qq_32180363的博客

原创 armadillo vec 数据如何转为vector

/ 示例：1000 维随机向量。// Armadillo 向量 → std::vector。// 转换为 std::vector<double>通过以上方法，可以轻松实现 Armadillo 向量与。// 输出: 1 2 3 4。或 Armadillo 的。小数据量或需要灵活性时用。

原创 armadillo 如何查找数据

/ 或直接 data.elem(mask)std::cout << "满足条件的值: " << filtered_data.t() << std::endl;std::cout << "筛选结果: " << result.t() << std::endl;std::cout << "原始数据: " << data.t() << std::endl;// 条件: -5 < 值 < 10。// 方法1: 直接逻辑索引。

原创 评价图像中轮廓的圆度方法

评价轮廓的圆度是图像处理中常见的任务，主要用于判断一个闭合轮廓接近理想圆的程度。

原创 opencv 连续计算与单步计算的区别

‌差异点‌‌sum（分步计算）‌‌sum1（连续运算）‌‌数据类型转换‌中间步骤可能截断整数乘法结果‌47表达式优化保持浮点精度‌78‌内存与计算路径‌多次内存分配和类型转换单次合并运算减少冗余步骤‌78‌适用场景‌需保留中间结果时高效率、高精度需求时若需结果一致，建议统一输入矩阵为浮点类型，并优先使用连续运算表达式‌78。

原创 cv::resize 与cv::cuda::resize 如何保持结果一致

cv::resize(CPU版本) 和(GPU版本) 在默认情况下可能会产生微小的差异，主要原因包括：不同的实现算法浮点数计算的顺序差异硬件加速带来的精度差异// 输入图像// 下载结果// 比较结果std::cout << "最大差异: " << maxDiff << std::endl;

原创 cuda path error

原创 AR VR 光学测量

使用光度计（如 Konica Minolta CS-2000）测量屏幕中心亮度。：分光光度计（如 X-Rite i1Pro 3）测量色坐标。：显示器能呈现的颜色范围（如 sRGB, DCI-P3）。：显示器的发光强度，影响 AR/VR 的可见性。：用户可见的显示范围（水平/垂直/对角线）。：由光学反射导致的重影（如光波导漏光）。：光学系统对空间频率的响应（清晰度）。：用户眼球可移动的范围（不影响图像）。以下是主要测量指标及其说明。：3000+ cd/m²（户外可见）：图像几何形变（如枕形/桶形畸变）。

原创 matlab prctitle 与python percentile 的区别

matlab 计算方法：

原创 Armldillo 使用，备忘

原创 armadillo 库学习记录

matlab 库使用者的福音，C++ 可以无缝衔接了。

原创 非线性拟合，转载并记录

原创 机器视觉检测

假设我们的目标运动速度是1mm/S，我们的测量精度是0.01mm/pixel，那么我们必须考虑，物体的运动引起的拖影必须要小于我们的精度0.01mm，目标移动0.01mm，需要用时10ms，这就要求我们的相机的曝光时间必须小于10ms，如果大于这个曝光时间，那么仅仅物体运动引起的模糊就会大于0.01，这时我们的精度已经无法达到0.01了。常用于：LCD缺陷的检测、包装文字检测、包装膜破损检测、纸张质量检测、常规印刷质量检测、制造物裂纹的检测、电子部件的形状识别和大小的测量、各种线阵检测等。

原创 相机镜头介绍

与光轴平行的光线射入凸透镜时，理想的镜头应该是所有的光线聚集在一点后，再以锥状扩散开来，这个聚集所有光线的点叫做焦点。f/#值越小，光圈越大。镜头的成像是以凸透镜成像的原理为基础，通过透镜的组合，把物体发出或者反射的光线成像在像平面上(与芯片面重合)。-1＜β ＜0时，物像异侧，成倒立缩小的实像，如AA′所示，这就是镜头的成像原理。光圈对图片亮度的影响：相同应用条件下，同一镜头，光圈越大，通光孔径越大，图片越亮。β＜-1时，物像异侧，成倒立放大的实像，如CC′所示，这就是显微镜的成像原理。

原创 imatest 软件畸变学习

Coeff和上面的K1含义一样，具体的值由畸变模型决定。所以，SMIA TV畸变=2*ISO TV畸变，从公式可以看出，TV畸变是基于图像的高度和参考中心线的高度差异，如果需要计算图像水平方向的畸变，可以导入图像之前，先把图像旋转90°再分析。系数K1，Ru=Rd+K1Rd^3，其中R指的是图像中任意的点到图像中心的距离和角到中心的距离归一化后的半径。Ru指的是无畸变半径，Rd指的是畸变半径。这个方程是最简单的畸变模型。系数H1和H2来自五阶的畸变模型，Ru=Rd+H1Rd^3+H2Rd^5。

原创 常见空间滤波，来源知乎

原创 图像质量记录

考虑到各种变换域对图像特征表示的有效性,以及图像模糊在频率域具有一定的表现形式 (比如高频信号衰减), 有许多方法在不同的数据变换域, 如离散余弦变换 (Discrete cosine transform,DCT)、离散小波变换 (Discretewavelet transform,DWT) 进行模糊评价, 有些算法综合利用空间域和变换域信息.优点：基于变换域的模糊度评价方法综合了图像的频域特性和多尺度特征, 有些方法同时利用了空间信息, 与单一利用边缘信息相比, 对模糊度的估计具有较好的准确性和鲁棒性。

原创 MTF 简介1

要了解对比度和图像质量之间的关系，请考虑使用与图 1 和图 4 中的镜头具有相同分辨率的成像镜头，但用于以更高的线对频率对物体进行成像。在传统的系统集成（以及不太重要的应用程序）中，系统的性能是使用最薄弱环节的原则粗略估计的。虽然这种方法对于快速估计非常有用，但它实际上是有缺陷的，因为系统中的每个组件都会对图像产生误差，比单独最薄弱的环节产生更差的图像质量。对于具有圆形瞳孔的无像差图像，MTF 由公式 4 给出，其中 MTF 是空间分辨率 (ξ) 的函数，它指的是系统可以分辨的最小线对。

原创 MTF 计算

这些曲线是通过理想的测试环境下尽量减少其它系统对镜头的解析力的衰减的情况下测试得出的。SFR是测模组对不同空间频率的响应情况，类似于MTF算法，但测试结果同时受镜头和感光器件以及处理程序的影响，因此称这种算法叫空间频率响应SFR。之所以SFR的测试图是一张斜边，是希望通过斜边中的多条线进行超采样，得到一条灰度变换更加平滑的线。点扩展函数是中心圆对称的，通常以沿x轴的亮度分布PSF(X,Y)作为成像系统的点扩展函数。（1）SFR是通过这条斜边的图进行超采样的到一条更加细腻的黑白变换的直线（ESF）。

原创 锐度 分辨率以及对比度

如果一幅图像即有高的分辨率（resolution）和高的边缘锐度（acutance），那么我们说这幅图像具有高的sharpness。这个词的含义是确定的，指该镜头的解像力非常高，成像清晰：分辨率高，而且对比度复制准确；要理解MTF曲线，需要先搞明白这几个词：成像的清晰度，锐度，对比度，和分辨率。还有，不同的镜头厂家生产镜头的侧重点也不一样，比如蔡司和佳能重视分辨率，莱卡和尼康则重视锐度。对比度和acutance可以互换，我们这里不区别其含义，尽管对比度有更广泛的含义，比如照片的整体对比度。

原创 机器视觉之照明