- 博客(94)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 机器视觉Halcon图像设备介绍
通常情况下，图像的采集应该是所有机器视觉项目首要解决的任务，不幸的是，需要解决图像采集的问题，对应装备的种类具有特殊性，以及非标准化的硬件设备，比如，USB相机或IEEE1394相机，他们提供的物理接口及设备驱动都完全不一样。如果你想获得从图像采集卡或图像采集设备的图像，例如，我们使用一个IEEE1394的摄像头，第一步是连接该设备，HALCON会帮助我们解除所有与该设备实施的操作细节，我们需要做的只是调用函数open_framegrabber即可，并指定相应图像采集接口的名称。
2023-01-13 21:53:37
676
原创 机器视觉上下相机对位贴合的标定原理
传统相机标定法需要使用尺寸已知的标定物，通过建立标定物上坐标已知的点与其图像点之间的对应，利用一定的算法获得相机模型的内外参数。根据标定物的不同可分为三维标定物和平面型标定物。三维标定物可由单幅图像进行标定，标定精度较高，但高精密三维标定物的加工和维护较困难。传统相机标定法在标定过程中始终需要标定物，且标定物的制作精度会影响标定结果。基于主动视觉的相机标定法的优点是算法简单，往往能够获得线性解，故鲁棒性较高，缺点是系统的成本高、v备昂贵、实验条件要求高，而且不适合于运动参数位置或无法控制的场合。
2023-01-11 17:59:00
3945
1
原创 常见图像插值算法的原理与C++实现
比如对于B的任意像素点(x, y)，其对应的A的像素点为(x', y')，那么则把A中点(x', y')的像素值A(x', y')赋值给B中点(x, y)的像素值B(x, y)。比如上图中，点(x', y')为浮点型坐标点，使用其周围整型点p0、p1、p2、p3的像素值来计算其像素值A(x', y')，这个过程就是插值。最邻近插值取离浮点型坐标点的最近点的像素值作为其像素值，也可以看成使用浮点型坐标点周围2*2个整型点的像素值来计算其像素值，不过只有最靠近的那个点权重为1，其余3个点权重系数都为0。
2025-03-31 07:00:00
383
原创 什么是色温
选择合适的色温对于整个室内的氛围和视觉效果都是很有帮助的，像睡眠的时候不宜过于明亮的色温，应选择较为暖的色温，因此夜灯大部分是暖色调有利于让大脑平静下来的色温。光源的色温是通过对比它的色彩和理论的热黑体辐射体来确定的。之前有看到一个民宿的设计全部采用了4000K的暖白光来模拟阳光照射在整个家里的感觉，也是很不错的，4000K介于3000K的暖黄光和6000K的正白光之间，相对感受也不会过于压抑和刺眼。不同的色温对应不同的颜色，因此可以通过颜色判断出大概温度，如金属工人可以根据颜色来判断铁水的温度。
2025-03-30 01:45:00
299
原创 查看linux下的opencv安装库
转自https://blog.youkuaiyun.com/xunan003/article/details/82144924。可知opencv安装在/usr/local/lib里面。
2025-03-29 06:00:00
189
原创 安装教程】Ubuntu16.04中用CMake-gui安装OpenCV3.2.0和OpenCV_contrib-3.2.0（图文）
OpenCV3.0以上的版本，把一些不稳定的函数放到了第三方库OpenCV_contrib中（比如sift,surf等），为了应用这些功能，我们需要通过CMake把OpenCV_contrib中的功能重新加入到OpenCV3.2.0中。然后选择opencv_contrib-3.2.0文件夹中的modules文件夹，注意，不是只选中opencv_contrib-3.2.0文件夹就好了，需要选中里面的modules文件夹！当然，也可以用终端直接输入命令操作，可以参考其他博客，这里就不再讨论。
2025-03-28 10:30:00
987
原创 SIFT特征详解
SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，由加拿大教授David G.Lowe提出的。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。SIFT特征以其对旋转、尺度缩放、亮度等保持不变性，是一种非常稳定的局部特征，在图像处理和计算机视觉领域有着很重要的作用，其本身也是非常复杂的，下面对其计算过程做一个粗略总结。1.DoG尺度空间的极值检测。
2025-03-27 09:30:00
1659
原创 DIB位图（Bitmap）的读取和保存
首先是文件的头信息 BITMAPFILEINFO 共有14个字节（0x00-0x0D），其起始的两个字节为0x4d42（大端存储，高位在前）表示文件类型为BM，最后4个字节 0x0076是位图的像素信息相对于文件头的偏移量，也就是从0x0076为图像的像素信息。至于如何将处理后的位图数据写回磁盘文件，在知道位图结构的情况下，只需要填充相应的结构字段就行了，需要注意的还是位图的宽需要是4的倍数，不是的话要用0补齐。1，4，8位颜色，保存的是调色板的索引，具体的颜色根据索引在调色板中查找；
2025-03-26 06:00:00
776
原创 千变万化的卷积
假设输入featuremap的尺寸仍为C∗H∗W，输出feature map的数量为N个，如果设定要分成G个groups，则每组的输入feature map数量为C/G，每组的输出feature map数量为N/G，每个卷积核的尺寸为C/G∗K∗K，卷积核的总数仍为N个，每组的卷积核数量为N/G，卷积核只与其同组的输入feature map进行卷积，卷积核的总参数量为N∗C/G∗K∗K，可见，总参数量减少为原来的1/G。空间层级化信息丢失。高精度模型，在尽量不增加模型的计算和参数下，有效的提高模型的精度。
2025-03-25 19:30:00
545
原创 色温的基本常识_LED色温
在色温上的喜好是因人而定的，这跟我们日常看到景物景色有关，例如在接近赤道的人，日常看到的平均色温是在11000K（8000K（黄昏）～17000K（中午）），所以比较喜欢高色温（看起来比较真实），相反的，在纬度较高的地区（平均色温约6000K）的人就比较喜欢低色温的（5600K或6500K），也就是说如果您用一台高色温的电视去表现北极的风景，看起来就感觉偏青;b.光色的对比在同一空间使用两种光色差很大的光源，其对比将会出现层次效果，光色对比大时，在获得亮度层次的同时，又可获得光色的层次。
2025-03-25 15:18:14
131
原创 位图文件的保存
其中，depth是像素深度也就是每个像素所占用的字节数(24位是3，32位为4)。了解位图的存储格式后，将位图保存到磁盘还是挺简单的，这里是基于Windows SDK的实现，有机会要自己定义各部分的结构体，实现位图文件的读写。2. bfSize，文件的大小，也就是文件头信息、位图头信息和位图数据在一起的大小。1. byType，文件类型，必须为0x4D42(BM)，表示是位图文件。3. bfOffBits，偏移量，位图数据相对于文件头的便宜量。填充后各部分信息后，依次写入到磁盘即可。
2025-03-25 15:09:33
308
原创 图像处理基础(8)：图像的灰度直方图、直方图均衡化、直方图规定化（匹配）
直方图的均衡化实际也是一种灰度的变换过程，将当前的灰度分布通过一个变换函数，变换为范围更宽、灰度分布更均匀的图像。从上面可以看出，直方图的均衡化自动的确定了变换函数，可以很方便的得到变换后的图像，但是在有些应用中这种自动的增强并不是最好的方法。为了计算的灵活性和通用性，OpenCV的灰度直方图提供了较多的参数，但对于只是简单的计算一幅灰度图的直方图的话，又显得较为累赘。图像的灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数：其中，横坐标是灰度级，纵坐标是该灰度级出现的频率。
2025-03-25 15:07:35
666
原创 归一化变换 Normalizing transformations
归一化变换包含两个部分，图像坐标的平移和尺度的缩放。进行归一化的变换不但能够提高处理结果的精确度，而且通过选择一个标准的坐标系预先的消除了图像尺度和坐标原点的选择对算法最终结果的影响。归一化变换的步骤：1. 对点进行平移，让这些点的图心（Centroid）移到原点2. 进行尺度缩放，让这些点的到原点的平均距离为数据的归一化在一些算法中是必须得，特别是对一些不太良定的问题，例如：基本矩阵的计算以及三焦张量的DLT算法。归一化变换矩阵T的求解：是的平均值尺度S为
2025-02-26 05:30:00
169
原创 图像处理基础(8)：图像的灰度直方图、直方图均衡化、直方图规定化（匹配）
直方图的均衡化实际也是一种灰度的变换过程，将当前的灰度分布通过一个变换函数，变换为范围更宽、灰度分布更均匀的图像。从上面可以看出，直方图的均衡化自动的确定了变换函数，可以很方便的得到变换后的图像，但是在有些应用中这种自动的增强并不是最好的方法。为了计算的灵活性和通用性，OpenCV的灰度直方图提供了较多的参数，但对于只是简单的计算一幅灰度图的直方图的话，又显得较为累赘。图像的灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数：其中，横坐标是灰度级，纵坐标是该灰度级出现的频率。
2025-02-25 04:15:00
787
原创 以太网端口协商原理,以太网自适应原理
是网线的标准A 类接法和B 类接法.也就是人们通常所说的交叉网线和直联网线.直联网线就是白黄黄白绿蓝白兰绿白棕棕另一端同样如此.交叉网线就是另一真个1 和3,2 和6 对调.这样就成了交叉网线,可以用于两台PC 之间直接联接.MDI,MDIX 实在意思就是说网线顺序压错了没有关系.无论是直联的还是交叉的只要插上往都会自动实识.从而正确的加以使用.一般现在的交换机和路由器都具备此功能.由于都具备了.所以好多人就不在关注.以为这是基本的功能了.也不太在意网线的选择了。1000M 以太网也支持自协商，在此从略。
2025-02-24 00:45:00
708
原创 图像处理基础(7)：图像的灰度变换
本文主要对图像的几种常见的灰度变换进行了总结。• 图像反转，是图像线性变换的一种，可以得到图像负片，能够有效的增强图像的暗色区域中的白色或者灰色细节• 对数变换，扩展图像中的低灰度区域，压缩图像中的高灰度区域，能够增强图像中的暗色区域的细节；反对数变换与此相反。对数变换还有个重要作用是，能够压缩图像灰度值的动态范围，在傅立叶变换中能够显示更多的变换后的频谱细节。• 伽马变换，主要用于图像的校正，根据参数γ�的选择不同，能够修正图像中灰度过高（γ>1�>1）或者灰度过低（γ<1�<1）
2025-02-23 11:30:00
1053
原创 图像处理基础(6)：锐化空间滤波器
图像的锐化也就是增强图像的突变部分，那么我们也就对图像的恒定区域中，突变的开始点与结束点（台阶和斜坡突变）及沿着灰度斜坡处的微分的性质。从以上图像灰度的一阶和二阶微分的性质可以看出，在灰度值变化的地方，一阶微分和二阶微分的值都不为0；在斜坡的起点和终点一阶微分和二阶微分的值都不为0，但是沿着斜坡一阶微分的值不为0，而二阶微分的值为0.由于一阶微分和二阶微分有各自的特点，其得到的图像边缘也不相同：一阶微分得到的图像边缘较粗，二阶微分得到的是较细的双边缘，所以在图像的边缘增强方面二阶微分算子的效果较好。
2025-02-22 09:45:00
1017
原创 图像处理基础(5)：双边滤波器
双边滤波器，在平滑图像的同时，还能够很好的保护图像的边缘信息，例如上图中，图像的平滑效果非常明显了，但是头发的发丝还是很明显的。双边滤波器的最重要参数仍然是标准差sigma，其值小于10时，平滑效果不是很明显。
2025-02-21 09:45:00
406
原创 图像处理基础(4)：高斯滤波器详解
需要注意的是，最后归一化的过程，使用模板左上角的系数的倒数作为归一化的系数（左上角的系数值被归一化为1），模板中的每个系数都乘以该值（左上角系数的倒数），然后将得到的值取整，就得到了整数型的高斯滤波器模板。二维高斯函数的标准差在x和y方向上应该分别有一个标准差，在上面的代码中一直设其在x和y方向的标准是相等的，在OpenCV中的高斯滤波器中，可以在x和y方向上设置不同的标准差。，随滤波器的模板的尺寸呈平方增长，当高斯滤波器的尺寸较大时，其运算效率是极低的。不过，这样的高斯滤波过程，其循环运算次数为。
2025-02-20 23:45:00
1057
原创 图像处理基础(3)：均值滤波器及其变种
均值滤波器的概念非常的直观，使用滤波器窗口内的像素的平均灰度值代替图像中的像素值，这样的结果就是降低图像中的“尖锐”变化。不同于上面的所有像素的系数都是相同的，加权的均值滤波器使用的模板系数，会根据像素和窗口中心像素的距离而取不同的系数。几何均值滤波器，在过滤噪声的同时也能更好的保护图像的细节，但是有个缺陷：在滤波的过程中，窗口内的像素只要有一个为0，则其得出的值就是0.均值滤波器能够去除均匀分布和高斯分布的噪声，但是在过滤掉噪声的同时，会对图像造成一定的模糊，使用的窗口越大，造成的模糊也就越明显。
2025-02-20 16:53:16
585
原创 基于OpenCV的气体泵扫描仪数字识别系统
然后，我们将遍历那些潜在的小数，确定它是否在该空间以及该空间的下半部分，并将其分类为小数。为了进行训练，我们浏览了数字作物的文件夹，然后将其放入标有0–9的新文件夹中，因此每个文件夹中都有一个数字的不同版本的集合。更进一步，我创建了此脚本的不同版本，该脚本将尝试对这组图像进行模糊，阈值等变量的几乎每种组合，并找出最优化的变量集将具有最佳的性能。k-NN工作原理的基础是，我们将以黑白方式加载每个图像，将该图像存储在每个像素处于打开或关闭状态的数组中，然后将这些打开/关闭像素与特定的数字相关联。
2025-01-23 00:30:00
1002
原创 图像处理基础(3)：均值滤波器及其变种
均值滤波器的概念非常的直观，使用滤波器窗口内的像素的平均灰度值代替图像中的像素值，这样的结果就是降低图像中的“尖锐”变化。不同于上面的所有像素的系数都是相同的，加权的均值滤波器使用的模板系数，会根据像素和窗口中心像素的距离而取不同的系数。几何均值滤波器，在过滤噪声的同时也能更好的保护图像的细节，但是有个缺陷：在滤波的过程中，窗口内的像素只要有一个为0，则其得出的值就是0.均值滤波器能够去除均匀分布和高斯分布的噪声，但是在过滤掉噪声的同时，会对图像造成一定的模糊，使用的窗口越大，造成的模糊也就越明显。
2025-01-19 22:15:00
710
3
原创 卷积运算（Convolution）说明
该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。索贝尔算子（Sobel operator）主要用作边缘检测，在技术上，它是一离散性差分算子，用来运算图像亮度函数的灰度之近似值。通常不直接用于边的检测，只起辅助的角色，检测一个像素是在边的亮的一边还是暗的一边利用零跨越，确定边的位置。检测水平和垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感。二阶微分在亮的一边是负的，在暗的一边是正的。可以用来确定边的准确位置，以及像素在亮的一侧还是暗的一侧。
2025-01-19 07:00:00
507
原创 图像处理基础(2)：自适应中值滤波器(基于OpenCV实现)
中值滤波器的效果受滤波窗口尺寸的影响较大，在消除噪声和保护图像的细节存在着矛盾：滤波窗口较小，则能很好的保护图像中的某些细节，但对噪声的过滤效果就不是很好；中值滤波器是一种常用的非线性滤波器，其基本原理是选择待处理像素的一个邻域中各像素值的中值来代替待处理的像素，其主要功能是像素的灰度值与周围像素比较接近，从而消除孤立的噪声点，所以中值滤波器能够很好的消除椒盐噪声。反之，噪声的出现的概率较高，则需要增大滤波器的窗口尺寸，这也符合种中值滤波器的特点：噪声点比较多时，需要更大的滤波器窗口尺寸。
2025-01-19 06:45:00
650
原创 图像处理基础(1)：噪声的添加和过滤
本文算是第一篇文章，简单的介绍下OpenCV的基本使用；接着访问图像中的像素，并借助于C++11的随机数库，为图像添加高斯噪声和椒盐噪声；最后使用中值滤波器和均值滤波器除去图像，并对结果进行了对比。以后坚持每日对图像处理的一些知识进行整理。
2025-01-18 22:45:00
744
原创 十三种基于直方图的图像全局二值化算法原理、实现、代码及效果
这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令人满意的结果。该函数的实现是一个迭代的过程，每次处理前对直方图数据进行判断，看其是否已经是一个双峰的直方图，如果不是，则对直方图数据进行半径为1（窗口大小为3）的平滑，如果迭代了一定的数量比如1000次后仍未获得一个双峰的直方图，则函数执行失败，如成功获得，则最终阈值取两个双峰之间的谷底值作为阈值。
2025-01-18 09:00:00
661
原创 卷积运算和图像处理
在一系列的过程中，这些计算结果是一组小的值，这些值都在一个压缩的集合中保存了输入值。仿射变换用于通过一个称为核的矩阵来改变向量的值，核的值集可以是预先确定的，也可以是导出的。过度拟合是由具有相同数据的神经网络内的训练节点引起的问题，一旦出现不熟悉的问题，将导致精度损失。通过更改前面提到的属性，可以根据自己的喜好自定义操作的详细信息，以增加每个卷积操作中表示的信息量。还可以使用其他类型的填充，例如reflective padding，但是为了简单起见，图4中所示的零填充将是讨论的重点。
2025-01-18 07:30:00
1504
原创 图像处理(imageProcessing)技术
图像分割是把图像分成一些互不重叠而又具有各自特征的子区域,每一区域是像素的一个连续集,这里的特性可以是图像的颜色、形状、灰度和纹理等。图像增强提高了图像的清晰度、图像的质量,使图像中的物体的轮廓更加清晰,细节更加明显。图像增强不考虑图像降质的原因,增强后的图像更加赏欣悦目,为后期的图像分析和图像理解奠定基础。图像复原也称图像恢复,由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊,为了提取比较清晰的图像需要对图像进行恢复,图像恢复主要采用滤波方法,从降质的图像恢复原始图。
2025-01-17 18:45:00
332
原创 图像处理中常用的彩色模型
从视觉感知的均匀的角度，人所感知到的两个颜色之间的距离应该与这两个颜色在表达它们的颜色空间中的距离月成比例越好。RGB颜色空间的主要缺点是不直观，从R、G、B的值中很难知道该值所代表颜色的认知属性，因此RGB颜色空间不符合人对颜色的感知心理。另外，RGB颜色空间是最不均匀的颜色空间之一，两种颜色之间的知觉差异不能采用该颜色空间中两个颜色点之间的距离来表示。面向硬件设备的彩色模型与人的视觉感知有一定的差距且使用时不太方便，如给定一个彩色图像，人眼很难判定其中的RGB分量，这是面向视觉感知的彩色模型比较方便。
2025-01-17 12:45:00
944
原创 【数字图像处理】二值化图像腐蚀运算与膨胀运算
定义结构元素(与模板类似)，结构元素在整幅图像中移动，移动到每个像素点上，如果结构元素与图像上对应像素点的像素值至少有一个像素相等时，保留这个像素点的值。：定义结构元素(与模板类似)，结构元素在整幅图像中移动，移动到每个像素点上，只有结构元素与图像上对应像素点的像素值全部相等时，保留这个像素点的值。基本思想：用一定形态的结构元素去度量和提取图像中的对应形状，达到分析知识的目的。结构元素：形态学变换中的基本元素，使为了探测图像的某种结构信息而设计的特定形状和尺寸的图像，称为收集图像结构信息的探针。
2025-01-16 21:45:00
851
原创 偏振镜光学原理和在机器视觉中的应用
当一束线偏振光以适当的方向（即偏振方向与O光、E光方向均成45度）射入这种介质中时，就能分解成强度相等的O光和E光在介质中传播（如下图，红色矢量表示入射偏振光方向，振动着的红点分别表示O光和E光方向）。特别需要指出的是，偏振镜会导致2-3倍的光线损失，这样一来，相机便因为得不到足够的光线而无法使用高速快门，在光线稍不充足的情况下，甚至容易因为相机抖动而拍出模糊的照片来。但是圆偏振光的偏振方向是按一定规律变化的，而自然光的偏振方向变化是随机的，没有规律的。由于介质的折射率是与光波长有关的，对同样的介质，布。
2025-01-16 09:00:00
807
原创 【数字图像处理】图像细化处理
假设我们处理的为二值图像，背景为黑色，值为0，要细化的前景物体像素值为1。等于0时候，周围没有等于1的像素，所以p1为孤立点，等于1的时候，周围只有1个灰度等于1的像素，所以是端点（注：端点是周围有且只能有1个值为1的像素)。1. 把目地图像复制给临时图像，对临时图像进行一次扫描，对于不为0的点，如果满足以下四个条件，则在目地图像中删除该点(就是设置该像素为0)，这里p2，…在第一次子迭代中，只是移去东南的边界点，而不考虑西北的边界点，注意p4,p6出现了2次，就是说它们有一个为0，则c，d就满足。
2025-01-16 07:30:00
825
原创 图像的水平与垂直投影
如汽车牌照的定位：先对汽车图像二值化，然后水平投影，找出牌照的上下位置和高度，再对上次定位的牌照图像竖直投影，找出牌照有数字部分的总宽度，切割出来。再进行投影，每个字符的切割的外接矩形找到了，每个字符切割出来，提取特征，比如黑像素所占份数5X5格，和每个数的模版库进行匹配。2.循环各行，依次判断每一列的像素值是否为黑，统计该行所有黑像素的个数。2.循环各列，依次判断每一行的像素值是否为黑，统计该列所有黑像素的个数。1.图像二值化，物体为黑，背景为白。1.图像二值化，物体为黑，背景为白。
2025-01-15 19:30:00
251
原创 机器视觉的应用 · 引导
机器视觉都有怎样的应用？机器视觉的应用主要分为四大类别，包括引导、识别、测量和检验（英文首字母缩写：GIGI），GIGI 表示 Guidance（引导）、Inspection（检验）、Gauging（测量）和 Identification（识别）。今天让我们先从机器视觉应用的引导部分开始详细了解一下吧~机器视觉应用前的准备工作从本质上讲，机器视觉系统就是在工业环境中引导机器人、测量物品、统计物品、读取条码、字母和数字，以及检测缺陷。在任何机器视觉应用中，无论是最简单的装配检验，
2025-01-15 07:30:00
647
原创 偏振技术在成像中的多种应用
使用偏振技术突出显示坡度需要图1所示的设置，设置中的最大区别是：当使用正交偏振镜阻挡简单的镜面反光时，最好保持偏振光源和相机（镜头上装有偏振镜）彼此靠近，并且接近零件表面的法线。在图9给出的案例中，使用一个较宽的漫射光源照亮了图3中圆罐上的条码，并没有使用偏振光源。但在右图中，只要偏振发生变化，应力线就会突然变化，表明尺子的机械完整性发生变化，或是在这种情况下，塑料的厚度发生了变化。图2：使用图1中的偏振镜设置，可以减少或消除镜面反射，比如消除图中所示的药片气罩包上的炫光，从而能更容易地看到下面的药片。
2025-01-14 17:00:00
796
原创 摩尔纹 Moirｅ effects
可是如果 Bar 的密度恰好介於CCD可以分辨的间格之中（理论差值约为 1/2 Pixel / 图右），那么无可避免的数位相机还是会解读出部分可以辨识的结果，却也会加上不能辨识的灰阶地带，两者的和就会形成规律性的纹路，而反应在视觉上就是周期性的波纹。这个现象当然也会出现在彩色照片之中，特别是在密度相对较高或是空间对比很大的地方，这会使得原本应该是色调相同之处，却会在数位相机拍照之後，出现奇怪、非自然的颜色（见下图），例如：人的眼睫毛或是牛仔布料上、也是日本摄影界常称的『假色』或『伪色』的现象。
2025-01-14 04:45:00
1062
原创 亚像素数值极值检测算法总结
给定如下离散值，求其极值位置。可知125为观察极值。如果这些离散值是从某个分布中等间距采样获得，其真正的极值位置应位于120和125之间。下面给出形式化的定义：给定一组离散值，令为观测到的极值点位置，其值为，其左右相邻位置的值为和，真正的极值点位置为，令为的估计值。这些数值极值检测方法均是先获取观测极值及其邻域信息，然后综合邻域信息在各自的模型假设下通过插值估计出极值位置。
2025-01-13 11:25:10
952
原创 图解：卷帘快门(Rolling shutter)与全局快门(global shutter)的区别
快门是照相机用来控制感光片有效曝光时间的机构。是照相机的一个重要组成部分，它的结构、形式及功能是衡量照相机档次的一个重要因素。
2025-01-13 07:15:00
433
原创 镜头MTF图-透光率-变形率
一个是全开光圈（镜头表现最差的光圈值），一个是中间级光圈（镜头表现最好的光圈值），我们以CONTOX F/1.4-50MM为例说明：在F/1.4时：底片中心对10 lp /mm的辨识能力约为82％，对20 lp /mm的辨识率约为64％，对40lp /mm的辨识率约为70％左右，对20lp/mm的辨识率约为57％，对40 lp/mm的辨识率约为30％。在收光圈（f/5.6）时：底片中心对10 lp/mm的辨识率约为95％，对20lp/mm的辨识率约为86％，对40 lp/mm的辨识率约为65％。
2025-01-12 06:15:00
709
原创 帧率和曝光时间的关系
从图3中，我们可读出的信息为，1H=52.1482useconds，和我们通过图2计算出来horizontal Scanning的时间一致，而在一帧图像中，需要扫描1252H，其中Effective Pixels为1220H，即1帧图像中，Effective Pixels Read out的时间为1220*52.1482 =63620.804us =63.620804ms，一个VD信号，所用的时间为：1252*52.1482=67793.5464us =67.7935464ms。
2025-01-11 01:00:00
808
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人