CN111768395B - 一种虚拟显示设备的畸变测量方法及装置 - Google Patents
一种虚拟显示设备的畸变测量方法及装置 Download PDFInfo
- Publication number
- CN111768395B CN111768395B CN202010630598.8A CN202010630598A CN111768395B CN 111768395 B CN111768395 B CN 111768395B CN 202010630598 A CN202010630598 A CN 202010630598A CN 111768395 B CN111768395 B CN 111768395B
- Authority
- CN
- China
- Prior art keywords
- distortion
- checkerboard
- coordinate information
- edge
- corner
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000691 measurement method Methods 0.000 title claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 description 28
- 238000005259 measurement Methods 0.000 description 8
- 241000226585 Antennaria plantaginifolia Species 0.000 description 6
- 235000005121 Sorbus torminalis Nutrition 0.000 description 6
- 244000152100 Sorbus torminalis Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 240000000136 Scabiosa atropurpurea Species 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Transforming Electric Information Into Light Information (AREA)
Abstract
本发明公开一种虚拟显示设备的畸变测量方法及装置，本发明通过测量图像画面各个边的长度，将各边长度代入至预设算法中进行计算，得到图像画面的梯形畸变数值，该算法简单易行，且很容易用计算机辅助识别、计算，实现对梯形畸变的快速测量、评定，在此基础上，虚拟现实设备的成像质量有可对比的参数，会很大程度上提高光学系统的研发生产效率，增加终端用户的舒适度。
Description
技术领域
本发明涉及虚拟现实领域，尤其涉及一种虚拟显示设备的畸变测量方法及装置。
背景技术
虚拟显示设备包括但不限于虚拟现实(VR，Virtual Reality)技术、增强现实(AR，Augmented Reality)、混合现实(MR，Mixed Reality)和抬头显示设备(HUD，Head-upDisplay)等。设备显示模组的光学参数直接影响用户体验和舒适度，其中一项重要光学参数是显示画面的畸变(Distortion)。畸变指虚拟显示设备成像过程中所产生的图像像元的几何位置相对于参照系统发生的挤压、伸展、偏移和扭曲等,使图像的几何位置、尺寸、形状、方位等发生的改变。
畸变包括但不限于桶形畸变(Barrel Distortion)、枕型畸变(PincushionDistortion)、胡子型畸变(Mustache Distortion)、梯形畸变(Keystone Distortion)或其他更复杂的叠加形态。上述畸变的严重与否会直接影响用户的使用体验。所以在研发、生产过程中，对上述畸变的客观表述是虚拟显示设备光学模块的核心工作之一。
如图1所示，桶形畸变(Barrel Distortion)，从图像的中心点到图像的边缘点图像的相对大小逐渐变小，看起来就像把一张正常大小的图片包裹在一个球上一样。因为形状像传统水桶，故得此名。
如图2所示，枕型畸变(Pincushion Distortion)，从图像的中心点到图像的边缘点图像的相对大小逐渐变大，看起来的效果就像是把一张正常大小的图片贴在球的内壁。因为形状像枕头，故得此名。
如图3所示，胡子型畸变(Mustache Distortion)，是以上两种畸变的混合，有时也叫做混合型畸变。从中心向边缘扩散的过程中，畸变种类也从桶形畸变变成了枕型畸变(或更复杂的混合)。正因为在图片的上半部分中的直线变得像胡子形状一样，所以我们称其为“胡子型畸变”(Mustache distortion)。
如图4所示，梯形畸变(Keystone Distortion)，从图像的某边缘向另一边缘点图像的相对大小逐渐变大或缩小，看起来像个梯形。所以称为梯形畸变(KeystoneDistortion)。其中形状可能有等腰梯形、直角梯形或其他不规则梯形。
现有技术中，虽然已有一些测量前述三种畸变的的技术方案，但现有的畸变测量方法均不能适用于测量梯形畸变。
发明内容
本发明的目的是克服现有技术的不足，提供一种虚拟显示设备梯形畸变测量方法及装置，能够客观地对梯形畸变进行评价。
本发明的技术方案如下：一种虚拟显示设备梯形畸变测量方法，用于测量虚拟显示设备的梯形畸变；
所述方法包括：
S1：获取虚拟显示设备的图像画面；所述图像画面存在梯形畸变；
S2：测量所述步骤S1中图像画面各个边的长度；
S3：将所述步骤S2中各条边的长度代入至预设算法中进行计算，得到所述图像画面的梯形畸变数值Kedges。
进一步地，所述预设算法为：
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，max(Eupper，Elower)指上边缘和下边缘中较长的边，max(Eleft，Eright)指左边缘和右边缘中较长的边。
进一步地，所述预设算法为：
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，max(Eupper，Elower)指上边缘和下边缘中较长的边，max(Eleft，Eright)指左边缘和右边缘中较长的边。
进一步地，所述预设算法为：
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，min(Eupper，Elower)指上边缘和下边缘中较短的边；min(Eleft，Eright)指左边缘和右边缘中较短的边。
进一步地，所述预设算法为：
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度。
进一步地，所述预设算法为：
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，min(Eupper，Elower)指上边缘和下边缘中较短的边；min(Eleft，Eright)指左边缘和右边缘中较短的边。
进一步地，所述获取的图像画面为能识别出边角的画面，其为纯色画面或非纯色画面。
进一步，所述图像画面包括棋盘格图卡的图像画面。
进一步地，所述棋盘格图卡包括多个子棋盘格，形成多行多列，在所述步骤S2中，获取图像画面各个边的长度，包括：
基于所获取的图像画面，确定所述棋盘格图卡最外围行和列上四个角点的坐标信息；所述四个角点为所述棋盘格图卡四个角落的角点。
进一步地，基于所获取的图像画面，确定所述棋盘格图卡最外围行和列上四个角点的坐标信息，包括：
基于所述获取的图像画面，获取所述棋盘格上可识别的各个角点的坐标信息；
基于所述棋盘格可识别的各个角点的坐标信息，获取所述子棋盘格的边长信息；
根据子棋盘格的边长信息和所述棋盘格上可识别的各个角点的坐标信息，得到所述棋盘格图卡中最外围行和列上四个角点的坐标信息。
进一步地，所述基于所述棋盘格上可识别的各个角点的坐标信息，获取所述子棋盘格的边长信息，包括：
从所述可识别的各个角点中选定一个角点作为目标角点；
获取所述目标角点的第一坐标信息，以及再另行获取所述目标角点所在行上至少一个角点的第二坐标信息和所在列上至少一个角点的第三坐标信息；
根据所述目标角点的第一坐标信息与所述第二坐标信息及第三坐标信息之间的相对位置关系，确定出所述子棋盘格的边长。
本发明还提供一种测量装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的虚拟显示设备的畸变测量方法。
采用上述方案，本发明通过测量图像画面各个边的长度，将各边长度代入至预设算法中进行计算，得到图像画面的梯形畸变数值，该算法简单易行，且很容易用计算机辅助识别、计算，实现对梯形畸变的快速测量、评定，在此基础上，虚拟现实设备的成像质量有可对比的参数，会很大程度上提高光学系统的研发生产效率，增加终端用户的舒适度。
附图说明
图1为桶形畸变的示意图。
图2为枕形畸变的示意图。
图3为胡子形畸变的示意图。
图4为梯形畸变的示意图。
图5为几何畸变算法的计算示意图。
图6为棋盘格的示意图。
图7为光学畸变算法的计算示意图。
图8为畸变原图。
图9为拟合图8中的光学畸变曲线图。
图10为梯形畸变的棋盘格。
图11为步骤S2的流程示意图。
图12为本发明测量装置的示意图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明。
现有技术中，已经有两种现行技术方案可以测量前述三种畸变。
第一种算法，几何畸变算法，能很好地评价桶形畸变和枕型畸变。代表性的算法是TV畸变/SMIA TV畸变算法，为光学整机上(如相机等)广泛使用的畸变衡量方案。因为这类光学整机有矩形的图像传感器(CMOS、CCD等)，所以需要评价矩形的输出图像，如图5所示，
使用适合图卡，例如棋盘格，在棋盘格上计算畸变方案，如图6所示，通过识别出六个角点，代入方程即可计算TV畸变和SMIATV畸变。SMIATV畸变为近年来国际标准普遍使用的新兴衡量标准，其衡量方式更合理、准确。理想情况下SMIATV畸变等于TV畸变的2倍。
第二种算法，光学畸变算法，能评价桶形、枕型畸变，并且能较好地显示胡子型畸变的形态，一般为光学设计、光学元件上(如不含图像传感器的独立镜头等)广泛使用的畸变衡量方案。因为这类光学元件设计上是绕光轴旋转对称的，所以从光学中心出发，向外延伸的每个径向方向(半径方向)畸变都是一样的。一般以百分比表示，其中百分比定义为：偏离的像素数除以同方向上的总像素数，请参阅图7，
光学畸变比较难测量，往往需要用三阶或五阶方程拟合出畸变曲线。例如图8与图9是一个实例，图8为原图，图9为拟合出的光学畸变曲线。
因为光学畸变测量比较难，所以行业对于光学成品(带矩形的图像传感器)的测量大都用几何畸变(TV畸变/SMIATV畸变)；光学畸变主要在光学设计过程、单独光学元件(如不带图像传感器的镜头)中使用较多，因为光学系统旋转对称。
其中，前三种畸变(桶形畸变、枕型畸变、胡子型畸变)现阶段都有成熟的方案和衡量标准来客观判定一个光学系统畸变的好坏，唯独梯形畸变目前为止没发现有好的衡量方法，也无法使用前三种畸变的衡量方法。其原因在于，传统的光学系统基本都是绕光轴旋转对称的系统(例如镜头)，在旋转对称的光学系统里，绝大多数情况只会出现桶形、枕型、胡子型畸变，几乎不会出现梯形畸变。所以从前也没有衡量和客观判定的需求。
但是随着虚拟显示技术的兴起，许多光学系统并不是按传统的旋转对称来设计(例如自由曲面光学、非球面折返式光学系统)，有些时候会出现梯形畸变。然而，目前对梯形畸变却没有任何合适的客观评价方案，只能用肉眼评价光学系统的好坏，这种状态急需改变。
由于目前没有成熟的衡量方法来对梯形畸变进行客观评价，因此本发明提供一种虚拟显示设备的畸变测量方法，用于测量虚拟显示设备的梯形畸变，通过本发明的方法可以计算出图像画面的梯形畸变值，只需要获取梯形的四边长度，即可准确描述梯形畸变的大小，具体地，所述方法包括：
S1：获取虚拟显示设备的图像画面，所述图像画面存在梯形畸变，该图像画面可以是纯色或非纯色画面，只要能识别出边角即可，所述图像画面包括所述虚拟显示设备显示的棋盘格图卡的图像画面，例如图10中的棋盘格图卡的图像画面。所述棋盘格图卡包括多个子棋盘格，形成多行多列，子棋盘格为棋盘格图卡中最小的单元棋盘格，每个子棋盘格的尺寸相同。
S2：测量所述步骤S1中图像画面各个边的长度，例如用计算机识别图10中标出的点作为输入数据。
S3：将所述步骤S2中各条边的长度代入至预设算法中进行计算，得到所述图像画面的梯形畸变数值Kedges；。
在所述步骤S3中，所述预设算法优选为
Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，max(Eupper，Elower)指上边缘和下边缘中较长的边缘，max(Eleft，Eright)指左边缘和右边缘中较长的边。计算出的最大值不会超过100％。
为了简要阐明算法公式(1)，使用棋盘格图卡的直角梯形图形，直角梯形可以更方便阐述长短边，如图10有明显的梯形畸变，根据图10，
梯形畸变
所述预设算法还可以包括：
此算法的缺点在于，当上边缘Eupper和左边缘Eleft长度无限趋近0的时候K＝200％。
其中，min(Eupper，Elower)指上边缘和下边缘中较短的边缘；min(Eleft，Eright)指左边缘和右边缘中较短的边缘。此算法的缺点在于，当上边缘Eupper和左边缘Eleft长度无限趋近0的时候K为无穷大。
此算法缺点在于，当上边缘Eupper和左边缘Eleft长度无限趋近0的时候K＝200％。
此算法缺点在于，当上边缘Eupper和左边缘Eleft长度无限趋近0的时候K为无穷大。
综上所述，最优的预设算法为公式(1)中所述的算法。
公知的是，棋盘格图卡包括多个黑白相间的子棋盘格，由此形成多行多列的阵列角点。在所述步骤S2中，在根据所获取的图像画面，获取图像画面各个边的长度，获取100％视场下的畸变，则需要基于所获取的图像画面，确定所述棋盘格图卡最外围行和列上四个角点的坐标信息，所述四个角点为所述棋盘格图卡四个角落的角点，如图10中的A、B、E、F四个角点。然而，由于边沿对比度的原因，根据获取的棋盘格图卡的图像画面，并不能直接分析得到上述四个角点的坐标信息。因此，需通过其他方法去拟合出该四个角点的坐标信息，由此得到100％视场下的梯形畸变。具体方法如图11所示：
步骤S2.1：基于所述获取的图像画面，获取所述棋盘格上可识别的各个角点的坐标信息。
在本步骤中，获取图像画面中棋盘格上可识别的各个角点的坐标信息时，除了最外围行和列上的角点坐标因和背景色无法准确区分无法确定坐标信息之外，中间行列上的任一角点坐标，可以直接进行识别。即，除第1行、第1列、第n行、第m列上的角点坐标无法识别外，其余行、列上角点的坐标均可识别。也即是说，对于一个n行m列的棋盘格，除第1行、第1列、第n行、第m列上的角点坐标无法识别以外，其余行列的角点坐标均可识别。其中，n为所述棋盘格图卡的行数；m为所述棋盘格图卡的列数。
步骤S2.2：基于所述棋盘格可识别的各个角点的坐标信息，获取所述子棋盘格的边长信息。
本步骤具体操作时，实现步骤包括：
从所述可识别的各个角点中选定一个角点作为所述目标角点；在选择目标角点时，可以选任意一个可识别的角点作为目标角点。例如，在一种实施例中，所述棋盘格图卡中的第二行第二列的角点作为目标角点，或者将所述棋盘格图卡中的第n-1行第m-1列的角点作为目标角点。
获取所述目标角点的第一坐标信息；以及再另行获取所述目标角点所在行上至少一个角点的第二坐标信息和所在列上至少一个角点的第三坐标信息，目的是可以根据第二坐标信息、第三坐标信息与第一坐标信息的相对位置关系(例如根据各个角点的编号信息和坐标信息)，确定出子棋盘格的边长信息。
最后，根据所述目标角点的第一坐标信息与所述第二坐标信息及第三坐标信息之间的相对位置关系，确定出所述子棋盘格的边长。
根据目标角点的第一坐标信息与第二坐标信息及第三坐标信息之间的相对位置关系，确定出子棋盘格的长和宽。举例来说，三个角点的坐标分别为(a，b)、(c，b)、(a，d)，则子棋盘格的第一边长信息m＝(c-a)/K1，子棋盘格的第二边长信息n＝(d-b)/K2。其中，K1、K2用于标识三个角点之间的相对位置关系或编号信息。m和n的值可能相同，也可能不同，子棋盘格的形状是正方形时m和n的值相同，子棋盘格的形状是长方形时m和n的值不相同。
步骤S2.3：根据子棋盘格的边长信息和所述棋盘格上可识别的各个角点的坐标信息，得到所述棋盘格图卡中最外围子行和列上四个角点的坐标信息。
在得到子棋盘格的边长信息之后，为得到棋盘格图卡中最外围子棋盘格上四个角点的坐标信息，还需要另行获得棋盘格图卡中最外围子棋盘格上与该四个角点相关联的角点的坐标信息。其中，与该四个角点相关联的角点的坐标信息可以是：与该四个角点属于同一行、同一列或对角线上的角点的坐标信息。可以理解的是，与该四个角点相关联的角点的坐标信息可以包括前文所描述的可识别的角点的坐标信息，或者可以由前文所描述的可识别的角点的坐标信息计算得出。
本发明还提供一种测量装置，如图12所示，包括：至少一个处理器11(图12中仅示出一个)、存储器12以及存储在所述存储器12中并可在所述至少一个处理器11上运行的计算机程序13，所述处理器11执行所述计算机程序13时实现上述任意各个虚像距离测量方法实施例中的步骤。
在应用中，测量装置可以是桌上型计算机、工控机、超级移动个人计算机、笔记本电脑、掌上电脑、平板电脑、手机、个人数字助理、云端服务器等。测量装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图12仅仅是测量装置的举例，并不构成对测量装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
综上所述，本发明通过测量图像画面各个边的长度，将各边长度代入至预设算法中进行计算，得到图像画面的梯形畸变数值，该算法简单易行，且很容易用计算机辅助识别、计算，实现对梯形畸变的快速测量、评定，在此基础上，虚拟现实设备的成像质量有可对比的参数，会很大程度上提高光学系统的研发生产效率，增加终端用户的舒适度。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种虚拟显示设备的畸变测量方法，其特征在于，用于测量虚拟显示设备的梯形畸变，所述方法包括：
S1：获取虚拟显示设备的图像画面；所述图像画面存在梯形畸变；
S2：获取所述步骤S1中图像画面各个边的长度；
S3：将所述步骤S2中各条边的长度代入至预设算法中进行计算，得到所述图像画面的梯形畸变数值Kedges；
所述预设算法为：
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，max(Eupper，Elower)指上边缘和下边缘中较长的边，max(Eleft，Eright)指左边缘和右边缘中较长的边；
或者，
所述预设算法为：
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，max(Eupper，Elower)指上边缘和下边缘中较长的边，max(Eleft，Eright)指左边缘和右边缘中较长的边；
或者，
所述预设算法为：
或
或
其中Kedges为梯形畸变数值，Eupper、Elower、Eleft、Eright分别是图像画面的上边缘、下边缘、左边缘、右边缘的长度，min(Eupper，Elower)指上边缘和下边缘中较短的边；min(Eleft，Eright)指左边缘和右边缘中较短的边。
2.根据权利要求1所述的虚拟显示设备的畸变测量方法，其特征在于，所述获取的图像画面为能识别出边角的画面，其为纯色画面或非纯色画面。
3.根据权利要求2所述的虚拟显示设备的畸变测量方法，其特征在于，所述图像画面包括棋盘格图卡的图像画面。
4.根据权利要求3所述的虚拟显示设备的畸变测量方法，其特征在于，所述棋盘格图卡包括多个子棋盘格，形成多行多列；在所述步骤S2中，获取图像画面各个边的长度，包括：
基于所获取的图像画面，确定所述棋盘格图卡最外围行和列上四个角点的坐标信息；所述四个角点为所述棋盘格图卡四个角落的角点。
5.根据权利要求4所述的虚拟显示设备的畸变测量方法，其特征在于，基于所获取的图像画面，确定所述棋盘格图卡最外围行和列上四个角点的坐标信息，包括：
基于所述获取的图像画面，获取所述棋盘格上可识别的各个角点的坐标信息；
基于所述棋盘格可识别的各个角点的坐标信息，获取所述子棋盘格的边长信息；
根据子棋盘格的边长信息和所述棋盘格上可识别的各个角点的坐标信息，得到所述棋盘格图卡中最外围行和列上四个角点的坐标信息。
6.根据权利要求5所述的虚拟显示设备的畸变测量方法，其特征在于，所述基于所述棋盘格上可识别的各个角点的坐标信息，获取所述子棋盘格的边长信息，包括：
从所述可识别的各个角点中选定一个角点作为目标角点；
获取所述目标角点的第一坐标信息，以及再另行获取所述目标角点所在行上至少一个角点的第二坐标信息和所在列上至少一个角点的第三坐标信息；
根据所述目标角点的第一坐标信息与所述第二坐标信息及第三坐标信息之间的相对位置关系，确定出所述子棋盘格的边长。
7.一种测量装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的虚拟显示设备的畸变测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010630598.8A CN111768395B (zh) | 2020-07-03 | 2020-07-03 | 一种虚拟显示设备的畸变测量方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010630598.8A CN111768395B (zh) | 2020-07-03 | 2020-07-03 | 一种虚拟显示设备的畸变测量方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111768395A CN111768395A (zh) | 2020-10-13 |
| CN111768395B true CN111768395B (zh) | 2024-04-16 |
Family
ID=72723649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010630598.8A Active CN111768395B (zh) | 2020-07-03 | 2020-07-03 | 一种虚拟显示设备的畸变测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111768395B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106101675A (zh) * | 2016-07-20 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于投影电视的自动梯形校正方法及系统 |
| CN106954053A (zh) * | 2017-03-22 | 2017-07-14 | 成都市极米科技有限公司 | 一种梯形校正方法及系统 |
| CN107105210A (zh) * | 2017-05-25 | 2017-08-29 | 歌尔股份有限公司 | 投影校正方法及装置 |
| CN108734743A (zh) * | 2018-04-13 | 2018-11-02 | 深圳市商汤科技有限公司 | 用于标定摄像装置的方法、装置、介质及电子设备 |
| CN109887038A (zh) * | 2019-01-23 | 2019-06-14 | 上海理工大学 | 一种用于在线检测的机器视觉图像校正方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6120611B2 (ja) * | 2013-02-27 | 2017-04-26 | 日立マクセル株式会社 | ビーム走査型表示装置 |
| JP6205777B2 (ja) * | 2013-03-22 | 2017-10-04 | カシオ計算機株式会社 | 投影装置、投影方法、及び投影のためのプログラム |
-
2020
- 2020-07-03 CN CN202010630598.8A patent/CN111768395B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106101675A (zh) * | 2016-07-20 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于投影电视的自动梯形校正方法及系统 |
| CN106954053A (zh) * | 2017-03-22 | 2017-07-14 | 成都市极米科技有限公司 | 一种梯形校正方法及系统 |
| CN107105210A (zh) * | 2017-05-25 | 2017-08-29 | 歌尔股份有限公司 | 投影校正方法及装置 |
| CN108734743A (zh) * | 2018-04-13 | 2018-11-02 | 深圳市商汤科技有限公司 | 用于标定摄像装置的方法、装置、介质及电子设备 |
| CN109887038A (zh) * | 2019-01-23 | 2019-06-14 | 上海理工大学 | 一种用于在线检测的机器视觉图像校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111768395A (zh) | 2020-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108074237B (zh) | 图像清晰度检测方法、装置、存储介质及电子设备 | |
| US20120257822A1 (en) | Image processing apparatus, image processing method, and computer readable medium | |
| US8752967B2 (en) | Projection system and image processing method thereof | |
| CN113344986A (zh) | 点云配准结果的评估方法、装置、设备及存储介质 | |
| JP4881199B2 (ja) | 画像評価装置および方法並びにプログラム | |
| US9269004B2 (en) | Information processing terminal, information processing method, and program | |
| WO2019001164A1 (zh) | 滤光片同心度测量方法及终端设备 | |
| CN111768396B (zh) | 虚拟显示设备的畸变测量方法及装置 | |
| CN111768395B (zh) | 一种虚拟显示设备的畸变测量方法及装置 | |
| CN113989831A (zh) | 近视防控方法、装置、终端设备及存储介质 | |
| TWI737049B (zh) | 投影校正系統與其投影校正方法 | |
| CN110415196B (zh) | 图像校正方法、装置、电子设备及可读存储介质 | |
| WO2024055531A1 (zh) | 照度计数值识别方法、电子设备及存储介质 | |
| JP5955003B2 (ja) | 画像処理装置および画像処理方法、プログラム | |
| JP4548228B2 (ja) | 画像データ作成方法 | |
| JP2010177832A (ja) | 画像処理装置及び画像処理方法 | |
| US20220179485A1 (en) | Gaze point estimation method, device, and electronic device | |
| CN111551346B (zh) | 一种视场角的测量方法、设备、系统及计算机存储介质 | |
| CN113128499B (zh) | 视觉成像设备的震动测试方法、计算机设备及存储介质 | |
| CN111521127B (zh) | 测量方法、测量装置以及记录介质 | |
| JP2018179786A (ja) | 撮像装置および検査システム | |
| CN116579907B (zh) | 晶圆图像获取方法、装置、设备及可读存储介质 | |
| CN115222631B (zh) | 畸变图像校正方法、装置、设备及可读存储介质 | |
| TW201939946A (zh) | 顯示器檢測方法與系統 | |
| JP6238677B2 (ja) | 画像処理装置、撮像装置、画像処理方法及び画像処理プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |