海康像素距离转换成实际距离怎么算
粉丝302获赞338
相关视频
01:16查看AI文稿AI文稿最近存存卡涨的离谱，是不是很多人都在纠结到底啊？买多大的才够用？买小了呢怕不够录，买大了又怕浪费钱，今天教你一个实用小技巧，直接算出来。打开海康云商 app， 点进去之后呢，选择工作台，在服务工具里面找到录像计算，点进去之后，这几项你照的填就行了。编码类型现在基本上都选 h 点二六五， 分辨率就是你摄像头的像素，比如我这里选择五百万像素，帧率默认不用改。摄像头数量呢，你自己选。我们这里选择的是一， 最重要的是需要存储的时间，你想存几天就写几天，你看这样一算，他直接就告诉你需要多大的容量。举个例子，五百万像素一个摄像头，那它所算出来的是三百二十四 g 的 存储卡。存储卡常见的规格有 三十二 g， 六十四 g， 一 百二十八 g， 二百五十六 g， 还有五百一十二 g， 照着这个计算结果去选，既不浪费也够用。如果以后有人再问你存入卡怎么选，你就把这个视频啊发给他。记住一句话，别凭感觉买，用工具算清楚。
00:58查看AI文稿AI文稿二百米加主网难哭，四个蹦办法直接搞定 ab！ 俩地相隔二百多米，想拉网线却被距离卡脖子，新手直接蒙圈，老师傅看了也得琢两句。今天四个接地气的方案，从省钱到专业全覆盖，新手也能照做。一、网线加交换机， 网线超过一百米就歇菜，一百米处插个交换机，再续一百米网线，直接突破距离限制，得找地方放交换机，成本也得算一算。第二种，网线加中继器，嫌交换机又大又贵，换成中继器瞬间香了，体积也小到能揣到兜里，价格还便宜， 性价比直接拉满。三、光纤收发器想追求稳定不翻车，光猫加路由器加光纤收发器，安排上跟着接线图，插线信号稳如泰山，远距离主网 首选四、无线网桥不想挖沟布线无线网桥来救场，但要记住哪个核心点中间，别挡大高楼，别隔障碍物，不然信号直接就罢工！新手入行怕踩坑？关注大鹏不迷路，弱电主网干货天天更，手把手教你避坑！
12大鹏安防
08:27查看AI文稿AI文稿今天我们来聊一个特别有意思的话题，一辆自动驾驶汽车，他那个摄像头到底是怎么把看到的光瞬间变成一个急刹车指令的呢？这背后可全是学问。 要想搞明白这个，我们得先知道啊，光这种信息其实能被翻译成好几种不同的技术语言，这每一种语言呢，都有自己的优点和缺点，选哪一种？嘿嘿，那可就直接决定了这车到底看的清不清楚。 好，当射头向森闪射，抓到光之后啊，这些原始数据可不能就这么乱放着，得给他组织一下这个过程。你就想， 就像是咱们得选一种语言来记笔记一样。在自动驾驶这个圈子里呢，主流的数字方言呢，主要就三种， r a w， r g b 还有 y u v。 首先来看 raw 格式，这个你完全可以把它想成是数字底片，它保留了三 sir 抓到的所有最原始的信息，一点都没处理过。所以呢，它的动态范围是最高的， 特别是用上更高的位深，比如说 low 十二或者 low 二十四的时候，那更高的位深意味着什么呢？简单说就是车子能更轻浮的分清暗处和亮处的各种细节，你想想看，车刚开出隧道那一瞬间，光线变化多复杂，这时候这个能力就太关键了。 好，若是追求原汁原味，那 rgb 格式就不一样了。这个咱们可太熟了，因为我们天天盯着的手机电脑屏幕用的就是他， 他玩的就是一个简单直接的办法，把红绿蓝三种颜色的光混在一起，然后就调出了我们看到的这个五彩斑斓的世界。 最后呢，就是 y u v 格式了，哎，这个就有意思了，它最巧妙的地方就在于它不把颜色混在一起，而是把图像信息给拆开了，拆成了两部分，一部分是亮度就是 y， 另一部分是色度就是 u 和 v。 为什么要这么拆呢？这背后其实藏着一个利用我们人类视觉系统特点的小窍门，能大大的节省数据带宽。这个小窍门的关键啊，其实就在咱们自己的眼睛里， 你看，科学家早就发现了，我们人眼啊，对一个东西是亮还是暗，也就是明暗变化特别敏感，但是呢，对它到底是什么颜色，那个色彩的变化就没那么敏感了。 所以工程师们就抓住了这一点，来了个投其所好，让视觉数据处理变得更聪明了。 那具体是怎么做的呢？就是通过所谓的 y u v 四 u 二和 y u v 四二零这些色彩采样格式，你看这些数字，四四四四二二四二零，它们代表的就是颜色信息的采样比例。 简单来说，系统会把所有的亮度信息都完完整整地保留下来，但是呢，会偷偷地扔掉一部分颜色信息。因为我们人眼对颜色本来就不那么敏感嘛，所以这不一操作，我们看图片感觉还是挺清楚的，但实际上数据量一下子就砍掉了一大半。 所以你看这里的核心问题，就是要找到一个完美的平衡点，一方面呢，要保证车子看的足够清楚，不能漏掉关键信息。另外一方面，又不能让数据量大到把车上的电脑给撑死了。 而这个 yuv 四二二格式呢，就是大家在实践中摸索出来的一个非常不错的折中方案。好，数据格式的问题我们搞清楚了，那下一个关键角色就要登场了，就是像素。 咱们接下来就看看摄像头的像素数量是怎么样，直接决定了一辆车到底能看多远，能不能提前发现危险的。你想要让电脑算法能做出一个最最基本的判断，哎，前面有个人， 他到底需要多少信息量呢？答案就是每米至少要有六十五个像素，如果连这个密度都达不到，那在算法的眼里，前面那个行人可能就不是一个人了，就是一团没有意义的模糊的色块。 咱们直接看这张表就更清楚了，这里列出了不同像素的摄像头在不同视野大小，也就是 f o v 下的探测距离，这个规律啊，非常明显，像素越高看的就越远。 你比如说咱们看最右边这一列，一个八百万像素的摄像头，要是给他配上一个三十七度的窄视角镜头，他在一百一十八米以外就能发现一个行人了。 但是如果我们的算法变得更聪明了呢？比如说算法的效率提高了一倍，只需要原来一半的像素就能认出一个人来，那会发生什么？ 哎，这就有意思了，这就是硬件和软件强强联手，威力倍增的地方。好，我们再来看这张表， 在算法升级效率翻倍之后，我们看同一个摄像头，还是那个八千万像素三十七度摄氏的，你猜它的探测距离变成了多少？ 直接从一百一十八米翻倍跳到了两百三十六米。这个例子简直完美的说明了一个道理，软件越聪明，硬件的潜力就能被压榨的越彻底。 二百三十六米，这是个什么概念？这都超过两个标准足球场的程度了。你看，仅仅是软件算法的进步，就给汽车的安全性能带来了一次巨大的飞跃。 当然了，光看的远还不够，还有一个同样重要的维度，就是要看的足够勤快，也就是要足够频繁，这样才能来得及反应。这就是我们接下来要说的真理。这个背后的逻辑其实特别好理解， 帧率越高，就意味着摄像头在一秒钟内拍下的照片越多，这不就等于给汽车的大脑喂了更多更新鲜的信息吗？信息越及时，他当然就能越早地发现危险，越早地踩下刹车。 那这个帧率高低，在实际开车的时候，影响到底有多大呢？咱们别空口说，直接上数据看看。 先看一个常见的场景，时速六十公里在城市里开，如果帧率从每秒时针提高到三十帧，你看刹车距离能从三十四米缩短到二十五米， 这中间差了整整九米。九米是什么概念？差不多是两辆小轿车的长度了，在关键时刻，这九米可能就是撞上和没撞上的区别。 那要是在高速上呢？时速一百二十公里，这个差距就更吓人了，直接拉大到了十五米， 你想想，在这么高的速度下，多出十五米的反应距离，这简直就是生和死的区别啊。 好了，说了这么多，像素啊、帧率啊这些东西加在一起，会产生一股巨大的数据流，我们管他叫数据红流，那么问题来了，工程师们是怎么精确计算出这股红流到底有多大的呢？ 要算出这个数据率啊，基本上就三步走。第一步最基础的就是用分辨率的长乘以宽。第二步呢，要考虑到一个叫分段限性压缩，也就是 p w l 的 技术。这个技术很聪明，它能在不怎么审视关键画质信息的前提下，把数据先压缩一下， 最后也是特别关键的一步，要再乘上一个大于一的溶于系数。为什么要多此一举呢？这是为了保险起见，给数据传输留出足够的安全空间，保证不管发生什么情况，数据都能稳稳当当的传过去，不输叉子。 好，我们今天聊了数据格式怎么选，聊了像素密度怎么提升探测距离，还聊了帧率怎么帮我们更早刹车。你看，所有这些技术细节组合在一起，才造就了一辆更安全的智能汽车。 但是，从一个光子进入向投射 t， 到最终触发一次拯救生命的紧急刹车，这条路还很长，我们下一个需要攻克的技术瓶颈又会是什么呢？
14星辰耀同光
00:34查看AI文稿AI文稿二百万像素为什么对应的是幺零八零 p？ 为啥不是别的数字？其实不是随便定的，你可以把画面想象成一个矩形点阵。幺零八零 p 全球统一标准规定，横着一九二零个像素，竖着幺零八零个像素， 两者相乘大约是二百零七万像素。行业里为了好记好卖，就简称二百万像素，所以是先有幺零八零 p 这个标准尺寸，算出来刚好是二百万像素级别，明白了吧？点赞收藏留着备用吧！
31智慧安防HIK
54:04查看AI文稿AI文稿啊，同样我们开始上课啊，就是这节课我们继续讲像素之间的一个关系， 我们上节课实际上讲到了，呃，我们回顾一下啊，大家看一下我们上节课讲图像像素之间的关系啊。首先我们讲的这个领域的概念就是相对图像上某个点来说， 他的领域，哎，就是他周围的这些点，当有三种界定的方式啊，有四领域啊，这个 d 领域，还有这个八领域， 那写上这个四领域和这个 d 领域的这个并级，哎，就是八领域。 接着我们讲了这个两个像素啊，图像上两个像素之间的一个呃，连接性，或者说他们的联通性，那么这里面给大家提了三种联通的方式，可以是四联通，呃，或者说是八联通， 当然四联通肯定是属于八联通的其中一个啊。然后又介绍了什么 m 联通，是不是为什么要介绍这个 m 联通呢？实际上是为了我们在讨论这个 像素之间的这个连接通路的时候，为了避免这种呃，二异性啊， 避免二异性就是我们有一个唯一的一个通路，比如在这种特殊的情况下，我们采用 m 连接的话，哎， 这个 a 和 c 之间这个连线，它就会被屏蔽掉啊，它会走这样一个通路，就是下面这个图， 所以大家要知道 m 零连接啊，它的一个实质是什么啊？就说当有四连接和这个八连接同时存在的时候，它会优先采用这个四连接，它会把这个八连接给屏蔽掉。 好，接着我们讲的这个，我们讲的这些基本概念以后，比如说我们对一个，我们接着讲了一个什么叫通路，是吧？哎，什么叫通路？怎么去找一条通路？就说实际上就说从某个起点开始到到一个终点，如果我们中间能找到这些 中间这些点啊，当这相邻的两个点之间满足什么关系啊？就是我们 学过的这些关系，是不是啊？它可以是四连接或者八连接，或者说 m 连接的方式啊？那我们可以找到这样的一些点，构成这样一条通路或者曲线，哎，但也可以是一个闭合的一个通路，是吧？也可以是一个闭合的一个通路。 比如说我们还举了这个例子啊，比如说这一块区，这三个区域啊，呃，我们现在不能说是区域啊，比如说这样一个处理的一个结果啊，如果说我们用四连接来来描述的话， 那他实际上是有三个联通的区域，哎，因为中间这个和右边这个通过四连接，他是过不来的，是吧？哎，但如果我们通过八连接的话，他实际上这两个是是一个是一个区域啊，是一个联通的区域， 哎，这是一个另外一个联通的区域，那么就是两个联通的区域。我们讲了这个联通性啊，比如说联通遇的他这个一些 就是使用的场合啊，对我们去去提取这个目标，提取对象是有帮助的啊，我们可以根据他这个联通域的大小，这里面所包含的这个像素的多少去做一个分割，做一个选择， 这是我们讲的这个区域的概念，是不是啊？大家注意我们我上节课讲这些概念的时候没有做特别严格的这个定义啊，就是我觉得我们先把这个概念弄清楚啊，就是说有一个，有一个这个印象啊，说什么叫区域，就是我们这个 举这个例子啊，说这里面就有三个区域，是吧？哎，就有三个区域，那区域他有什么要提取他的这个边界？比如说我们 讲这个机器视觉的这个刚开始讲的基本概念的时候，比如说我们举的那个例子啊，那就是一个机械原件上我们就三个孔，是吧？我们要去测那三个孔的这个直径的大小，那实际上你最后就要找到那个三个孔的那个边界，是吧？然后再去测它的这个直径 啊，那么边界还有一个方法是怎么测的呀？就是我们对这个原图怎么样先去进行腐蚀 啊？当这个腐蚀的函数，我们没有讲啊，我们后来会给大家介绍啊，腐蚀以后实际上就是我们用一个一个结构圆去打磨，当这个结构圆可以大，可以小，比如说可以三乘三，可以五乘五，可以七乘七，是吧？可以十一乘十一，就相当于我们 这个你，你这个打磨这个东西越小，打磨的是不是越光滑呀？当我们，哎左边这个啊，当我们去打磨的时候，就会把一些毛刺给它打磨掉，是不是？哎？把一些毛刺给它打磨掉，哎打的比较光滑，那我们打磨以后得到了就是一个腐蚀以后的图，我们用这个原图去剪这个腐蚀的图， 最后得到的选项就是边界的这些信息啊，边界的这些信息。好，我们接着往下讲啊，下面我们要讲一个非常重要的一个概念，就是一个图像上，哎，两个像素之间的距离，就是我们图像上有三个像素点啊， p、 q、 z， 它的坐标分别是这样的啊， p 的 坐标是 x y， q 是 st， z 是 v w， 那么实际上距离是我们定义的一个东西啊，就是我们定义的一种度量。当然这个距离他要满足这样三个特点， 就是我们注意这是我们对距离下的一个统一的一个概念啊。至于说具体是怎么定义的，我们待会也会给大家举举例子啊，比如说我们不管你定义什么样的距离，他首先要满足这样三个特点啊。第一个非负性， 首先距离他不能是小于零的，是吧？他可以等于零，比如说两个点就是同一个点，那两个点的距离就是零，是不是？所以他的他是大于等于零的，哎， 只有当 p 等于 q 的 时候，这个距离才是才是零。那么第二个是对称性啊，对称性就是说 p 跟 q 这样的距离和 q 跟 p 这样的距离肯定是一样的，是吧？因为它指的是同一个距离啊，所以它是可以交换这个顺序的， 这是要满足第二个特点啊，对称性。第三个特点呢，就是什么三角不等式啊？你看就说 我们刚才讲啊，比如说两个点啊，这一个点设为 p 啊，这一个点设为 q， 哎，我们我们去算一个距离啊，比如说我现在就假如说是这样的，就是直接连的一个距离，首先它是要大于等于零的，是不是啊？哎，只有当两个点是一样的点的时候，它同一个点的时候它才是零。另外是 p 跟 q 之间的距离和 q 跟 p 之间的距离是相等的。 那么第三个不等式，大家看，如果说我们在还有一个点 z 啊，在这个地方，那我们说 p 跟 z 之间的距离要小于什么 p 跟 q z 的 距离加上什么。呃， 啊，这应该是 q 啊，这应该是 q z 啊，写错了啊，应该是 q z， 哎， q z， 哎， p q 是 这个距离啊， 这 q z 是 这个距离，是不是啊？第二个距离，哎，它要它们合起来要大于这个第三，第三个这个距离，第三个这个距离，这是一个三角不等式啊，是个三三角不等式， 改一下应该是 q z 啊， q z。 后来我把课间再更新一下啊，我把课间更新一下， 好，这是距离，我们要满足的三个特点。那么接下来我们给大家介绍啊，就是三种距离啊，三种距离。第一种，欧式距离。什么叫欧式距离？譬如说我们在一张图像上，我们有两个点啊，这个点和这个点 实际上就是把它们连起来，这个直接连起来这个距离就称为欧式距离啊，就称为欧式距离。两个点直接连起来的这个距离就称为欧式距离。 那么欧式距离怎么算呢？是吧？比如说这个点的坐标是 x y， 这个点的坐标是 s t， 那 就是 就是这样一个公式，对吧？这样一个公式啊，就是在二维里面求欧式距离，是这样算的。 好，那么欧式距离实际上应用是非常广泛的啊，我们在后续的内容里面，我们会会用这些距离，欧式距离，比如说我们去提取一些股价呀，有时候用到欧式距离的这个知识啊， 好，那我们有一个，大家看啊，假如说我们在图像上有一个点啊，就是我找到一个点，我要去求说离这个点的距离小于等于 r 的 这个像素，把这些像素找出来，显然这个像素是什么？ 这些像素是不是一个以 x y 为圆心的，以 r 为半径的一个圆平面呀？是不是一个圆平面？但是这个时候我们要用的距离就是什么呀？ 就是这个 o 四距离是吧？哎，就是这个 o 四距离，就是我们说你你这个平面，这个圆平面里面所有的点到这个 到这个 x y 的 距离相指的是欧式距离是吧？这个欧式距离小于等于 r， 哎，这个时候我们要去找这样一个圆平面，就要用到这个欧式距离啊，用到这个欧式距离， 这个欧式距离，大家看你这个怎么算？大家看一下，比如我们从这个点，你看啊，这个我们相使用用这个勾股定律嘛，我们看一下这这个横着有多长呀？ 一二三，竖着了一二是吧？哎，那是二的平方加三的平方，再开方就是这个长度是吧？哎，就是这个长度。 那么 o 四距离大家都比较好理解啊。下面我们来看一下第二个距离啊，叫这个城市的街区的距离。 这个城市距离有什么？有什么要求了？大家看，就是我从这一点，我要求这一点到这一点的距离，我现在不是直接连了啊，直接连叫欧式距离，我们现在要找一条路径， 可以从这一点到这一点，但是这个路径只能是啊，横着走或者竖着走啊，就跟那个城市的街道一样啊，我们这个城市的道路就是，是吧？东西南北是吧？ 经经路纬路，是不是你只能是沿着这个方向走啊？或者沿着这个方向走，那你需要走多少步？加起来就是他们俩这样的距离。哎，如果我们写一个定义的话，你看就是 假如说你，假如说你 x 是 是这个坐标的话啊， y 是 这个坐标的话啊，就是 x 减 s， 是 吧？它们的绝对值和 y 减 t 的 这个这个绝对值加起来的，哎，它们的和就是这个 阶梯的这个距离，这个距离也称为曼哈顿距离啊，曼哈顿距离啊， 我们下面来看一下啊，譬如说大家看这个图这个距离是多少？你看从这一点，一二三四五，所以这两个点之间的， 呃，街区距离就是五，对不对？大家可以算，这样可以数出来啊，三就是这个距离是二，这个距离是三，加起来就是五，对吧？ 我们看一个例子，大家看一下啊，譬如说我现在这个红色的这个点啊，红色的这个点，我以这个红色的点为这个，呃，为我讨论的一个中心点，我说离这个红色的点这个街区距离为一的点构成的这个区域 啊，刚才就叫曼哈顿嘛，曼哈顿是美国的一个大城市嘛，是吧？所以说他这个，呃，因为他就是说城市的大城市的街区嘛，也称为曼哈顿距离。大家记住这个词，有时候你看到这个词的话，要知道什么意思啊？就是都是说的是这个街区的这个距离啊。 好，大家看我们说这个以红色点为中心，离他的距离接去的距离为一的点构成的区域，大家看是不是就是这个绿色的这个区域啊？ 是不是看这绿色的这四个点离中心点的距离是不都是一，没问题吧？都是一，是吧？那么离这个点的距离是二的点构成的，大家看一下， 这三样是构成了一个菱形，你看这个绿色的也构成了一个菱形，这也是构成了一个菱形，是吧？大家看这个距离是不是所有的距离，是不是啊？ 你比如说我从这个点走一步走两步，是不是到这里？是不是？哎？只能横着走或者竖着走，走一步走两步到这里，是吧？哎， 我要到这，我要到这个点呢？那先这样走一下，走一步，走两步也到这个点，或者说先横后竖，走一步，走两步也到这个点，到这个点的距离得走两步，是不是？哎？一步两步， 哎，一步两步没有问题吧？哎，这是我们说去的距离，他的这个概念啊，我们也叫曼哈顿，这个距离。好，第三个距离叫这个棋盘的距离啊，棋盘的距离， 大家看啊，这个还是我们这个图，你看啊，我们要从这个点到这个点怎么走呢？ 虽然我们要走一个这个，这个棋上就是国际象棋啊，就是我们国际象棋这个棋子，它是就是说这个往后应该是可以随便走的，是吧？横竖啊、斜的都可以走啊，就是我们现在要找一个从这一点到这一点的最短的距离， 当然说这个最短的距离怎么算呀？就是我们找找这个到这个最短的距离，就你这个时候，你看你从这个点周围，你可以，你可以什么走？怎么走都行啊？我们这八里鱼都可以走，横着走，竖着走，斜着走， 你往哪个方向走？都可以啊，都可以走。哎，你到下一个点以后也十八个方向都是可以走的啊，那我要到达这个点以后也十八个方向都是可以走的啊，那我要到达这个点那时候我可以这样走啊，我也可以这样走， 这个没问题啊，是吧？这当这个是满足规则的呀，是吧？就是当这个距离是我们刚才讲的什么？讲的那个街区的距离，是不是街区的距离？哎，但是说你，我说我也可以这样走啊，是不是？我，我出来走一下，我再斜着走一下，我再横着走，是不是？ 但是我们现在要解决的问题是什么呢？就是我们在这种规则的前提下，我们要找一个最短的距离啊，最短的距离就是到达这一点的最短距离是多少？ 咱看现在，我显然我这个红线不是最短的，是不是我这个红线不是最短的呀？是吧？但是我现在这个黑线是最短的吗？或者说它为什么是最短的呢？ 怎样走才会是最短的一个距离？哎，这是棋盘距离，他像是他想解决这个问题啊，解决这个问题， 大家看这个，看他的定义的公式啊，大家看一下定义的公式。嗯，这个有点不太好理解啊，我们看这个公式怎么定？大家看一下。你看啊，他是他说是两个值的最大值，哪两个值呢？第一个值是什么？ 你看，假如说我们这个点的距离是这个点的距离是 x y 啊，这个点啊，假如说是 p 点，这个点的距离是 y t， 那 x 啊，写错了啊，应该是，应该是这个距离是 x y 啊， x y， 这点的距离是什么？ s t？ 假如我们 x 是 x， s 是 这个横坐标，大家看一下 s 减 t 是 什么？是不是 从这一点到到这一点的这个距离啊？他们的横坐标，你可以说是这个坐标的一个一个差值，是不是啊？这就是 x 减 s 啊？减 s， 我 们写绝对值啊，有可有可能有的，他们的顺序是有可能是，呃，是，是相反的啊。那么 y 减 t 了相是什么？是不是 它们的纵坐标之间的这个什么纵坐标之间的距离，是不是？哎？纵坐标之间的距离，哎，这个距离实际上是什么呢？就是这个 y 减 t， 是 吧？ y 减 t， 好，大家看，实际上是不是取这两个距离的最大值呀？是吧？取这两个距离的最大值，这个明白没有？就是按照这个定义形式来看，实际上就是取这两个距离的这个什么最大值啊？最大值？好， 大家看我们这个图，我们从这一，我们他这个这个 x 减 s 的 距离是多少？他要走一步，走两步，是不是？这边这个距离，是不是啊？呀？是不是，对吧？那么他重坐标了，比如这个坐标了列的这个坐标了，从从这一点你看要走几步？ 就是我们竖着到这一个地方，横着到这个地方，横着要走几步呀？一步、两步，三步，是吧？要走三步，那么二和三的最大值是几？是三是吧？是三，所以说这个距离就是三啊，这个棋盘距离是三。 好，现在看啊，你看我们实际上走的是什么呢？就是我们定义的公式是这样的，你看我们实际上可以它是这样走的啊， 走一步，一步，两步，三步，大家看是不是走了三步呀？是不是走到这就是走一步， 然后斜着走，走两走第二步，再斜着走第三步，哎，他确实是走了三步啊，就说这就是棋盘距离，他是像是这样一个距离， 而这个距离就是我们这个最短的距离啊。这个最短的距离是什么呢？实际上是这两个值的刚好是这两个值的最大值啊，刚好是最这两个值的最大值。但是这个距离实际上是怎么来的呢？大家看一下，实际上我们就说我们要到达这一点，实际上是我们要 先不管你是横着走或者先竖着走，最后我们要怎么样，要找到一个，先是构建出了一个正方形，是不是？然后是是剩下的这两个之间的距离，是一个正方形的一个对角线，哎，正方形的一个对角线， 是不是？我们这里看是不是构建出了一个这样一个一个正方形的对角线啊？是不是？哎，就说你看我们先走一步 哎，然后走这个正方形的这个对角线过来，这样得到的这个距离，它就是一个最短的一个距离啊，最短的一个距离，这个叫棋盘的距离， 哎，我们来再总结一下，大家看一下棋盘距离是到底是什么意思啊？就是我们是从从一，从这一点开始到下一个点，它是可以随便走，哎，继续往下八厘米可以随便走，哎， 这是规则啊。但是呢，我们我们现在要找的是一个什么就是最短的距离，就说你横竖走，然后也可以斜着走，从一个点到一个点到另一个点的最短距离啊。大家看这个最短距离，它是它就是最终我们看它就是什么， 是，是我们这个横向的或者竖向的距离的。什么最大值？是不是？你看我们这个时候横向的距离是三，纵向的距离是几啊？是二，这个最大值是三，所以这两个点之间的棋盘距离就是三啊，这两个点之间的棋盘距离就是三。 好，那么我们刚才讲了，实际上是凑成了一个正方形的一个对角线，你看你先走一步，然后凑成了一个对角线过去， 哎，所以这个距离也是三啊，也是三。大家要画出这个距离的话，像是就是说这个可以这样的方式去画啊，这样的方式去画，这是棋盘距离啊，棋盘距离。好，下面我们还是举一个例子来看一下啊。 大家看，譬如我们以这个点为中心，我们找他的这个，譬如说距离这个点的棋盘距离是一的点，还有棋盘距离是二的点啊，那我们把它标出来啊，大家看距离这个点，棋盘距离为一的点，是不是就是他周围的这个？他就在八领域啊，是不是？ 这没问题，是吧？距离是一就直接过去嘛，可以斜着走嘛，是吧？哎，走到每一个点的距离都是一啊，都是一。 好，那么距离这个中心点的距离是二的点呢？才构成的，大家看是这样，一个就是一个正方形啊，一个正方形。你看从这个点到这个点的距离，是不是啊？走一步，走两步，是不是啊？ 对吧？好，到上面走一步，走两步，是不是啊？那么到这个点呢？到这个点到这个点的距离为什么是二呀？大家说 他应该怎么样？先走一步，横着走一步，再斜着走一步两步，是吧？可以到这里啊，可以到这里，同样走一步走两步可以到这里，是不是啊？到这里这个距离为什么也是二呀？ 直接斜着走嘛，走一步走两步，是不是啊？哎，走一步走两步，这个距离也是二，所以说，哎，你这个东西点的这个棋盘距离是二的点，哎，实际上是构成了这样一个正方形啊，构成了一个这样的正方形。 好，这是我们讲的这三种距离啊，这个欧式距离、街区距离，还有这个棋盘距离，大家要把这个基本概念弄清楚啊，把这个基本概念弄清楚， 反正这个棋盘距离这个定义可能稍微复杂一些啊，稍微复杂一些，但是具体到一个图形的话，你就啊明白啊，大概就是是这样一个区域，是不是？哎，这样一个区域， 对于接去距离的话，它比如说距离是多长的？它构成的是一个菱形，是吧？哎，对于棋盘距离来说，它构成的是这样一个正方形啊，构成的是这样一个正方形的一个区域啊， 好，下面我们来把这三个例子，把这三种距离放到一起，我们来算一算啊，我们来算一算。假如说，你看啊，我们在这个，比如说这两个点啊，我们这样这样子，这连起来是欧式距离，是吧？ 哎，我们这样走的距离是什么呢？是一个啊，阶梯的距离，是不是啊？阶梯的距离啊？那我们这样走呢，是一个 棋盘的距离是吧？是一个棋盘的一个距离。好，大家看一下，大家自己来算一算啊，算一算这个比如说这个距离，就我们只想把这三个放到一起给大家对比一下啊，就说，呃， 什么叫就是我们这三个，我们在同一个坐标，在同一个坐标下，同一个这个刻度下，我们去看它们的大小，大家可以算一算啊，大家算一算这三个距离分别是多少？ 你比如说中间这个，我们从这一点到这一点，嗯， 它的距离是多少呀？它的距离，这个我们中间这个我们算的是街区的距离啊。左边是欧式距离，这个是棋盘距离。街区距离是怎么算的？ 街区的距离是怎么算的？怎么定义的？ 有同学说这个是多少？是七，是吧？再看一下，我们再走一步，一步、 两步、三步、四步、五步、六步，七步，是不是要走七步呀？是要走七步，是吧？走七步，或者说你就是这样 这样走也行，先走一二三四步，再走什么一二三三步，是不也是七步呀？是吧？哎，是中间这个接近距离， 你不管怎么走啊大家，你横着走也行，竖着走也行，只要你方向对，是吧？他最后因为他是这个横着和竖着的，这个这个加起来嘛，是不是啊？他只能横着走或者竖着走，是吧？所以这个距离应该是七，是不是啊？是七，那么另外两个距离是多少呢？大家算一算。 所以我们这三个图在同一个尺度下啊，欧式的距离是几？欧式的距离是五，为什么是五呢？ 大家看这里，我们要求这条边，我们根据这个勾股定律嘛，我们要 是不要知道这两个直角边呀，是不是，哎？这个边的距离是多少？这个这个距离是刚才数了嘛？一二三四嘛， 是吧？哎，中项的了，有再差几个，一二三是吧？三，所以这个距离是多少？是五，是不是？哎？所以这个欧式距离是五啊？你看我们，呃，接去距离算出来是七，欧式距离算出来就是五啊。那么最后一个棋盘距离呢？ 棋盘距离是多少？哎，大家看是不是四呢？ 像你看我们怎么走的？我们说，我们说是什么？是这个定义是什么？ 按照定义是说你的横向的距离和纵向的距离的什么最大值，对不对？哎，你这个横向的这个是四，纵向的是什么？是三，我们取最大值。哎，当然是四，是吧？当然是四，但实际上我们看啊， 我们找一个构成一个正方形，你看我们实际上什么找到一个正方形啊？我们这是不是构成了一个正方形啊？然后是走这个斜边，然后再到再走一下这个是吧？我们说这个算出来五，这个算出来七，大家看一下 从这一点到这一点是多少？嗯，这样横过去是多少？走了几步？ 你看我们走了几步？走一步，两步，三步，所以这是不是走了三步呀？是吧？走了三步，到这里我们再走一步加一步，是吧？那是四步。哎，所以这个，所以这个距离是四啊，所以这个距离是四， 大家要会算啊，就说我们两个点之间的距离啊，欧式距离是多少？这个街区距离是多少？还有他的这个棋盘距离是多少？大家要会算这个值啊？他会算这个值， 这是我们以后怎么去用这些距离啊？我们有些算法里面，比如说他要求距离，他求的可能是其中某个距离，这个你要根据他，我们算法，他会自己选择合适的一些距离来用啊。 好，这是距离。这个内容我们就讲这么多啊，就是像是讲了两个像素之间的关系，那么接着我们来讲一下这个灰度直方图。像的灰度直方图，这也是一个非常重要的概念啊，像我们以前给大家有展示啊，说什么叫一个直方图，是不是啊？灰度直方图， 好，我们来看下一个定义啊，下一个定义就说啊，直方图它是一个什么样的图呢？它的横横轴就是我们的灰度的直， 是吧？比如我们，我们灰度，我们上节课讲这个量化吗？假如说我们用用八位来量化这个灰度的话，二的八十方等于二百五十六， 那是不是有二百五十六个灰度啊？从零到二百五十五是吧？好，就是这个一张图像上它的灰度值肯定就在这个范围之内，是吧？一定是零到二百五十五这样一个范围，是吧？可是有的点他是黑的啊，那是零，有些点是 白的，他是二百五十五，但是，但是是黑的点可能不止一个呀，是，是白的点也不止一个呀，是吧？是，其中比如一百二十八的点也不止一个呀，有可能。是不是，你看我们相就是把它统计了一下啊，比如是零的点有多少个， 是吧？哎，是二百五十五的点有多少个？是其中某一个，某一个灰度值的点是多少个？我们做了一个统计，做了一个统计，所以这个纵坐标就是这一个灰度所对应的它的像素的个数。哎，每一个灰度所对应的像素的个数， 这样得到了一张图，我们就称为他的一个灰度直方图啊，灰度直方图，这个没问题吧？哎，灰度直方图，我们用这样一竖着的这个这个长条，是吧？这样来表示啊，他是每一种灰度 具有这种灰度的这个元素在这幅图像里面所占的一个比例啊，占的一个比例，哎，占的一个比例，但有时候我们给的是直接给的是个数啊。但我们也可以说用这个数除以整个图像的这个整个图像的这个元素的个数， 然后可以得到一个比值，也是可以的啊，把它归一化，归到零到一之间也是可以的。是灰度值方图的这个定义。譬如我们举个这样一个例子，大家看一下，譬如这样一幅图片，哎，我们把它的灰度值方图，把它， 把它这个画出来，就是这个样子啊，就是这个样子。当你看这个纵坐标，它现在是一个零到一的一个数，它实际上是用刚才我们说算的这些个数，除了整个像素的这个 整个像素点的在这个这幅图像的像素的总的个数，是吧？譬如这幅图像如果说是一个二百五十六乘以二百五十六的话， 那么总像素就是二五六乘以二五六等于六五五三六，是吧？所以我们所有的值都要除以六五五三六，那就可以得到这样一个归一化以后的一个值啊，归一化以后的一个值。 好，大家看这个，你看说，你看从零到一块，你看是这一块，为什么没有啊？那这很少，是不是表明 我们是个这个值，离离越近，是不是这个图像越这个像素越黑吗？是吧？那说明这个，你看他不是特，就是说这个特别黑的像素比较少，是吧？然后呢？右边是什么？你看比较少的是什么？ 是离二百五十五越近是不是越白啊？特别白的也好像这一块也也缺失，是不是整个图像是 就显示的这个对比度，对比度不是很强，是吧？哎，没有特别暗的，也没有特别亮的啊，比较这个没有特别暗的，也没有特别亮的这些像素点啊，大家看，这是一个统计的一个结果，是不是啊？灰度脂肪图给的是一个统一的一个结果啊？ 好，那么怎么来求像？这个很简单，大家看一下，就是我们你不管是如果说你要写程序，你自己写程序来求一个图像的这个灰度脂肪图啊，大家可以自己去写，用 c 语言。好 啊，你 c 加加也可以写，或者说 python 都可以写啊。大家看我平时我们那我这里面有二百二百五十六个灰度值，我，我是不是可以弄一个数组呀？ 比如我定义了一个数组 n u m， 是 不是？哎？包含二百五十六个元素的是不是一个数组？那么 n u m 零到 n u m 二百五十五， 刚开始把它赋了，全是零，是不是？我还没开始统计嘛，然后怎么样？然后就从这个像素的这个，从这个图像的这个，从头从头到尾一个一个去试呀？先走，先看第一 第一行，第一行的第一列到第二列，是吧？哎，这样把所有的元素遍历一遍，是吧？哎，遍历一遍，那么对于当中的任何一个元素，它的，它的什么，它的 值，它的灰度值是不就是 f x y 啊，是不是？哎，如果说你的灰度值是两百，你就放到 num 两百那个里头啊，给它加一个，是吧？哎，如果你是零的话，就在 num 零加一个，你是二百五十六九，哎，你是，你是，呃， 二百五十五，就是二百五十五那个那个数组元素里面给他加一个，是不是？当我们把这个这个图像的所有的像素都便利一遍以后啊？到最后一行最后一列以后，显然这个数组的元素是不就就就被更新过了，是不是就得到了他的这个所有的统计值？ 我说我们要最后归一化的话，最后再除以一下，是吗？每一个这个数组的每一个元素的值怎么样？每一个元素的值 我们定一个整形的啊，每一个元素的值都要除以整个整个像素的这个图像的像素的总数就是这个，是吧？这个长乘以宽的这个值啊，长乘以宽的这个值， 好，这是灰度脂肪图的一个计算的一个公式，就这个问题不复杂啊，这个大家都可以自己去求，但我们也没必要去写这样的程序，我们在这个图层里面都会有这样的函数啊，直接给你生成这样一个图像啊，生成这样一个图像， 好，我们下面举一个例子，大家看一下，就是我们有时候很多图像处理的书啊，为了说明问题，因为有时候给你一个图， 这个图，这个像素点太多了，就是我们要去展示一些计算的过程的话，就可能比较不好去讲，是不是？所以我们就会给这样一个，比如说啊，这一个我们给这样一个图像，这是一个图像，你要认为它是一个图像啊，就是这是一个五乘五的一个图像是吧？ 这里面有二十，有二十五个点，每个点的灰度值都不一样，是不是？哎，当然这个灰度它的范围我们这里没给他说啊，像你肯定可以认为说我这个，这个没有，这，这是多少？这都比较小，你可以认为 你才是三位去量化的。二的三次方等于八，是吧？那它的值就是从零到几，零到七这样一个范围，你看这都没有超过七，是不是？哎，你可以这样去理解啊。好，那我们要求这个图的灰度，脂肪图的话，你看 我们统计一下，说这几个出现了这个灰度值啊，零一二三四五是吧？你看零有几个？一二三数一下啊，三个是吧？哎，三个。那么一有几个呢？一二 三四四个是吧？哎，就这个意思啊，有四个那才对应的就是四，那五有几个？ 一个、两个、三个，四个是吧？四个。哎，当然这个图里面没有没有给他归一化啊，如果归一化的话，我们就要除以多少？每个字都要除以什么都要除以二十五，是吧？总像素是是二十五个啊，二十五个， 这要是当我举，为什么我要再举这样一个例子啊？就是说我们上面没有讲这个例子，就是我们以后大家去看一些，看一些论文或者看别的教材的话，他会通过这样的形式啊，来 告诉你某一种算法，比如说我们会这个绘图图，这个，呃，脂肪组的均衡化，均衡化是怎么来做的，是吧？比如我们要去求一个图像的，我们要做中值滤波，我们要做均值滤波， 或者让把这个概念跟你说清楚啊，像给你这样一个比较小的一个图像啊，然后我们去用这些比较小的数据去做计算，去做验证，然后你就比较好自己用手去算一算，哎，或者去数一数，哎，你就能真正的明白这个这个算法它所想表达的一个意思啊，所表达的一个意思。 好，那我这里给大家举一个例子，我们还是用 main 代码里面的语句给大家展示一下啊，如果大家有 main 代码的话，大家可以去在里面敲敲这个代码试一下啊。比如我们读到了一幅图像啊， port 点 t f 这样一幅图像， 我们怎么样这一行是什么？是不开了一个窗口显示这个图像呀？是不是接着又怎么样？又开了一个窗口做什么事情？这个 i m h 就是 会制这幅图像的灰度脂肪图的意思啊， 大家看，那么这是显示的原图，是绘制的这个图像的灰度值方图，你看，我们刚才讲这么多，实际上在 mytonev 里面就是这样一个函数调用就 ok 了，是吧？ i am hist。 哎，就得到了这个灰度值方图， 大家看这个灰度值方度，他没有给他归一化啊，就是给的还是一个像素的这个，呃，这个大小啊，像素的多少啊？那么灰度他是从零到二百五十五啊，零到二百五十五。但大家分析一下这个图，你看一下他的这个 深色的区域和这个，呃，比较这里白色的这个区域是不是像素都比较少呀？是不是啊？他的对比效果不太好啊？不太好 对不对？能看出来这样一个效果，是吧？通过灰度脂肪图，它是一个统计的一个结果啊，统计的一个结果，好在看。实际上我们有时候用的时候，你看我们是把这个图，是把这个灰度默认啊，这个函数默认是把这个灰度分成了二百五十六个， 哎，二百五十六个这个灰度的灰度集，是吧？二百五十六个灰度集啊，那实际上我们是可以更改这个你要的这个级数的啊，比如说我们改一下啊，改成六十四，我说我不要那么多啊，我分的稍微粗一些，大家看，那你得到的结果就不太一样了，是不是？哎？ 因为你现在只统计了六十四个区间的这个啊，六十四个区间，是不是六十四个区间，这个能够理解吧？这个就是我，大家看啊，譬如说我现在要统计这个一百五，假如灰度值一百五，那就是所有的图像上灰度值是一百五十的这个什么像素的这个集合。但是我现在 我现在是统计的是什么？是一个区间，你看那他统计的不是一百五，是一百五，哎，可能一百五为中心，这个，这一个区域啊，这一个区域的这个 只要是在这个区域里面的这个具有这个区域里面这个灰度值的像素都统计在里面。比如说一百五、一百五十一，一百五十二，是吧？一百四十九、一百七十八，哎，他都要统计到这个里头， 这个能不能理解？譬如我们把二百五、五十六个灰度集分成六十四个区间嘛？大家去算一下嘛，那应该是多少呀？ 嗯，四个。假如说每每一个格里面实际上是包含四个灰度值，是吧？我这就要都有这四个灰度值的，我都得， 我都把它统计过来啊，所以这是一个更更更粗，更粗的一个统计，那你也可以取三十二，取十六，都是可以。大家看这个是我们说这个线条没这么多了，但是你会发现大家看这左边这个灰度脂肪，左和右边这个灰度图，他们的这个形状， 这个你看就看这个轮廓呀，是吧？他们是不是还是类似的呀？是不是？那就是他体现了说在这个图里面他会有两个比较高的地方，是吧？哎，两个波峰，对不对？哎，这里面也有，也有两个波峰，是吧？哎，然后他有一个， 有一个波谷，是不是？哎，这里面也有一个波谷啊，也有一个波谷，就这个大概的这个他的这个形态，他是没有改变，是吧？没有改变，这是灰度脂肪图，大家要知道怎么去， 怎么去调，用这个 manhattan 的 语句得到这个图啊。好，下面我们来看一下，我们对这幅图像做一个修改啊，大家看我们这个效果不好，比如说 这是原图的这个灰度值方图，我们来看一下灰度值方图它体现的这个概念，我们再来加深一下，大家看，如果说我现在对这个图像上每一个点的这个啊灰度值都给它加一个值，大家说会怎么样呀？ 大家思考一下，如果你看我，我把这个灰度图上每一个，把这个图上每一个点的灰度值都给他加五十，都给他加五十。但是说我，然后我再再看这个图会怎么样？然后我的灰度值方图会怎么样？ 有同学说变亮是吧？是不是变亮了？然后汇总直方图会怎么样呢？我们这个汇总直方图有变化没有，哎，他会向向右边移，是不是？哎，向右边移，哎，向右边移， 哎，回答非常正确啊，我们来看一下啊，大家看，哎，我们加了五十，你看是不是整体就偏亮了呀？哎，让我的汇总图，哎，就往这边挪了，对不对？哎，往这边挪了， 整体往这边又移了，是吧？因为我现在都亮了吗？亮，亮的这个，这个像素多了吗？是不是？哎，啊，如果说类似的，同样的啊，如果说我把在原图的基础上啊， 每个像素点都减五十，灰度给它降低，大家看一下，它是不是就变暗了呀？是不是变暗了？哎，然后这个灰度脂肪图它也往左边挪了，但是你看，你不管变暗变亮，只要我们说没有，还是在这个，呃，这个范围之内啊， 这是小黑孩吗？啊，大家看，它只要说没有超过这个范围，大家看我们这个脂肪土，它虽然左移右移了，但是它的这个外形像它这个就说统计的它这种分布的这个规律，还是没有发生变化，是不是没有发生变化的好？ 实际上我们这个曼联代码有一个函数，大家可以去试一下，就是灰度值方图的这个均衡化叫 hist 啊， eq 啊， eq， 哎，就是一个均衡化的意思，大家可以试一下 hist eq， 你 看我们对这个灰度值方图做均衡化以后， 大家看这个效果就变了好多了，是不是？哎，就变成这个图片就变成这个样子了，然后我们再把这个图方，这个脂肪，把这个图形他对应的灰度脂肪图把它画出来，大家看是这个样子，你看基本上每一个像，每一个灰度值， 他是不是都对应的有有这个像素的元素啊？是不是？哎，有这个像素的元素， 那么这个灰度脂肪图是怎么来？这个均衡化是怎么来的啊？这个需要去去进行推导的啊，用概率论的一些知识去推导的，这个回来我们再给大家再介绍啊，大家先知道有这样一个函数啊，做一个脂肪图的一个均衡化就可以， 你看这个效果还是非常的明显，是吧？哎，效果是非常的明显。 好，我们现在来讨论灰度值方图的几个性质，大家看一下，就是我们得到一幅图像的一个灰度值方图啊，横坐标是灰度值，纵坐标是它这个每一每一个每种灰度值，哎，它所占的一个在图像里面出现出现的一个概率，相当是一个概率，是吧？ 哎，那么第一点，它首先它是一个统计特征，是统计的特征啊，是一个统计的特征，当我们统计的特征像是很有用的啊，比如我们有时候在做一些图像的分类识别的时候，我们可以去找一些哎统计的特征，比如说 有时候我们去做纹理的分割呀，比如说两两种不同的纹理，他的一些统计特征，他是具有非常显著的这个对比度啊，或者说区别的话，我们就可以采用这样的一些统计特征来做啊，哎，统计特征在我们图像的这一这一些处理里面，哎，是用的也是非常广泛的。 那么第二点，我们这个直方图实际上只是反映了我们这个灰度的一个分布的情况，是吧？比如说哪些，哪些灰度值分布的比较多，哪些灰度值分布的比较少，是吧？或者说他们分布的是不是非常的均衡，他能不能反映出一个图像的位置呀？比如说我们说啊，具有这个灰度值的有， 有这么多，有这么多个像素，这些像素在哪里你知道不知道？你是不知道的，是吧？它只是一个统地址，它不能。我们这个图不能反映出这个像素在哪里，是不是不能反映出这个像素它是在哪里的啊？ 那么这样的话，大家想一下，我们，我给你一张图片，那让你去求灰度值方图，大家说这个灰度值方图是不是唯一的？肯定是唯一的啊，你这个图像固定以后，灰度值不会变了，那我去求灰度值方图，肯定是一个唯一的一个灰度值方图，但是反过来 我给了你一个灰度值方图，说你这个灰度值方图一定就是这张图片的灰度值方图吗？那显然是 不是这样，是吧？那反过来就不成立了，是不是？哎，大家看啊，你比如说我们这幅图，你看啊，我们左边这幅图，大家看和右边这幅图，你看我们假如说中间这个灰度都一样的啊，同一个灰度值，你看它出现了一个比例嘛。 说这种灰度出现的比例是什么意思？我觉得就是将就是这个面积占这个面积的，是不就是它面积的一个占比啊？ 同样在这个图里面，你看，只要我说我这个图里面这个，这个，这个 l 型的这个面积和这个一字型的面积一样，大家说这种灰度它所出现的概率是不是跟这边是一模一样的呀，也是这个面积的一个占比啊。 所以说这两幅图像，你看他们完全不一样，但是他们是不是具有相同的这个脂肪图啊？对不对？ 这个没问题吧？就是我们不同的图像它可以具有相同的脂肪图，是不是？你比如说我们再举，大家看左边这个图和这边这个图，它旋转了，这两幅图像是不一样的，是不是？哎？它旋转了，但是旋转以后会不会影响这个脂肪图的一，会不会影响这个？它脂肪图是不是一样的？因为你这个区域， 是吧？这些区域它的灰度，它的面积没有它的个数，它的面积没有发生变化，是吧？就这两幅图的灰度直方图也是一样的，包括左边这幅图和右边这幅图，大家说是不是一样的还是一样的？是不是也是一样的？哎，它是没有区别的啊，只是我们从直方图去得到这个 图像，它不是唯一的，是不是？哎？是唯一的，哎，是一对应的啊。 好，第二个、第三个、第四个特点就是说这个也很好理解，我们说整个图像的这个直方图是各部分的这个 图像的直方图之合。哎，这个很好理解。你看啊，比如我们要求这个直方图个图形的直方图，我们先把它分割成两部分啊。我们说我把这个，把它的直方图求出来，是一个，是一个图，是吧？是一个图，哎，我把这个直方图，这个图的直方图怎么样 也求出来，是吧？我们得到一个直方图，最后这两个合起来，大家说是不就得到了？这两个直方图合起来可以合起来吧？是不是？哎？我们把它的数据合起来，那是不就是 他们的合成，他们的这个这个全图的一个脂肪图啊？这个我觉得这个大家应该可以理解，是不是啊？因为你，呃，你是分开的，算了啊，算了，一个统计的一个一个概率啊，最后加起来跟他们这个直接求整个图的这个脂肪图，他是一样的啊，这是一样的。 好，那么直方图有什么用？我们来看一下它的一个只用的一个场合啊，比如说我们用这个直方图可以快速的检查这个数字化的当过程当中有没有出现问题啊？ 来看我们书上给的这样一个图啊，这是什么意思？比如说我们现在假如说用八位啊，来做一个量化啊，做八位来做一个量化啊，二百五十六个 值，是吧？灰度值就从零到二百五十五，你看都是我们，我们拍了一张照片，哎，我们对这个就这个照片啊，在模拟信号做了从量化以后啊，我们拍了一张照以后，我们去看他的脂肪图，你会发现说啊，从这个，从这个比较暗的到比较亮的他 都有，是吧？分布还是比比较整个覆盖了整个一个范围，我们说这种量化就是比较呃，恰当的一种量化，是吧？哎，但如果说，你看，如果说我们这个图形 它实际的这个范围是这样一个范围，我们发现，哎，这一块你看它没有用，这没有像素在这个范围之内， 哎，这这一块呢？也没有用，是吧？没有像素在落在这个范围之内，这样显然就没有充分的利用这个动态范围，是不是啊？你没有很好的去利用这个动态范围啊，就是，那就有这些问题出现啊。还有一种就是什么呢？ 我们这个直接的动态范围超过了你这个范围啊？就你这个零到二百五十五这个范围超过了这个范围，哎， 其实我们给的这个量化的这个范围实际上是不能覆盖我们整个真正的图像它的动态范围的，这个动态范围就不足，是不是？哎？就是这里面就是我们可以通过这个直方图的一个， 因为我们在它在相机里面都可以出现直方图，是吧？大家可以，我不让你们智能手机里面，大家可以去试一试啊，有时候你拍一个照片可以让他调出来这个直方图看一下，是不是啊？你就知道这个他这个给显示这个曝光的情况，是不是曝光的情况 来看一下。比如说你看我们现在这个去拍一幅这个沙漠的图像啊，大家看一下，哎，我们相机里面，或者我们在这个图像处理软件里面，我们给得到它的这个脂肪图的一个分布啊，这是一个正常的一个曝光啊，正常的曝光， 比如说这种情况呢？它就是欠曝光，是不是欠曝光？哎？就是亮色这一块比较少，是吧？它主要集中在暗色这一块， 哎，那这种情况就是一个什么过曝光的情况，是不是当我们大家去拍照的时候，我们三可以通过调光圈的方式啊？是要去调这个光亮，是吧？我们去调节它，哎，当你你调的时候，你是不是可以通过相机上的这个脂肪图去观察呀？是吧？ 啊？配合这个脂肪图去修改你的这个包，修改你这个光圈啊，或者说去去这个去调节一些这个照明，哎，然后来得到一个比较好的一个效果啊。 那么第二种情况啊，第二种，第二种这个应用就是我们去确定一个把这个灰度图变成一个黑白图像，也就是二字画的一个域值啊，一个域值。比如我们书上举的这个例子啊，大家看一下，比如说我们这个 这个背景，他说背景是黑色，但那个图没有画出来啊，我这个图没有画出来黑色啊，就是大家说你看背景是黑色，假如说灰体物体是灰色，我现在要把这个物体把它提出来，这个时候我可以求这个图形的这个啊灰度脂肪图，大家看，因为你看这个在这幅图像里面，你看 我们说背景是黑色的话，你看大部分是不是都是在这个暗的区域啊？说这部分是不是比较暗的区域像素比较多，像就是这个背景，是不是？而一部分呢？是什么？有物体的地方，他们的灰度，也有物体的这些 内部的这些像素点，他们的灰度是不是集中在这一块啊？是不是集中在这一块？你看，然后这个这个灰度图方图里面有一个 拨鼓的地方，是不是？哎？再看这个拨鼓的地方就是一个分界点，而我们用这个分界点的值作为我们去二字化的一个域值就非常好，是不是？比如我们说小于这个值的，把它把它记为零，是不是？所有的只要小于这个值，我们都把它变成零，大于这个值的话，都把它变成幺，是不是？哎？那我们就可以 到一个二字画的一个图像啊，就是我们说用灰度脂肪图的域值去做二字画的，呃，这个去提取这个二字画的一个域值啊，这是他的一个非就经常用的一个方面啊，用的一个方面， 哎，当然有个公式啊，比如说是我们取一个域值 t， 说小于等于 t， 我 们是零，大于等于 t 是 一啊，大于 t 是 一，就把一个灰度图变成了一个二值图，因为它的像像素只有零，它的灰度值只有零和一了，是吧？ 你看我们这个例子，大家看啊，这是，这是一幅，这也是刚下蕾丝那个树上的一个图片啊。举个例子，大家看这幅图像，不是，这是这个显微镜下看的这个细胞细胞的这个图像啊，我们要去提取这个细胞核来看，我们去把它的灰度、脂肪度求出来，哎，是这样一个分布， 你看这个图像不是很亮，所以说亮色这一块是比较少的，是吧？哎，中间就是比较一个灰，中间灰度的这个像素点比较多，哎，但是我们确实还有有一有一些地方是稍微白一点的地方，是吧？哎，就是我们这个暗的和灰色的和 比较亮的地方之间，大家看是不是有一个，有一个波鼓呀？那我们用这个波鼓对应的这个这个值啊， 这个灰度值作为我们二质风格的一个域值，这个时候我们对这个图像进行处理，哎，就可以得到这样的一个二质化，二质化以后的一个图像啊，大家看这个效果还是非常明显的，是不是？哎，非常明显，这是我们利用灰度值方图的这个统计信息去做一些事情啊，做一些事情。 好，那我们这一章的内容就就讲完了，大家看一下啊，我们讲的这个图像的分类啊，然后数字图像的一些基本的知识，是吧？所以有哪些黑白的灰度啊， rgb 彩色、微彩色呀，是吧？这些基本概念一定要弄清楚啊。然后在进行数字化的时候，我们要考虑采纳的 这个采样啊，就是我们采样，就是你是采的这个采样间距大还是小，它会影响这个分辨率，影响图像质量，是吧？量化的这个影响啊，那你是量，当然量化的这个越越高，它这个越细腻，但是你的数据量也会增加。 编码这一块，就是我们没有去细讲啊，就是当实际，实际上我们是要去为了减少减少这个存储的容量啊，图片的大小是要去做一些压缩的啊，做一些有损的压缩或者无损的压缩啊， 然后讲了像素之间的关系啊，领域是什么呀？什么叫联通啊，域啊，是吧边界的这些概念，哎，就是我们讲了距离， 有三种距离啊，欧式距离、城市距离，还有这个棋盘距离是怎么定义的？大家先把这些基本概念弄清楚啊，最后我们介绍了这个灰度直方图的概念，怎么去求它有哪些性质，以及它有什么用。好，我们这节课就讲到这先啊，休息十分钟啊。
7一个好人
00:20查看AI文稿AI文稿大家好，热成像探测距离多少才是最好的？这个问题可能困扰了大家很长时间，其实这个问题经常户外的人最有发言权，热成像探测距离最远有一千多米，普通的也能探测二百米，但是户外的话能保证三百多米清晰，热源敏感就很好用的。真正一千多米即便观测到了也没有必要，因为距离太远了，没有实质性的意义。
19鹏飞户外光电
00:46查看AI文稿AI文稿监控想拍清楚画面，放大图片，光学变焦和数字放大完全是两种概念哈，一个是离近了看，一个是只是把图片放大了。光学变焦是镜头在移动改变焦距，把远地方的人物和图像拉近了看，像望远镜一样 八七外露，这样的话它就算是放大了之后也不会模糊。数字放大本质上只是在你已有的裁剪的这个图片儿上面进行放大，只是把其中一小块进行填充， 所以说你放大了之后它肯定是会模糊的。想要真正看清细节，必须要依赖光学变焦。如果你要真正的看清楚远距离的人脸和车牌细节，我们光学变焦才是正解。
00:38查看AI文稿AI文稿可以看一个三十米的距离，一百三十万的像素红外日夜转换模式的，是需要搭配录像机的，如果说是家里没有录像机，没有录像机了，老板就不建议这款，小白就不建议了，家有录像机的才考虑这一款啊。海康的设备非常稳定啊，防雨耐热耐寒的，防水等级是六十七。 这款是需要搭配录像机使用的，是需要录像机的，如果说是家里有录像机，你就可以去看了，搭配录像机，然后就可以在手机上观看了，手机连接录像机就可以在手机上看了。这款也是非常好的啊，也是非常好的一款。
00:28查看AI文稿AI文稿一个视频教会大家如何分辨这个摄像头的像素啊？咱们看下这个标签啊， 这个二 t 四 t， 这个四就是四百万像素，像这个二 t 二五，这个二就是两百万像素啊。还有这个三 t 幺零，这个一就是一百万像素，很好分辨啊。
