手机表面翘曲检测程序运行演示.pptx

手机表面翘曲检测程序运行演示

目录课程引入代码分析代码演示一二三

能力目标（1）能够对双目视觉有基础的认识；（2）能够对完成对双目视觉的标定。知识目标（1）了解双目视觉标定的原理。素质目标（1）具有严谨求实精神；（2）具有自主学习的能力；（3）具备5S职业素养。课程目标

一课程目标客观现实世界是一个三维的空间世界，常用的摄像机、数码相机等图像捕获设备利用光学镜头成像原理只能获取到二维图像，但二维图像几乎失去了物体所有的深度信息，然而物体的三维图像能够更加全面、真实地反映客观物体，提供更加丰富而准确的信息，所以有必要从二维图像中重构场景的三维空间，以获取其三维信息。人的视觉系统具有将获取的图像信息转换为立体视图的功能，实现对客观世界三维场景的感知、认识和理解。本案例通过将二维图像重构为三维空间，对手机表面的翘曲程度进行了检测。

二代码分析在opencv中构建深度图的函数:cv2.StereoSGBM_create([，minDisparity[，numDisparities[，blockSize[，P1[，P2[，disp12MaxDiff[，preFilterCap[，uniquenessRatio[，speckleWindowSize[，speckleRange[，mode]]]]]]]]]]]])式中：minDisparity：最小可能的差异值。通常情况下，它是零，但有时整流算法可能会改变图像，所以这个参数需要作相应的调整。numDisparities：最大差异减去最小差异。该值总是大于零。在当前的实现中，该参数必须可以被16整除。BLOCKSIZE：匹配的块大小。它必须是=1的奇数。通常情况下，它应该在3-11的范围内。P1：控制视差平滑度的第一个参数。见下文。P2：第二个参数控制视差平滑度。值越大，差异越平滑。P1是相邻像素之间的视差变化加或减1的惩罚。P2是相邻像素之间的视差变化超过1的惩罚。该算法需要P2P1。请参见stereo_match.cpp示例，其中显示了一些相当好的P1和P2值（分别为8*number_of_image_channels*SADWindowSize*SADWindowSize和32*number_of_image_channels*SADWindowSize*SADWindowSize）。disp12MaxDiff：左右视差检查中允许的最大差异（以整数像素为单位）。将其设置为非正值以禁用检查。构建深度图

二代码分析preFilterCap：预滤波图像像素的截断值。该算法首先计算每个像素的x导数，并通过[-preFilterCap，preFilterCap]间隔剪切其值。结果值传递给 Birchfield-Tomasi像素成本函数。uniquenessRatio：最佳（最小）计算成本函数值应该“赢”第二个最佳值以考虑找到的匹配正确的百分比保证金。通常，5-15范围内的值就足够了。speckleWindowSize：平滑视差区域的最大尺寸，以考虑其噪声斑点和无效。将其设置为0可禁用斑点过滤。否则，将其设置在50-200的范围内。speckleRange：每个连接组件内的最大视差变化。如果你做斑点过滤，将参数设置为正值，它将被隐式乘以16.通常，1或2就足够好了。Mode：将其设置为StereoSGBM::MODE_HH以运行全尺寸双通道动态编程算法。它将消耗O（W*H*numDisparities）字节，这对640x480立体声很大，对于HD尺寸的图片很大。默认情况下，它被设置为false。构建深度图

二代码分析在opencv中归一化的函数：dst=?cv2.normalize(src[,dst[,alpha[,beta[,norm_type[,dtype[,mask]]]]]])?式中：src：输入数组。dst：与SRC大小相同的输出数组。α：范数值在范围归一化的情况下归一化到较低的范围边界。β：上限范围在范围归一化的情况下；它不用于范数归一化。norm_type：规范化类型（见下面的细节）。dType：当输出为负时，输出数组具有与SRC相同的类型；否则，它具有与SRC相同的信道数和深度＝CVH-MatthAsHead（DyType）。mask:可选的操作面具。这个函数提供了四种归一化方式，可根据需要选择以下四个参数，下面重点说下这四种归一化方式：归一化

二代码分析归一化 NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化。NORM_INF:?归一化数组的（切比雪夫距离）L∞范数(绝对值的最大值)

二代码分析归一化 NORM_L1:??归一化数组的（曼哈顿距离）L1-范数(绝对值的和)