中药都有什么参内参是什么意思？

来源：蜘蛛抓取(WebSpider) 时间：2024-04-19 01:52 标签： 中药都有什么参
2021年08月13日 03:58--浏览 ·
--喜欢 ·
--评论“内参”本有参考之意，拓展来说，是内部人员参考，但当以“内参”冠之白酒的时候，有很多人都不是很理解。如果你对内参酒不是很熟悉，那么我说一个酒你肯定很熟悉，酒鬼酒。其实内参酒是酒鬼坛系列酒，是酒鬼酒的高端品牌，大家都知道的是对于一个白酒企业来说，最好要拥有一款高端白酒，只有高端白酒才能将品牌打开，面向未来，所以流传着这么一句话“错过酒鬼，先品内参”。内参酒瓶身也是一大特色，形似旧油纸礼品，标签喜庆醒目，外盒上绘有长寿锁和喜庆贴纸以及火漆印章，这都是十分重要的代表，充满了价值感、私密感、礼仪感。可以看出来在设计上是下了功夫的。在上世纪90年代，内参酒是酒品市场都认可的高端白酒品牌，有着较强的市场认可度，并且价格在一千元左右，和五粮液以及泸州老窖的价格在一个档位上，也被列入了中国第四大高端白酒，但是在大众认可方面我认为还要加强建设。毕竟获得大众认可才是王道。关注我给您分享更多的白酒知识如果大家有什么问题或者看法欢迎评论私信！真诚为您解答！
这一个文章主要是图像的形成和相机内参、外参、以及畸变的参数。看起来，一张图片的形成，无非就是光经过镜头之后照射在感光元器件上，经过光电转换得到了图片。但是如果要找到图片中的点和三维空间中的点的对应关系，其实进行了很多的假设和简化。图像的形成理想针孔相机模型初中物理里面我们学习过，薄凸透镜有两个非常重要的性质： 过光心的光线不改变传播方向平行入射光线汇聚于焦点 通过这两个规律，对于一个点，我们如果画出一条过光心的直线，还有一条平行的光线，经过透镜后，会聚焦在一个点上。此时我们会得到两个相似三角形，从而我们可以得到一个等式关系，我们称之为薄透镜方程(Thin Lens Equation)\begin{align} &\begin{cases} \frac{B}{A}=\frac{e}{Z}\\ \frac{B}{A} = \frac{e-f}{f}=\frac{e}{f}-1 \end{cases}\ \\&\frac{1}{f}=\frac{1}{Z}+\frac{1}{e} \end{align}\\ 到这里还没有结束。我们发现，一个物距Z，就可以对应一个e，所以不同远近的物体的对焦距离并不一样。如果下图中，未聚焦物体产生的光斑小于一个像素，问题不大，但是如果光斑比较大，那就糊了，摄影里面叫做虚焦，也是摄影中背景虚化的原理。所以一般拍摄的时候，我们有一个景深的概念，也就是一定物距范围内的物体都是清晰的，但是景深范围之外的物体是模糊的。这个特性在摄影的时候，加以利用可以突出主题，制造梦幻的效果，但是对于视觉里程计中的摄像头，不是一个好现象，需要加以避免。怎么办呢？继续简化。根据上面的模型，如果我们假设物距满足够远，也就是 Z\gg L 并且 Z\gg f 。这个时候我们可以说f\approx e\\ 这个假设，我们称之为 Pinhole approximation，因为有了这个假设之后，薄透镜模型就可以简化成针孔相机模型。其中真空是无限小的，仅允许一条光线透过。也就是如下图这个时候物像之间的关系变得更简单了\\x=-f\frac{X}{Z}\\
这个就是整个计算机视觉里面的相机的一个非常重要的假设。将物像之间的关系变成了一个线性的关系，为后面的操作带来了很大的方便。事实上，现在的相机，基本上都可以满足这个假设的要求。这样，物体的像全部聚焦于焦平面上，我们的传感器就放在那里。现在的CMOS传感器，是由一个一个方形的感光器件组成的，每个感光器件 对应一个像素，光电转换之后就形成了一张图片，这里不再赘述。视角这里简单说一下视野(Field of View)的概念。如果传感器固定了的话，那么焦距和视野是有一定关系的。视野是一个角度，也就是相机能够记录前方多少角度内的信息视野和焦距以及传感器大小存在着这样的关系。仅以水平方向为例，W是传感器的尺寸\tan{\frac{\theta}{2}}=\frac{W}{2f}\to f=\frac{W}{2}[\tan{\frac{\theta}{2}}]^{-1}\\
透视相机模型（Perspective Camera Model）图像中的坐标系X_c,Y_c,Z_c 分别是相机坐标系下的三根坐标轴。C代表Camera。一般右手坐标系，X向右，Y向下，Z向前（与光轴重合），这样方便与图片中的像素坐标对应C是光心，也是 相机坐标系的原点O是光轴和像平面交点为了方面表示，我们一般将像平面放在相机坐标系之前，其实不会产生什么影响，只是这样图像和真实的点的位姿保证了一样的方向，不用再加负号了。还有一个需要注意的点是，本质上来讲，相机是一个角度传感器，只要光线和光轴的角度是一定的，在像平面上就是同一个点。最终，我们这个模型是下图这样的。(u,v) 图像坐标，是离散的像素坐标(x,y) 是像平面的坐标，是连续的R, T 是代表相机坐标系相对于世界坐标系的位姿的。要注意的是，这里的 R 是 R_{\cal{CW}} 也就是从世界坐标系 \cal{W} 转向相机坐标系 \cal{C} 的旋转矩阵，也可以理解成 \cal{W} 相对于 \cal{C} 的姿态。另一方面，这里的 T 是在 \cal{C} 中 W 的位置，也就是 _{\cal{C}}T_{{WC}} 这边对于刚体变换不太熟悉的可以补习一下。不同坐标系之间的变换关系我们需要知道，世界坐标系中的3D点和图像中的点 (u,v) 的关系，中间需要借助相机坐标系和图像坐标系。世界坐标系到相机坐标系（外参）这个比较简单，只需要借助 R,T 进行刚体变换就行。一般进行刚体变换，可以使用homogeneous transformation matrix。不过在我们只进行一次变换，所以只使用transformation matrix的前三行，得到的结果自动去掉了非齐次的部分。所以P_{\cal{C}} = \begin{bmatrix}X_{\cal{C}} \ Y_{\cal{C}} \ Z_{\cal{C}} \end{bmatrix}=[R|T]P_{\cal{W}}=[R|T]\begin{bmatrix}X_{\cal{W}} \ Y_{\cal{W}} \ Z_{\cal{W}} \ 1 \end{bmatrix}\\
这里会发现我们对 P_{\cal{W}} 加入了一行1，这个是刚体变换里面的常见做法，为了将位移T引入变换。这个也是我们在openCV这样的库里面会见到point4d这种奇葩东西的原因。不要怕，只要所有元素除以最后一个元素归一化，就可以得到相应的3D点。这里划重点， [R|T] 我们称为相机外参相机坐标系到图像中的点（内参）这个过程是将相机坐标系下三位点 P_{\cal{C}}=[X_ {\cal{C}}, Y_ {\cal{C}}, Z_ {\cal{C}}]^T 给映射到像平面坐标系下的二维点 p=(x,y) 根据相似三角形，我们可以找到这样的几何关系。\begin{align} \frac{x}{f}=\frac{X_{\cal{C}}}{Z_{\cal{C}}}\Rightarrow x=\frac{fX_{\cal{C}}}{Z_{\cal{C}}}\\\frac{y}{f}=\frac{Y_{\cal{C}}}{Z_{\cal{C}}}\Rightarrow y=\frac{fY_{\cal{C}}}{Z_{\cal{C}}} \end{align}\\
知道了像平面坐标系下的点 p ，但是这个点 p 仍然是以 米 为单位的连续量 ，我们还需要知道在离散的图像坐标系中， (u.v) 是多少呢我们假设 O=(u_O, v_O) 是相机光心对应的像素坐标，我们可以得到如下的关系\begin{align*} u=u_O+k_ux\rightarrow u=u_O+\frac{k_ufX_{\cal{C}}}{Z_{\cal{C}}}\rightarrow u=u_O+\frac{\alpha_uX_{\cal{C}}}{Z_{\cal{C}}}\\ v=v_O+k_vx\rightarrow v=v_O+\frac{k_vfX_{\cal{C}}}{Z_{\cal{C}}}\rightarrow v=v_O+\frac{\alpha_vX_{\cal{C}}}{Z_{\cal{C}}} \end{align*}\\ 其中， k 是每个像素点沿着x或者y方向的长度的倒数，用来将米转换成像素。但是我们通常使用另一个参数 \alpha=kf 来做这个事情，主要是为了方便写成矩阵形式，也就是\begin{align*} \lambda \begin{bmatrix}u\\v\\1\end{bmatrix}&=KP_{\cal{C}}= \begin{bmatrix} \alpha_u&0&u_O\\ 0&\alpha_v&u_O\\ 0&0&1 \end{bmatrix} \begin{bmatrix}X_{\cal{C}}\\Y_{\cal{C}}\\Z_{\cal{C}} \end{bmatrix}\\ &=K[R|T]P_{\cal{W}} \end{align*}\\
这里K矩阵称为相机内参。事实上，曾经我们会假设一个畸变参数 K_{12} 来表示加工的时候，每一个像素带来的畸变，但是以现在的传感器工艺，我们完全可以假设 K_{12}=0 并且每一个像素为标准的正方形，也就是说 \alpha_u=\alpha_v 归一化图像坐标系（Normalized Image Coordinates）有的时候，为了方便，我们会使用一个虚拟像平面。这个像平面的将 焦距 当成 单位1。并且将原点放在光轴和虚拟像平面的焦点。其实看到公式就可以知道为什么这样做\begin{bmatrix}\bar{u}\\\bar{v}\\1\end{bmatrix}=K^{-1}\begin{bmatrix}u\\v\\1\end{bmatrix}\Rightarrow \lambda\begin{bmatrix}\bar{u}\\\bar{v}\\1\end{bmatrix}=\begin{bmatrix}X_{\cal{C}}\\Y_{\cal{C}}\\Z_{\cal{C}}\end{bmatrix}\\
其实可以看到就是为了方便运算，将点全部用内参矩阵K进行归一化之后，就可以免除将K也搞到运算步骤中。镜头畸变镜头畸变的矫正只是简单提及一下。因为一方面，对于普通的镜头，现在的畸变已经可以做到比较小了，而鱼眼镜头或者超广角镜头的畸变矫正有他们自己的规律，需要单独讨论。一般相机镜头畸变，可以分为两块：Radial DistortionTangential Distortion这里 Radial Distortion 一般来讲和镜头光学设计有关，而Tangential Distortion 一般是由于镜头和传感器装配的时候，像平面和传感器不完全平行。这里我们只讨论第一种，第二种因为一般比较小，而且 更加复杂，这里就不讨论了。对于Radial Distortion，他的畸变程度和某一点与中心的距离 r 的偶次幂的和成正比， r^2=(u-u_O)^2+(v-v_O)^2 。对于大多数的镜头，到二阶就足够了\begin{bmatrix} u_d\\v_d \end{bmatrix} =(1+k_1r^2) \begin{bmatrix} u-u_O\\v-v_O \end{bmatrix}+ \begin{bmatrix} u_O\\v_O \end{bmatrix}\\ 其中 [u_d, v_d]^T 是没有经过矫正的坐标小结这一部分主要是揭示了物理世界中的三维坐标点和图像坐标中的二维坐标点的关系。将这样的映射关系模型进行建模之后，我们才能够进行内参和外参矩阵的求解，才能进行接下来的研究。

我要回帖

更多关于 中药都有什么参 的文章

 

随机推荐