m0_62882611的博客

相机选型：客户提供其需要的分辨率与视野大小，选择需要的相机像素如下：相机分辨率（L/W）=视野（L/W）/精度，比如客户的视野100*75mm,精度要求0.05，那么相机的像素长为100/0.05=2000PIX,也就是需要2000*1500=300W像素的相机。这仅仅是相机的像素精度，并不代表整个系统的精度就有如此高，还有其他的精度也要考虑，如镜头分辨率，系统的抖动，光源的波长，物体本身的精度等。视场角的大小决定了光学仪器的视野范围，视场角越大，视野就越大，光学倍率就越小。）：图像上的最小组成单元。

在胶片时代，精确测光和曝光是极其重要的， 负片底片一旦曝光不足，色彩就非常难看；在数码时代曝光的问题变得简单了，拍完之后可以立即回放，曝光不准可以马上改，而且如果图片以RAW格式存储的话，其抗过曝/欠曝能力是很强的，只要没有曝成完全没层次的一片纯白，过曝/欠曝一个EV之内的照片都能在后期电脑处理时调正，而且基本不漏痕迹。但是，CMOS更好的快速响应对高感和连拍意义重大，寿命长，耗电少也为微单提供了可能，所以，目前的主流都是CMOS，只有高端的，专业影像工作室用的大型机，才坚持用CCD，以得到更好的画质。

在计算机视觉中，特别是在相机标定和立体视觉领域，内参（intrinsic parameters）和外参（extrinsic parameters）是非常重要的概念。它们与相机的几何属性和姿态有关。如果相机不发生位置和方向的变化，比如相机固定在一个固定位置，那么外参在很长一段时间内可能保持不变。然而，如果相机的位置或方向发生变化，例如移动相机或更改拍摄角度，外参会随之变化。当将图像放大或缩小时，相机的内参和外参是否需要变化取决于放大/缩小的尺度以及具体的情况。下面我会讨论两种情况：需要注意的是，调整相机的内参

数字图像在计算机内部存储的形式类似于像素坐标系，如下图所示，图像中任意一点的坐标可以表示为：（u,v）。

机器视觉标定，也就是通常说的“手眼标定”，相机拍照的图像是基于像素坐标，而机器人用的是空间坐标系，所以手眼标定就是得到像素坐标系和机器人空间坐标系两者之间的坐标转换关系。手眼标定的作用是，建立相机坐标系和机器人坐标系之间的变换关系，即给机器人装上眼睛，让它去哪就去哪。为了确定像素坐标系和空间机械手坐标系的转换关系，我们介绍一种工业上广泛使用的二维手眼标定方法——九点标定法。

只要确定了这四个要素，那么这个薄透镜的光学行为也完全确定了，对于空间中任何一个点（当然由于空间的对称性，我们不妨假定光线是从左至右传播的，这个意义下空间中任何一个点，作为「源」的角度来看都是唯一确定的），我们都可以找出在「透镜成像」这个变换之后对应的像。我们通常说的针孔模型是一个极度简化的模型，其简化的对象是「单一的薄透镜作为镜头的相机」，其含义是：在适当程度近似后，一个单一的薄透镜作为镜头的相机，其光学行为一定程度上近似于一个针孔相机。链接：https://www.zhihu.com/

世界坐标系可以任意选择，为假想坐标系，在被指定后随即 不变且唯一，即为绝对坐标系。

然后，坐标系绕原点逆时旋转了β角度，形成新的坐标系x’y’，此时OP在新的坐标系中的坐标表示为(x，y)，根据几何关系，可以得到如下推导，最终得到绿色虚框的旋转矩阵。将模型放大或者缩小，本质也是对模型上每个顶点进行放大和缩小（顶点坐标值变大或变小），假设变换前的点是[x, y, z, 1]，变换后的点是[x’, y’, z’, 1]，那么。对于单位矩阵，绕哪个轴旋转，哪一列不用变，然后将二维旋转矩阵替换对应的4个位置，注意，绕Y的旋转矩阵看起来与另外两个不同，它的-sinβ是在左下！

图像处理、立体视觉等等方向常常涉及到四个坐标系：世界坐标系、相机坐标系、图像坐标系、像素坐标系。

齐次坐标就是用N+1维来代表N维坐标的一种形式，具有尺度不变性。在欧氏几何空间中每一个点都是具有唯一的表示，例如（1/3,2/3)，但是在投影空间中表示是不同的，可以表示为（1/3,2/3,1），（1,2,3）,（2,4,6）…(1a,2a,3a);但是转换到欧式空间中，均表示是同一个点（1/3,2/3)，所以说他们是。