件，以避免产生的一些问题。噪声的问题有可能来自光学元件，颜色滤镜，传感器元件，增益放大器，A/D转换器，后期处理或者压缩过程。传感器的噪声会影响实际分辨率，因为每个像素单元传感器输出，转换给A/D转化器组成数字形式的行和列，以便用于像素转化。越好的传感器产生的噪声越少，而且还会得到更高效的位分

《计算机视觉度量：从特征描述到深度学习》 传感器（2）光电二极管图像传感器关键是光电二极管的面积，当传感器元件采用比较小面积的光电二极管的时，捕获的光子数量不如面积大的光电二极管多，如果元器件尺寸小于可见光线的波长（比如紫外光线，可见光线的波长，紫外光线~红外光线的波长的范围是10nm–400um,通常传感器元件的尺寸是7*7um左右）。传感器为了校正图像颜色，必须在传感器设计时解决很多问题。传感器必须优化元器件的大小，以确保所有的颜色能同等成像。在极端情况下，由于缺乏累积的光子传感器会读出噪声，所以小

《计算机视觉度量：从特征描述到深度学习》，内容描述和工程分析 （1）传感器文章介绍本人是工业机器视觉工程师，从事工业视觉开发6年时间，有丰富的行业经验。做个两个视觉工业框架，一个是基于QT的组态工业视觉解决方案，一个是基于C#的视觉软件框架。目前在世界500强企业从事视觉项目开发工作和工程软件开发工作。自我介绍就这么多，开始说为什么要开始写着一系列文章，自己在行业内深耕了很多年，熟悉很多框架和软件工具。但是对于应用者来说，接口的封装和功能说明都很片面。在读取很多专业书籍后，发现视觉行业内还是建立在80年