extremal 什么意思 opengl是什么工程師

distiance 什么意思？什么是協(xié)變量代數(shù)？量子力學(xué)與相對論統(tǒng)一的障礙是什么？weatherandclimateextremes中文是什么意思？openmvg是什么？openMVG是用來做什么的？

本文導(dǎo)航

• distractions什么意思
• 什么叫變量的線性依存關(guān)系
• 相對論和量子力學(xué)的意義
• weather是什么意思中文翻譯
• openmv怎么使用
• opengl是什么工程師

distractions什么意思

是distance吧

1、距離、間距

2、遠處、遠方

什么叫變量的線性依存關(guān)系

復(fù)制了一大版沒回答到正題來,協(xié)變是張量分析上的,比如協(xié)變導(dǎo)數(shù)和協(xié)變微分.這東西在微分幾何和廣義相對論中大量的應(yīng)用.至于你說的協(xié)變量代數(shù),我想是不是張量代數(shù)的另外一種形式呢?

相對論和量子力學(xué)的意義

愛因斯坦最早注意到量子力學(xué)與相對論的不相容性。在1927年的第五屆索爾維會議上，愛因斯坦對剛剛建立的量子力學(xué)理論表示了不滿，他在反對意見中指出，如果量子力學(xué)是描述單次微觀物理過程的理論，則量子力學(xué)將違反相對論。1935年，在論證量子力學(xué)不完備性的EPR文章中，愛因斯坦再一次揭示了量子力學(xué)的完備性同相對論的定域性假設(shè)之間存在矛盾。在愛因斯坦看來，相對論無疑是正確的，而量子力學(xué)由于違反相對論必然是不正確的，或者至少是不完備的。

1964年，在愛因斯坦的EPR論證的基礎(chǔ)上，貝爾提出了著名的貝爾不等式，這一不等式進一步顯示了相對論所要求的定域性與量子力學(xué)之間的深刻矛盾，并提供了利用實驗來進行判決的可能性。根據(jù)貝爾的分析，如果量子力學(xué)是正確的，它必定是非定域的。利用貝爾不等式，人們進行了大量實驗來檢驗量子力學(xué)的正確性，其中最有說服力的是阿斯派克特等人于1982年所做的實驗，他們的實驗結(jié)果證實了量子力學(xué)的預(yù)言，并顯示了量子非定域性的客觀存在。

盡管量子非定域性的存在已經(jīng)為實驗所證實，然而，量子力學(xué)與相對論的不相容問題至今仍然沒有得到滿意的解決。根本原因在于，一方面，量子力學(xué)的理論基礎(chǔ)仍沒有堅實地建立起來，另一方面，量子力學(xué)所蘊含的非定域性又暗示了相對論的普適性將同樣受到懷疑。

weather是什么意思中文翻譯

天氣和極端氣候

openmv怎么使用

OpenMVG (open Multiple View Geometry)：開源多視角立體幾何庫，這是一個cv屆處理多視角立體幾何的著名開源庫，信奉逗簡單，可維護地，提供了一套強大的接口，每個模塊都被測試過，盡力提供一致可靠的體驗。

地址：github

文檔：documents

openMVG能夠：

解決多視角立體幾何的精準匹配問題；

提供一系列SfM需要用到的特征提取和匹配方法；

完整的SfM工具鏈（校正，參估，重建，表面處理等）；

openMVG盡力提供可讀性性強的代碼，方便開發(fā)者二次開發(fā)，核心功能是盡量精簡的，所以你可能需要其它庫來完善你的系統(tǒng)。openMVG分成了幾個大的模塊：

核心庫：各個功能的核心算法實現(xiàn)；

樣例：教你怎么用；

工具鏈：也就是連起來用咯（亂序圖像集的特征匹配，SfM，處理色彩和紋理）；

#0. 安裝（win10+VS2013）

第一步當然是從github clone代碼，然后按照 BUILD 說明操作，需要注意的是：

template <class T> inline T operator|(T x, T y){

return static_cast<T>(static_cast<int>(x) | static_cast<int>(y));

};

建議和opencv一起編譯，方法是在CMakeLists.txt文件中修改相應(yīng)選項為 ON，然后在cmake的GUI中添加一個叫OpenCV_DIR的入口，值就是你已經(jīng)安裝好的opencv的路徑。

openMVG寫的非常不錯，對Windows也提供了良好的支持，所以cmake之后用VS打開生成的openMVG.sln解決方案就可以進行編譯了，編譯的時間稍久。我用的VS2013不支持C++新特性：constexpr，所以建議你使用VS2015或更新版本，如果一定要用VS2013，可以這樣做：在src/openMVG/cameras/Camera_Common.hpp文件中將有constexpr的地方直接去掉，或者改成模板函數(shù)也是可以的：

運行樣例，這里遇到一個坑：DenseStoraage.h line 86報錯：R6010 Assertion failed，這是一個斷言錯誤，在release模式下不會出現(xiàn)，但在debug模式下幾乎是必現(xiàn)。原因嘛，打開Eigen給出的網(wǎng)址可以明確：數(shù)據(jù)結(jié)構(gòu)未對齊（unaligned arrays）。這個問題對于剛接觸openMVG的人來說還是很煩人的，openMVG代碼很優(yōu)雅，很多數(shù)據(jù)類型都是從模板類或函數(shù)延伸，通過虛函數(shù)擴展各項具體方法，而且非常強烈的依賴Eigen這個庫，所以給定位問題帶來了阻礙。經(jīng)過一天的攻堅，最后大概確認了原因：

regions.h這個文件中定義的Regions類包含了fixed-size vectorizable Eigen types的stl容器vector，按照Eigen提供的解決方法，需要做的是：

//原來

typedef std::vector<FeatureT> FeatsT;

//改成

typedef std::vector<FeatureT, Eigen::aligned_allocator<FeatureT>> FeatsT;

//其它類似的地方都要改，包括返回vector的函數(shù)，最好也加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW

#1. 核心庫

#1.1 圖像

#Image Container

openMVG提供一個基本的類用作圖像容器：Image<T>，T代表像素類型，這個類可以處理灰度，RGB，RGBA或者自定義類型的圖像。用法很簡單：

// A 8-bit gray image:

Image<unsigned char> grayscale_image_8bit;

// Multichannel image: (use pre-defined pixel type)

// A 8-bit RGB image:

Image<RGBColor> rgb_image_8bit;

// 8-bit RGBA image

Image<RGBAColor> rgba_image_8bit;

Image<Rgba<unsigned char> > rgba_image2_8bit;

這里的 RGBColor，RGBAColor等是openMVG基于Eigen定義好的類型，具體是定義在pixel_types.hpp中。

#Image I/O

openMVG支持ppm/pgm,jpeg,png,tiff格式的圖片文件，例子：

Image<RGBColor> rgb_image_gray;

bool bRet = ReadImage("Foo.imgExtension", &rgb_image);

#Drawing operations

用于在圖像上畫圓，橢圓，直線等。

#1.2 數(shù)值

openMVG重新包裝了Eigen的基本類型和算法，以便更簡單的調(diào)用。比如 Vec2代表一個二維點（char型）。

#1.3 特征

這個模塊主要是提供特征容器的封裝，包括特征，特征描述，關(guān)鍵點集等，基本都是模板類，比如頂一個sift特征描述子可以這樣做：

// SIFT like descriptor

typedef Descriptor<float, 128> siftDescriptorData;

#1.4 相機

此模塊提供不同的相機模型的抽象類，包括：

#小孔相機模型

最簡單的相機模型，如圖： 相機模型包括內(nèi)參和外參，關(guān)鍵詞也就是大家熟悉的幾樣：投影矩陣，旋轉(zhuǎn)、平移矩陣，焦距、主點等，具體參見說明。 看一個例子：openMVG提供的PinholeCamera類：

/// Pinhole camera P = K[R|t], t = -RC

struct PinholeCamera

{

//構(gòu)造函數(shù)

PinholeCamera(

const Mat3 & K = Mat3::Identity(),

const Mat3 & R = Mat3::Identity(),

const Vec3 & t = Vec3::Zero())

: _K(K), _R(R), _t(t)

{

_C = -R.transpose() * t;

P_From_KRt(_K, _R, _t, &_P);

}

PinholeCamera(const Mat34 & P)

{

_P = P;

KRt_From_P(_P, &_K, &_R, &_t);

_C = -_R.transpose() * _t;

}

/// Projection matrix P = K[R|t]

Mat34 _P;

/// Intrinsic parameter (Focal, principal point)

Mat3 _K;

/// Extrinsic Rotation

Mat3 _R;

/// Extrinsic translation

Vec3 _t;

/// Camera center

Vec3 _C;

};

#1.5 多視角幾何

這部分是比較基礎(chǔ)和重要的模塊之一，包括了：

多視角集幾何中n（>=2）視角的求解算法；

將這些求解算法綜合起來以便進行魯棒估計的通用框架——Kernel；

文檔中講解了單應(yīng)矩陣，本征矩陣，本質(zhì)矩陣，位置矩陣等的概念，講得非常好，建議仔細閱讀文檔。 簡單的解釋一下：

單應(yīng)矩陣：描述兩個投影平面之間的關(guān)系；

本征矩陣：同一個場景在兩個相機成像下的關(guān)系，也就是物體上的點A在兩個視角下成像位置的關(guān)系；

本質(zhì)矩陣：基于本征矩陣和內(nèi)參矩陣建立，描述相機和本征矩陣位置之間的相對關(guān)系；

位置矩陣：估計相機的絕對位置（被轉(zhuǎn)化為一個最小化問題求解）；

Kernel：一個將求解器、數(shù)據(jù)、度量方案等結(jié)合起來的類，這個類將用于魯棒的估計以上的參數(shù)和矩陣；

#1.6 線性規(guī)劃

一個用于求解多視角幾何中線性優(yōu)化（參數(shù)估計）的工具集，文檔。

#1.7 魯棒估計

提供一些列魯棒估計方法，比如：Max-Consensus，Max-Consensus，AC-Ransac A Contrario Ransac等。

#1.7 匹配

提供的接口包括：NNS，K-NN，F(xiàn)LANN，KVLD，Cascade hashing Nearest Neighbor等。這些接口可用于在二維或三維點集，以及更高維的特征描述集中。

#1.8 追蹤

多視幾何里的追蹤是指在一系列的圖片中找到對應(yīng)的特征點（同一點在不同視角下的位置）。

#1.9 sfm

openMVG提供的sfm模塊包含了處理SfM問題的一系列方法個數(shù)據(jù)存儲接口，例如相機位置估計，結(jié)構(gòu)測量，BA等。 SfM_Data類包含了SfM所有的輸入：

struct SfM_Data

{

/// Considered views

Views views; // 包含圖像文件名，id_view，id_pose，id_intrinsic，image size。

/// Considered poses (indexed by view.id_pose)

Poses poses; // 相機的三維位置

/// Considered camera intrinsics (indexed by view.id_cam)

Intrinsics intrinsics; // 相機內(nèi)參

/// Structure (3D points with their 2D observations)

Landmarks structure; // 二維視圖特征關(guān)聯(lián)的3D點

}

下面是例子：

#1. features_siftPutativeMatches

這個樣例做了這么幾件事（直接翻譯官方）：

分別提取兩張圖像的SIFT特征（使用非免費的vlsift）并形成特征描述；

根據(jù)特征描述子匹配兩張圖像上的特征點（BRUTE_FORCE_L2方法）；

展示匹配結(jié)果；

剛開始的時候會遇到Assertion failed斷言錯誤，處理辦法見上一篇文章。運行成功項目目錄下會生成三個文件：00_images.jpg，01_features.jpg，02_siftMatches.svg。

#2. features_affine_demo

這個例子是圖像MSER（參考）和TBMR特征提取的樣例，MSER（Maximally Stable Extremal Regions）最大極值穩(wěn)定區(qū)域是一種對圖像灰度具有仿射變換不變性，也許也是這個樣例起名的原因。TBMR（tree-based Morse regions）這個算法不是特別了解，具體可以在google學(xué)術(shù)中搜索。

#3. features_image_matching

這個樣例給出了利用Image_describer接口提取特征描述子，并匹配和顯示結(jié)果的樣例。示例中可以選擇SIFT，AKAZE_MLDB或者AKAZE算法，AKAZE介紹可看這里，是一種比SIFT更穩(wěn)定的特征檢測算法。程序中關(guān)于解析輸入?yún)?shù)的部分可以注釋掉（如果你是用過VS2013 debug），直接修改sImage_describer_type這個值以測試。

#4. features_kvld_filter 和 features_repeatability

這兩個也是關(guān)于特征提取和匹配的，kvld這個例子中由于之前更改了regions.h中的內(nèi)容，所以有些函數(shù)接口也要做相應(yīng)改變，具體也是在vector中增加對齊函數(shù)選項。

#5. multiview_robust_homography_guided 和 multiview_robust_fundamental_guided

這兩個樣例是估計單應(yīng)矩陣和本征矩陣的，并且能夠根據(jù)這些信息反過來確定匹配點。兩個樣例運行時間都很長（分辨率教大時），第一個在用另外的照片時還遇到報錯，大概是在DoG時出錯，具體也沒有細究了·····

#6. exif_Parsing

提取EXIF信息，編譯后通過命令行執(zhí)行，給出的參數(shù)格式：--imafile 你的照片路徑，路徑中使用/斜杠。

另一篇：learn openMVG-安裝和簡介

#7. multiview_robust_essential

估計本質(zhì)矩陣并計算3D結(jié)構(gòu)。這個例子可以直接運行，生成的點云十分稀疏且不帶顏色信息。

opengl是什么工程師

OpenMVG (open Multiple View Geometry)：開源多視角立體幾何庫，這是一個cv屆處理多視角立體幾何的著名開源庫，信奉逗簡單，可維護地，提供了一套強大的接口，每個模塊都被測試過，盡力提供一致可靠的體驗。

地址：github

文檔：documents

openMVG能夠：

解決多視角立體幾何的精準匹配問題；

提供一系列SfM需要用到的特征提取和匹配方法；

完整的SfM工具鏈（校正，參估，重建，表面處理等）；

openMVG盡力提供可讀性性強的代碼，方便開發(fā)者二次開發(fā)，核心功能是盡量精簡的，所以你可能需要其它庫來完善你的系統(tǒng)。openMVG分成了幾個大的模塊：

核心庫：各個功能的核心算法實現(xiàn)；

樣例：教你怎么用；

工具鏈：也就是連起來用咯（亂序圖像集的特征匹配，SfM，處理色彩和紋理）；

#0. 安裝（win10+VS2013）

第一步當然是從github clone代碼，然后按照 BUILD 說明操作，需要注意的是：

template <class T> inline T operator|(T x, T y){

return static_cast<T>(static_cast<int>(x) | static_cast<int>(y));

};

建議和opencv一起編譯，方法是在CMakeLists.txt文件中修改相應(yīng)選項為 ON，然后在cmake的GUI中添加一個叫OpenCV_DIR的入口，值就是你已經(jīng)安裝好的opencv的路徑。

openMVG寫的非常不錯，對Windows也提供了良好的支持，所以cmake之后用VS打開生成的openMVG.sln解決方案就可以進行編譯了，編譯的時間稍久。我用的VS2013不支持C++新特性：constexpr，所以建議你使用VS2015或更新版本，如果一定要用VS2013，可以這樣做：在src/openMVG/cameras/Camera_Common.hpp文件中將有constexpr的地方直接去掉，或者改成模板函數(shù)也是可以的：

運行樣例，這里遇到一個坑：DenseStoraage.h line 86報錯：R6010 Assertion failed，這是一個斷言錯誤，在release模式下不會出現(xiàn)，但在debug模式下幾乎是必現(xiàn)。原因嘛，打開Eigen給出的網(wǎng)址可以明確：數(shù)據(jù)結(jié)構(gòu)未對齊（unaligned arrays）。這個問題對于剛接觸openMVG的人來說還是很煩人的，openMVG代碼很優(yōu)雅，很多數(shù)據(jù)類型都是從模板類或函數(shù)延伸，通過虛函數(shù)擴展各項具體方法，而且非常強烈的依賴Eigen這個庫，所以給定位問題帶來了阻礙。經(jīng)過一天的攻堅，最后大概確認了原因：

regions.h這個文件中定義的Regions類包含了fixed-size vectorizable Eigen types的stl容器vector，按照Eigen提供的解決方法，需要做的是：

//原來

typedef std::vector<FeatureT> FeatsT;

//改成

typedef std::vector<FeatureT, Eigen::aligned_allocator<FeatureT>> FeatsT;

//其它類似的地方都要改，包括返回vector的函數(shù)，最好也加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW

#1. 核心庫

#1.1 圖像

#Image Container

openMVG提供一個基本的類用作圖像容器：Image<T>，T代表像素類型，這個類可以處理灰度，RGB，RGBA或者自定義類型的圖像。用法很簡單：

// A 8-bit gray image:

Image<unsigned char> grayscale_image_8bit;

// Multichannel image: (use pre-defined pixel type)

// A 8-bit RGB image:

Image<RGBColor> rgb_image_8bit;

// 8-bit RGBA image

Image<RGBAColor> rgba_image_8bit;

Image<Rgba<unsigned char> > rgba_image2_8bit;

這里的 RGBColor，RGBAColor等是openMVG基于Eigen定義好的類型，具體是定義在pixel_types.hpp中。

#Image I/O

openMVG支持ppm/pgm,jpeg,png,tiff格式的圖片文件，例子：

Image<RGBColor> rgb_image_gray;

bool bRet = ReadImage("Foo.imgExtension", &rgb_image);

#Drawing operations

用于在圖像上畫圓，橢圓，直線等。

#1.2 數(shù)值

openMVG重新包裝了Eigen的基本類型和算法，以便更簡單的調(diào)用。比如 Vec2代表一個二維點（char型）。

#1.3 特征

這個模塊主要是提供特征容器的封裝，包括特征，特征描述，關(guān)鍵點集等，基本都是模板類，比如頂一個sift特征描述子可以這樣做：

// SIFT like descriptor

typedef Descriptor<float, 128> siftDescriptorData;

#1.4 相機

此模塊提供不同的相機模型的抽象類，包括：

#小孔相機模型

最簡單的相機模型，如圖： 相機模型包括內(nèi)參和外參，關(guān)鍵詞也就是大家熟悉的幾樣：投影矩陣，旋轉(zhuǎn)、平移矩陣，焦距、主點等，具體參見說明。 看一個例子：openMVG提供的PinholeCamera類：

/// Pinhole camera P = K[R|t], t = -RC

struct PinholeCamera

{

//構(gòu)造函數(shù)

PinholeCamera(

const Mat3 & K = Mat3::Identity(),

const Mat3 & R = Mat3::Identity(),

const Vec3 & t = Vec3::Zero())

: _K(K), _R(R), _t(t)

{

_C = -R.transpose() * t;

P_From_KRt(_K, _R, _t, &_P);

}

PinholeCamera(const Mat34 & P)

{

_P = P;

KRt_From_P(_P, &_K, &_R, &_t);

_C = -_R.transpose() * _t;

}

/// Projection matrix P = K[R|t]

Mat34 _P;

/// Intrinsic parameter (Focal, principal point)

Mat3 _K;

/// Extrinsic Rotation

Mat3 _R;

/// Extrinsic translation

Vec3 _t;

/// Camera center

Vec3 _C;

};

#1.5 多視角幾何

這部分是比較基礎(chǔ)和重要的模塊之一，包括了：

多視角集幾何中n（>=2）視角的求解算法；

將這些求解算法綜合起來以便進行魯棒估計的通用框架——Kernel；

文檔中講解了單應(yīng)矩陣，本征矩陣，本質(zhì)矩陣，位置矩陣等的概念，講得非常好，建議仔細閱讀文檔。 簡單的解釋一下：

單應(yīng)矩陣：描述兩個投影平面之間的關(guān)系；

本征矩陣：同一個場景在兩個相機成像下的關(guān)系，也就是物體上的點A在兩個視角下成像位置的關(guān)系；

本質(zhì)矩陣：基于本征矩陣和內(nèi)參矩陣建立，描述相機和本征矩陣位置之間的相對關(guān)系；

位置矩陣：估計相機的絕對位置（被轉(zhuǎn)化為一個最小化問題求解）；

Kernel：一個將求解器、數(shù)據(jù)、度量方案等結(jié)合起來的類，這個類將用于魯棒的估計以上的參數(shù)和矩陣；

#1.6 線性規(guī)劃

一個用于求解多視角幾何中線性優(yōu)化（參數(shù)估計）的工具集，文檔。

#1.7 魯棒估計

提供一些列魯棒估計方法，比如：Max-Consensus，Max-Consensus，AC-Ransac A Contrario Ransac等。

#1.7 匹配

提供的接口包括：NNS，K-NN，F(xiàn)LANN，KVLD，Cascade hashing Nearest Neighbor等。這些接口可用于在二維或三維點集，以及更高維的特征描述集中。

#1.8 追蹤

多視幾何里的追蹤是指在一系列的圖片中找到對應(yīng)的特征點（同一點在不同視角下的位置）。

#1.9 sfm

openMVG提供的sfm模塊包含了處理SfM問題的一系列方法個數(shù)據(jù)存儲接口，例如相機位置估計，結(jié)構(gòu)測量，BA等。 SfM_Data類包含了SfM所有的輸入：

struct SfM_Data

{

/// Considered views

Views views; // 包含圖像文件名，id_view，id_pose，id_intrinsic，image size。

/// Considered poses (indexed by view.id_pose)

Poses poses; // 相機的三維位置

/// Considered camera intrinsics (indexed by view.id_cam)

Intrinsics intrinsics; // 相機內(nèi)參

/// Structure (3D points with their 2D observations)

Landmarks structure; // 二維視圖特征關(guān)聯(lián)的3D點

}

下面是例子：

#1. features_siftPutativeMatches

這個樣例做了這么幾件事（直接翻譯官方）：

分別提取兩張圖像的SIFT特征（使用非免費的vlsift）并形成特征描述；

根據(jù)特征描述子匹配兩張圖像上的特征點（BRUTE_FORCE_L2方法）；

展示匹配結(jié)果；

剛開始的時候會遇到Assertion failed斷言錯誤，處理辦法見上一篇文章。運行成功項目目錄下會生成三個文件：00_images.jpg，01_features.jpg，02_siftMatches.svg。

#2. features_affine_demo

這個例子是圖像MSER（參考）和TBMR特征提取的樣例，MSER（Maximally Stable Extremal Regions）最大極值穩(wěn)定區(qū)域是一種對圖像灰度具有仿射變換不變性，也許也是這個樣例起名的原因。TBMR（tree-based Morse regions）這個算法不是特別了解，具體可以在google學(xué)術(shù)中搜索。

#3. features_image_matching

這個樣例給出了利用Image_describer接口提取特征描述子，并匹配和顯示結(jié)果的樣例。示例中可以選擇SIFT，AKAZE_MLDB或者AKAZE算法，AKAZE介紹可看這里，是一種比SIFT更穩(wěn)定的特征檢測算法。程序中關(guān)于解析輸入?yún)?shù)的部分可以注釋掉（如果你是用過VS2013 debug），直接修改sImage_describer_type這個值以測試。

#4. features_kvld_filter 和 features_repeatability

這兩個也是關(guān)于特征提取和匹配的，kvld這個例子中由于之前更改了regions.h中的內(nèi)容，所以有些函數(shù)接口也要做相應(yīng)改變，具體也是在vector中增加對齊函數(shù)選項。

#5. multiview_robust_homography_guided 和 multiview_robust_fundamental_guided

這兩個樣例是估計單應(yīng)矩陣和本征矩陣的，并且能夠根據(jù)這些信息反過來確定匹配點。兩個樣例運行時間都很長（分辨率教大時），第一個在用另外的照片時還遇到報錯，大概是在DoG時出錯，具體也沒有細究了·····

#6. exif_Parsing

提取EXIF信息，編譯后通過命令行執(zhí)行，給出的參數(shù)格式：--imafile 你的照片路徑，路徑中使用/斜杠。

另一篇：learn openMVG-安裝和簡介

#7. multiview_robust_essential

估計本質(zhì)矩陣并計算3D結(jié)構(gòu)。這個例子可以直接運行，生成的點云十分稀疏且不帶顏色信息。