首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

视场(FOV)

在光学仪器中,以光学仪器的镜头为顶点,以被测目标的物像可通过镜头的最大范围的两条边缘构成的夹角,称为视场。如图一。视场的大小决定了光学仪器的视野范围,视场越大,视野就越大,光学倍率就越小。...通俗地说,目标物体超过这个就不会被收在镜头里。 ? 图一 2. 在显示系统中,视场就是显示器边缘与观察点(眼睛)连线的夹角。例如在图二中,AOB就是水平视场,BOC就是垂直视场。...分类: 视场分物方视场和像方视场。一般光学设备的使用者关心的是物方视场。对于大多数光学仪器,视场的度量都是以成像物的直径作为视场计算的。如:望远镜、显微镜等。...视场与焦距的关系:一般情况下,视场越大,焦距就越短。以下列举几个实例:长焦距镜头视场窄于40°,例如:镜头焦距2.5 mm,视场为 45°左右。镜头焦距5.0 mm,视场为 23°左右。...镜头焦距7.5 mm,视场为 14°左右。镜头焦距10 mm,视场为 12°左右。镜头焦距15 mm,视场为 8°左右。 按视场将镜头分类 标准镜头:视角45度左右,使用范围较广。

4.4K30
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Harris点检测

    img,cv2.COLOR_BGR2GRAY)#将彩色图片转换为灰度图片 gray=np.float32(gray) dst=cv2.cornerHarris(gray,2,3,0.04)#Harris 点检测...0.01*dst.max()]=[0,0,255]#阈值 cv2.imshow('result',img) cv2.waitKey() cv2.destroyAllWindows() 算法:Harris点检测是属于局部特征检测...,利用移动的窗口在图像中计算灰度变化值,其中关键流程包括转化为灰度图像、计算差分图像、高斯平滑、计算局部极值、确认点。...杂波和光照变化(局部)具有鲁棒性 该区域应该包含感兴趣的结构(可辨别性) dst=cv2.cornerHarris(img, blockSize, ksize, k) img表示原始图像 blockSize表示点检测中的领域大小...ksize表示Sobel求导中使用的窗口大小 k表示Harris 点检测方程中的自由参数,取值参数为[0,04, 0.06] 文献:Harris, C.

    29620

    FAST 点检测

    首先,提取的是点,边缘。提取点可以进行跟踪,提取边就可以知道图像发生了怎样的旋转。反正都是提取的是那些周围发生颜色明显变化的那些地方 其次,提取的是周围信息(学术上叫做:描述子)。...FAST点定义为:若某像素点与周围邻域足够多的像素点处于不同区域,则该像素可能为点。考虑灰度图像,即若某像素点的灰度值比周围邻域足够多的像素点的灰度值大或小,则该点可能为点。...如果 p 是点,那么这四个点中至少有 3 个要符合阈值要求。如果不是的话肯定不是点,就放弃。对通过这步测试的点再继续进行测试(是否有 12 的点符合阈值要求)。...点分类器 选取需要检测的场景的多张图像进行FAST点检测,选取合适的阈值n(n<12),提取多个特征点作为训练数据 对于特征点邻域圆上的16个像素 x \in {1,2,…,16 },按下式将其划分为...算法特点 FAST算法比其他点检测算法要快 受图像噪声以及设定阈值影响较大 当设置 <12 FAST 不产生多尺度特征,不具备旋转不变性,而且检测到的点不是最优 Python OpenCV 实现 它被称为

    11010

    Harris点学习

    人们普遍认为点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。...点的检测主要有两类基于图像边缘的方法和基于图像灰度的方法。...文献:《A COMBINED CORNER AND EDGE DETECTOR》,1988,Chris Harris & Mike Stephens 一、点边缘的直观概念: 点:最直观的印象就是在水平和竖直两个方向变化均较大的两个点...1988年的论文中提出,可以用以下方法代替求特征值,并给出了点相应函数R: 其中,A和B分别表示C(x,y)矩阵主对角线两个元素,C代表其副对角线元素。...如下图所示,当R为较大正数时,该区域为点区域,当R为较大负数时,该区域为边缘区域,当R的绝对值较小时,该区域为平坦区域。 三、具体实现 我将分别给出matlab和 c 两个版本。

    28120

    点精确检测

    ')#原始图像 image_gray=rgb2gray(img)#将彩色图片转换为灰度图片 coordinates=corner_harris(image_gray, k =0.001)#Harris点检测...coordinates[coordinates>0.03*coordinates.max()]=255#阈值 corner_coordinates=corner_peaks(coordinates)#计算Harris点...coordinates_subpix=corner_subpix(image_gray,corner_coordinates,window_size=11)#计算点的子像素位置 pylab.figure...+',markersize=10) pylab.axis('off') pylab.tight_layout() pylab.show() cv2.imshow('result',img) 算法:点精确检测是以子像素的准确率对检测到的点进行细化...首先计算Harris点 然后计算点的子像素位置 最后,使用统计检验来决定是否接受或拒绝先前计算的点 注意:设置搜索点的邻域(窗口)的大小值。

    53920

    根据SVG Arc求出其开始、摆动和椭圆圆心

    角度数而非弧度数 large-arc-flag 是否优(大)弧:0否,1是 sweep-flag 绘制方向:0逆时针,1顺时针 x 圆弧终点的x坐标 y 圆弧终点的y坐标 求Arc的开始和摆动...Δθ 起始到结束的夹角(摆动) 结束= 起始θ1+摆动Δθ 那么则有如下公式: 代码如下: /// /// 获取弧线的开始角度和摆动角度...cx_ = matrixCxCy.M11; var cy_ = matrixCxCy.M21; 这时候我们通过矩阵运算得到了矩阵x1y1和矩阵cxcy,然后还有以下公式求开始和摆动...,也就是起始+摆动=结束) /// 起始 /// 旋转角</param...matrixCxCy.M21 }; return new Point(matrixX2Y2.M11, matrixX2Y2.M21); } 效果如下: 可以看到根据算出来的开始和摆动

    52920
    领券