vault backup: 2024-02-17 23:11:19
This commit is contained in:
@@ -1,5 +0,0 @@
|
||||
## 自架stable diffusion
|
||||
- [筆記：自架AI Server用自己的電腦算圖｜方格子 vocus](https://vocus.cc/article/63ce7e0dfd89780001e1708f)
|
||||
- [AI繪圖系列 | Stable Diffusion教學 | 打造自己夢想的正妹 - 打寶夥伴](https://1p2pstart.tw/%E7%A7%91%E6%8A%80%E6%87%89%E7%94%A8/ai%E7%B9%AA%E5%9C%96%E7%B3%BB%E5%88%97-stable-diffusion-%E6%89%93%E9%80%A0%E8%87%AA%E5%B7%B1%E5%A4%A2%E6%83%B3%E7%9A%84%E6%AD%A3%E5%A6%B9/)
|
||||
- [如何在 M1 Macbook 上跑 Stable Diffusion？ - 叩頂窩客 | M2 | Apple Silicon](https://koding.work/how-to-run-stable-diffusion-on-m1-macbook/)
|
||||
- [最詳細的 Stable diffusion WebUI 操作教學 - txt2img - 叩頂窩客](https://koding.work/stable-diffusion-webui-tutorial-txt2img/)
|
||||
@@ -1,31 +0,0 @@
|
||||
An example that use [[categorical_crossentropy]] and softmax
|
||||
|
||||
```python
|
||||
dropRatio = 0.1
|
||||
|
||||
model = Sequential()
|
||||
model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(self.DATA_LEN, 1)))
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(MaxPooling1D(pool_size=2))
|
||||
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(MaxPooling1D(pool_size=2))
|
||||
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(MaxPooling1D(pool_size=2))
|
||||
model.add(Conv1D(filters=128, kernel_size=3, activation='relu'))
|
||||
model.add(MaxPooling1D(pool_size=2))
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(Conv1D(filters=256, kernel_size=3, activation='relu'))
|
||||
model.add(MaxPooling1D(pool_size=2))
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(Flatten())
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(Dense(units=128, activation='relu'))
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(Dense(units=64, activation='relu'))
|
||||
model.add(Dropout(dropRatio))
|
||||
model.add(Dense(units=32, activation='relu'))
|
||||
model.add(Dense(units=len(self.DEVICE_LABEL), activation='softmax'))
|
||||
model.compile(loss='categorical_crossentropy', optimizer=Adam(learning_rate=0.01), metrics=['accuracy'])
|
||||
```
|
||||
@@ -1,33 +0,0 @@
|
||||
|
||||
# 基礎銳化
|
||||
|
||||
|
||||
# 風格銳化
|
||||
## 方法
|
||||
### 清晰度
|
||||
有四種方法：
|
||||
1. 自然
|
||||
2. 衝擊力
|
||||
3. 中性
|
||||
4. 經典
|
||||
|
||||
#### 自然
|
||||
用於溫和的局部對比，可以避免使用清晰度之後的顏色失真。
|
||||
|
||||
#### 衝擊力
|
||||
比[自然]有更高的對比度。調整數值過高會導致高光裁切。適合風景。
|
||||
|
||||
#### 中性
|
||||
與衝擊力相同，但不會增加飽和度。更適合用於中度的局部的對比度。
|
||||
|
||||
#### 經典
|
||||
最溫和的局部對比度，不會增加飽和度。更好的保留高光細節。
|
||||
|
||||
## 清晰度
|
||||
可以調整較大範圍的對比度。
|
||||
|
||||
## 結構
|
||||
可以調整較小範圍的對比度。如紡織品、樹葉這些細節較多的表面。還可以減輕鏡頭衍射導致的模糊。
|
||||
|
||||
# 輸出銳化
|
||||
要考慮輸出的媒介，是螢幕還是紙張。近距離觀看的，銳化數值可以較小，相對的，銳化數值就要調高。
|
||||
@@ -1,8 +0,0 @@
|
||||
## YUV444
|
||||
|
||||
|
||||
## YUV422
|
||||
|
||||
|
||||
## YUV 420
|
||||
|
||||
@@ -1,38 +0,0 @@
|
||||
## 什麼是 HEIF / HEIC？
|
||||
HEIF 是儲存照片的格式，全名是「High Efficiency Image File」(高效影像檔)，是 HEVC/H.265 (High Efficiency Video Coding，高效影片編碼) 的硬照版本；而 HEIC (High Efficiency Image Container，高效影像容器) 則是蘋果用來形容 HEIF 格式檔的副檔名。 無可否認，「容器格式」(Container Format) 比起「格式」二字更能表達 HEIF 的能耐。
|
||||
|
||||
## HEIF 較小較佳
|
||||
HEIF 檔案的大小約是 JPEG 檔案的一半，意味大家可以相同儲存空間放置多一倍的照片，也可縮短從網絡上傳或下載照片的時間，這是 HEIF 帶給我們最大的好處之一。 別以為較小的檔案會導致較差的畫質，相反，HEIF 的影像質素比 JPEG 還要好。單是這兩個好處就值得推翻「統治」硬照超過 25 年的 JPEG。
|
||||
|
||||
何解 HEIF 可以較小的儲存空間來記錄更多畫面細節呢？不要忘記 JPEG 是 1992 年的產物。經過二十多年科技的進步，不論是電腦硬件還是影像壓縮演算法，都獲得了空前成功和突破。 當年也有很多出色的影像壓縮演算法，礙於算式過於複雜，未能瞬間完成壓縮，無法應用於日常生活中。現今中央處理的速度已是當時的 100 倍以上，容許我們使用更繁複的演算法。
|
||||
|
||||
蘋果甚至在最新產品的硬件上，直接加入對 HEVC 及 HEIF 的支援，大大加快了影像編硬及解硬的過程，同時減少了圖像處理器的負擔，繼而減少電池的消耗。
|
||||
|
||||
## 一個檔案多張照片
|
||||
|
||||
一個 JPEG 檔只可存放一張照片，這是眾所周知的事實；但 HEIF 容許大家把多張照片存放於單一檔案內，像個照片容器。
|
||||
|
||||
把一系列相片放於單一檔案有什麼好處？許多手機都可拍攝 Live Photos 動態照片，即一序列數秒連續的照片。
|
||||
如果把連續的照片放於單一的檔案，既能使文件夾變得整齊，也有助提升播放效率；否則，2 張 Live Photos 會演變成數十個 JPEG 檔；重播時，又要花時間尋找相關的照片。
|
||||
|
||||
## GIF 殺手
|
||||
|
||||
HEIF 能容納多張相片，已經有了 GIF 的最大優點。再者，HEIF 像 GIF 一樣，支援透明背景，但 HEIF 的「通道位元深度」(Channel bit depth) 是 16 bits，即 48 bits 的「像素位元深度」(Pixel bit depth)， 遠大於 pixel bit depth 只有 8 bits 的 GIF 和 pixel bit depth只有 24 bits 的 JPEG。而相機的 channel bit depth 都只有 10 或 12 bits，HEIF 不會像 JPEG 那樣浪費相機的 bit depth，可完整地保留顏色的層次。
|
||||
|
||||
如未清楚「通道位元深度」(Channel bit depth) 和「像素位元深度」(Pixel bit depth) 的分別，可參閱《[【攝影名詞】什麼是 Bit Depth (位元深度)？Bits per Channel 和 Bits per Pixel 又有何分別？](https://www.imagejoy.com/article/655)》一文。
|
||||
|
||||
由此可見，HEIF 不單是 JPEG 的終結者，還是個 GIF 殺手呢！
|
||||
|
||||
## 無損旋轉及裁砌
|
||||
|
||||
旋轉及裁砌相信是大家用得最多的相片編輯功能，而旋轉有可能對照片造成破壞，而裁砌肯定會對相片造成破壞。除非另存新檔，否則編輯後的照片是不可還原。 然而，HEIF 天生已容許用家對照片進行無損的旋轉及裁砌，大家可把旋轉及裁砌後的照片完整無缺地還原。
|
||||
|
||||
|
||||
## HEIF 的兼容性
|
||||
|
||||
目前為此，iOS 是 HEIF 格式的最大的推行者。在 HEIF 未完全普及前，如把 HEIF 照片傳送到非 iOS 裝置或分享至不支援 HEIF 格式的 APP，iOS 會把 HEIF 相片無聲無色地轉換成 JPEG 照片。
|
||||
|
||||
照片編輯方面，Photoshp 和 Lightroom 已支援 HEIF / HEIC。 相信不久將來，大家都會把檔案輸出成 HEIF / HEIC (視乎其他廠商怎樣命名 HEIF 照片的副檔名)，而非 JPEG。
|
||||
|
||||
## 參考
|
||||
- [【攝影名詞】什麼是 HEIF/HEIC 照片格式？蘋果助攻的 JPEG 終結者 - 攝影入門教學 | ImageJoy](https://www.imagejoy.com/article/658)
|
||||
121
05. 資料收集/Programming/numpy axis 運算.md
Normal file
121
05. 資料收集/Programming/numpy axis 運算.md
Normal file
@@ -0,0 +1,121 @@
|
||||
numpy有很多運算都可以指定axis，例如`x.sum(axis=0)`或是`x.max(axis=0)`之類。
|
||||
axis在2軸（像是 `[[1, 2], [3, 4]]`） 可以理解成x方向或是y方向。但是在更多軸的情況下就很難這樣理解了。
|
||||
|
||||
我的理解方式是把axis當作「第幾層」。例如`x.sum(axis=0)`就是把「第0層」之下的東西都加起來，例如說有一個array `a`長這樣：
|
||||
```python
|
||||
array([[[1. , 2. , 3. ],
|
||||
[4. , 5. , 6. ],
|
||||
[7. , 8. , 9. ]],
|
||||
|
||||
[[0.1, 0.2, 0.3],
|
||||
[0.4, 0.5, 0.6],
|
||||
[0.7, 0.8, 0.9]]])
|
||||
```
|
||||
|
||||
## axis=0
|
||||
那麼`np.sum(a, axis=0)`就是把「第0層」之下的東西都加起來，`a`的shape是(2, 3, 3)，所以第0層之下就是**有2個3x3的array**，也就是
|
||||
```python
|
||||
[[1. , 2. , 3. ],
|
||||
[4. , 5. , 6. ],
|
||||
[7. , 8. , 9. ]]
|
||||
```
|
||||
與
|
||||
```python
|
||||
[[0.1, 0.2, 0.3],
|
||||
[0.4, 0.5, 0.6],
|
||||
[0.7, 0.8, 0.9]]
|
||||
```
|
||||
要加起來也就是：
|
||||
```python
|
||||
np.array([[1. , 2. , 3. ],
|
||||
[4. , 5. , 6. ],
|
||||
[7. , 8. , 9. ]]) +
|
||||
np.array([[0.1, 0.2, 0.3],
|
||||
[0.4, 0.5, 0.6],
|
||||
[0.7, 0.8, 0.9]])
|
||||
```
|
||||
答案跟`np.sum(a, axis=0)`是一樣的。
|
||||
|
||||
## axis=1
|
||||
那麼`np.sum(a, axis=1)`呢？也就是把「第1層」之下的東西都加起來，`a`的shape是(2, 3, 3)，所以「第1層」有2個，分別是
|
||||
```python
|
||||
[[1. , 2. , 3. ],
|
||||
[4. , 5. , 6. ],
|
||||
[7. , 8. , 9. ]]
|
||||
```
|
||||
與
|
||||
```python
|
||||
[[0.1, 0.2, 0.3],
|
||||
[0.4, 0.5, 0.6],
|
||||
[0.7, 0.8, 0.9]]
|
||||
```
|
||||
這2個各自會產生各自的結果，先看第一個。我們要把「第1層」之下的東西都加起來，「第1層」之下的東西就是：
|
||||
```python
|
||||
[1. , 2. , 3. ],
|
||||
[4. , 5. , 6. ],
|
||||
[7. , 8. , 9. ]
|
||||
```
|
||||
我要把他們加起來，也就是`[1. , 2. , 3. ] + [4. , 5. , 6. ] + [7. , 8. , 9. ] = [12., 15., 18.]`
|
||||
|
||||
再看第二個，我們要把「第1層」之下的東西都加起來，「第1層」之下的東西就是：
|
||||
```python
|
||||
[0.1, 0.2, 0.3],
|
||||
[0.4, 0.5, 0.6],
|
||||
[0.7, 0.8, 0.9]
|
||||
```
|
||||
我要把他們加起來，也就是`[0.1, 0.2, 0.3] + [0.4, 0.5, 0.6] + [0.7, 0.8, 0.9] = [1.2, 1.5, 1.8]`
|
||||
|
||||
所以`np.sum(a, axis=1)`的答案就是：
|
||||
```python
|
||||
[[12., 15., 18.],
|
||||
[1.2, 1.5, 1.8]]
|
||||
```
|
||||
|
||||
## axis=2
|
||||
那麼`np.sum(a, axis=2)`呢？也就是把「第2層」之下的東西都加起來，`a`的shape是(2, 3, 3)，所以「第1層」有2個，分別是
|
||||
```python
|
||||
[[1. , 2. , 3. ],
|
||||
[4. , 5. , 6. ],
|
||||
[7. , 8. , 9. ]]
|
||||
```
|
||||
與
|
||||
```python
|
||||
[[0.1, 0.2, 0.3],
|
||||
[0.4, 0.5, 0.6],
|
||||
[0.7, 0.8, 0.9]]
|
||||
```
|
||||
而這2個第1層又各自有3個的第2層，分別是：
|
||||
```python
|
||||
[##第0層
|
||||
[##第1層-0
|
||||
[1. , 2. , 3. ] ##第2層-0 <-- 裡面要加起來
|
||||
[4. , 5. , 6. ] ##第2層-1 <-- 裡面要加起來
|
||||
[7. , 8. , 9. ] ##第2層-2 <-- 裡面要加起來
|
||||
],
|
||||
[##第1層-1
|
||||
[0.1, 0.2, 0.3] ##第2層-0 <-- 裡面要加起來
|
||||
[0.4, 0.5, 0.6] ##第2層-1 <-- 裡面要加起來
|
||||
[0.7, 0.8, 0.9] ##第2層-2 <-- 裡面要加起來
|
||||
]
|
||||
]
|
||||
```
|
||||
總共有6個，加起來之後就變成：
|
||||
```python
|
||||
[
|
||||
[
|
||||
[1. , 2. , 3. ] # 1+2+3 = 6
|
||||
[4. , 5. , 6. ] # = 15
|
||||
[7. , 8. , 9. ] # = 24
|
||||
],
|
||||
[
|
||||
[0.1, 0.2, 0.3] # 0.1+0.2+0.3 = 0.6
|
||||
[0.4, 0.5, 0.6] # = 1.5
|
||||
[0.7, 0.8, 0.9] # = 2.4
|
||||
]
|
||||
]
|
||||
```
|
||||
所以`np.sum(a, axis=2)`的答案就是：
|
||||
```python
|
||||
[[ 6. , 15., 24. ],
|
||||
[ 0.6, 1.5, 2.4]]
|
||||
```
|
||||
@@ -1,27 +0,0 @@
|
||||
---
|
||||
tags: 運動傷害, 仰臥起坐, 骨盆前傾
|
||||
aliases:
|
||||
date: 2023-04-18
|
||||
time: 11:12:34
|
||||
description:
|
||||
---
|
||||
|
||||
## 缺點
|
||||
會讓髖屈肌（hip flexors）收縮，造成骨盆前傾。
|
||||
|
||||
````col
|
||||
```col-md
|
||||
![[Pasted image 20230418111423.png]]
|
||||
```
|
||||
|
||||
```col-md
|
||||
![[Pasted image 20230418111512.png]]
|
||||
```
|
||||
|
||||
```col-md
|
||||
![[Pasted image 20230418111538.png]]
|
||||
```
|
||||
````
|
||||
|
||||
## 參考來源
|
||||
- [Train Like One Punch Man (Does It Really Work?) - YouTube](https://www.youtube.com/watch?v=Ga6Vr3Ec2Mc)
|
||||
@@ -1,4 +0,0 @@
|
||||
感光元件上的光電二極管分割成四份，同時能針對垂直與水平方向偵測，也因此在對焦精細度與速度都大幅提昇。
|
||||
![[十字型四像素自動對焦.jpg]]
|
||||
來源：[捕捉生命美好時刻，呼應攝影師的旗艦機身：om-system-om-1](https://www.yuanyu.tw/camera/blog/2022/03/23/%E6%8D%95%E6%8D%89%E7%94%9F%E5%91%BD%E7%BE%8E%E5%A5%BD%E6%99%82%E5%88%BB%EF%BC%8C%E5%91%BC%E6%87%89%E6%94%9D%E5%BD%B1%E5%B8%AB%E7%9A%84%E6%97%97%E8%89%A6%E6%A9%9F%E8%BA%AB%EF%BC%9Aom-system-om-1/)
|
||||
|
||||
@@ -1,19 +0,0 @@
|
||||
- 五十嵐真貴
|
||||
- 五十嵐清心
|
||||
- 麻古大苑子
|
||||
- 大佑池久
|
||||
- 林島西郎
|
||||
- 代志大条
|
||||
- 粉穗幸谷哲
|
||||
- 梅山筱鹿雍
|
||||
- 梅川內庫
|
||||
- 苗栗小五郎
|
||||
- 森上梅友前
|
||||
- 森上梅代前
|
||||
- 綾北舞吉
|
||||
- 田中賀雅郎
|
||||
- 箱郎津桃
|
||||
- 甲賀稻相報
|
||||
- 里西太戈郎
|
||||
- 久住歹丸郎
|
||||
-
|
||||
@@ -1,14 +0,0 @@
|
||||
- 初聞不知曲中意，再聽已是曲中人。
|
||||
- 讀書，就是要先將厚書讀薄，再將薄書讀厚。
|
||||
- 種一棵樹最好的時候，一個是過去，一個是現在 - dead aid by Dambisa Moyo [^1] ^901833
|
||||
- ![[20201224 - 寫作是最好的自我投資#^d7f87c|葉勝陶先生：「語言是有聲無形的文章，文章是有形無聲的語言。」]]
|
||||
- ![[20201224 - 寫作是最好的自我投資#^fad99d|蘇格拉底：「未經審查的人生沒有價值。」]]
|
||||
- ![[20201224 - 寫作是最好的自我投資#^fd93cf|「專業，二十一世紀你唯一的生存之道。」 - 大前研一]]
|
||||
- ![[20201224 - 寫作是最好的自我投資#^a00bcf|「任何一個好產品都是聰明人用笨功夫做出來的」 - 咪蒙]]
|
||||
- ![[20201224 - 寫作是最好的自我投資#^7e896d|「天才的唯一秘密，就在於刻意練習，用自己一套系統性的方法，不斷突破自己的邊界」 - 刻意練習，安德斯．艾瑞克森]]
|
||||
- ![[20230206 - 卡片盒筆記#^f3d5d9|康德：「不成熟，是指若無他人的教導就不會運用自己的理解力...]]
|
||||
- ![[20230206 - 卡片盒筆記#^1b06a6|我們並不是無法從經驗中學習，而是要再經驗發生之後快速獲得反饋（而且頻率密集），才能從自身的經驗中學到東西。]]
|
||||
- ![[20230801 - 蘇格拉底哲學特快車#^8f104c]]
|
||||
|
||||
|
||||
[^1]: [“種一棵樹最好的時間是十年前，其次是現在”出自哪裡？](https://zhidao.baidu.com/question/652202353537726525.html)
|
||||
@@ -1,99 +0,0 @@
|
||||
|
||||
所謂的 「**向右曝光**」指的是，在拍照時參考色階表、直方圖，讓整個色階往右邊靠攏一些，也就是照片「拍亮一點」，這就是向右曝光。
|
||||
|
||||
|
||||
###### 圖01
|
||||
|
||||
我們以這張野柳女王頭為例，所謂的「**向右曝光**」，是透光快門、光圈、感光度三者的組合出不同的亮度，讓色階表、直方圖「朝著右邊靠攏」，比如上圖 01，我分別使用了 F7.1，ISO 100，快門自 1/160，逐漸加快一倍 1/320、1/640、1/1250，拍出這四張照片。
|
||||
|
||||
|
||||
###### 圖02
|
||||
|
||||
我們可以發現，隨著快門每提昇一格，進光量也差相差一格，色階表也逐漸靠左，反之隨著快門每降一格，進光量也提昇一倍，色階表也逐漸靠右。
|
||||
|
||||
另一方面，我們也透過 LR 進行簡單的後製調整，四張照片皆將亮部、白色 -100 以獲得高光細節，而陰影的部分僅提高 +50。
|
||||
|
||||
另外再計算實際曝光量不同，給不同張照片在「曝光度」上，增加對應的 EV 值，以讓這四張照片，獲得較為一致的色階表現。
|
||||
|
||||
|
||||
|
||||
###### 圖03
|
||||
|
||||
而「向右曝光」的好處，是能獲得較佳的細節表現，所以我們就比較這四張照片逆光下女王頭紋路上的表現，看看透過 LR 調整過後細節如何。
|
||||
|
||||
|
||||
|
||||
###### 圖04
|
||||
|
||||
從上方細節照片比較，我們可以發現，逆光下透過「曝光調整」以及透過「陰影」提昇逆光下細節 – 向右曝光的照片 (也就是拍的較亮的照片)，獲得的細節最好；反之一開始拍的較暗的照片，在 LR 提昇感光度、陰影等動作，在相同的 ISO 100 下，細節表現最差。
|
||||
|
||||
這就是「向右曝光」所能獲得的好處，能獲得較好的細節表現。
|
||||
|
||||
## 觀注點的觀念
|
||||
|
||||
等一下，我們還沒講完，如果「向右曝光」這概念這麼容易就驗證了，就不會眾說紛芸，仍有些人堅持「寧可欠曝的拍，也不拍的稍亮」這種拍法，但這樣子的說法，又與我們前面的實驗又有些矛盾，於是我們要再進一步往下講一個觀點 – 觀注點的觀念
|
||||
|
||||
|
||||
|
||||
###### 圖05
|
||||
|
||||
眼尖的朋友會發現，上圖的部分，雖然已經透過 LR 處理，達到這四張照片曝光較為一致的照片，但是在「遠處太陽高光細節」部分，一開始拍的偏暗的照片，高光細節保存的比較好，但也因為高光細節保存的比較好，在逆光陰影下的細節保存的卻也是最差的。
|
||||
|
||||
重點就是在這裡 – 一開始拍偏暗的照片，高光細節保存較好，逆光陰影細節保存較差，一張照片，即使是採用 RAW 檔無壓縮來拍攝，動態範圍是無法無限的保存眼前每一吋亮部與暗部細節，你必需「有所取捨」，取你所要的，捨你無趣的。
|
||||
|
||||
> “向右曝光的精髓即是，選擇一張照片你最為觀注點，並且將它拍的稍亮一些，以保留較多的細節，以供後製上，能還原更多細節回來”
|
||||
|
||||
|
||||
|
||||
###### 圖06
|
||||
|
||||
也就是說，拍一張照片，你心裡要有二個想法，**其一**是我們無法透過一張照片「兼顧亮部與暗部細節」，**其二**就是選擇你的「觀注點」，選擇你的觀注點，並且嚐試著將觀注點「拍亮一些」，而不去管其它的部分，這才是「向右曝光」的觀念。
|
||||
|
||||
我們再看另外一個例子，將照片選擇「向右曝光」「拍亮一點」，是對照片細節比較好的選擇。
|
||||
|
||||
|
||||
|
||||
###### 圖07
|
||||
|
||||
這組照片，左邊這張刻意的拍暗，也是常聽到的「寧欠勿曝」的拍法，右邊這張則是拍的偏亮一些，我們同樣的來比較裡頭的細節差別。
|
||||
|
||||
|
||||
|
||||
###### 圖08
|
||||
|
||||
接著我們將二張照片經由 LR 調整過後，並且計算二張 EV 值的差別，將二張照片調整為曝光一致。
|
||||
|
||||
|
||||
|
||||
###### 圖09
|
||||
|
||||
放大二張照片相同地方，分別比較「亮部」與「暗部」細節。
|
||||
|
||||
|
||||
|
||||
###### 圖10
|
||||
|
||||
首先是暗部細節，發現一開始「寧欠勿曝」觀念所拍出「欠曝」的照片，經由 LR 調整後，雜訊與細節明顯的被破壞許多。
|
||||
|
||||
|
||||
|
||||
###### 圖11
|
||||
|
||||
至於亮部細節，採用「向右曝光」拍出偏亮的照片，在高光的部分也沒有因此失去細節。
|
||||
|
||||
## 向右曝光 結論
|
||||
|
||||
|
||||
|
||||
###### 圖12
|
||||
|
||||
拍一張照片，我們總是希望能盡可能的滿足「高光、低光」細節，雖然 RAW 檔能幫我們保留住許多細節，不放大看的話，其實都還算讓人滿意，一但放大看細節，多少的細節流失，全都藏在細節裡，不被我們發現。
|
||||
|
||||
如果想要保留「最多的高、低光」細節，我們有很多方法來達成，比如說使用 HDR、GNF 漸層減光鏡、黑卡等相關設備與技巧，但如果不使用這些方法，僅以一張照片為主的話，那麼你就要採取「向右曝光」的觀念，選擇一張照片中，你最想保留最好細節的「觀注點」將其拍亮一些，以便在後製過程中，能保留最佳的細節。
|
||||
|
||||
當然，一但這麼做，在硬體的限制下，即有限的動能範圍下，勢必會失去部分其它「非觀注」部份細節，「向右曝光」這觀念，則是除了曝光的組合、構圖原則下，你該進一步思考的重點。
|
||||
|
||||
----------
|
||||
|
||||
## 來源參考
|
||||
- [向右曝光 是什麼?向右曝光原則，保留更多照片細節](https://hojenjen.com/exposure-to-the-right/)
|
||||
@@ -1,6 +0,0 @@
|
||||
- 這是對個人成長阻礙最大的心態。害怕、逃避反饋的人，擔心反饋可能會傷害到自己的好形象，或許短時間內會覺得自己很優異，但是很快會在真正的表線上落後。諷刺的是，很多聰明、天賦異稟的學生，因為過去自身天賦異稟受到讚美，而不是因為自己的表現兒受到讚揚，因此多半只想完整保持住這個形象，不想讓自己接觸到新的挑戰，不想從失敗中學習。[^1]
|
||||
|
||||
|
||||
|
||||
|
||||
[^1]: 卡片盒筆記，P137。
|
||||
@@ -1,71 +0,0 @@
|
||||
# 峰值對焦如何協助拍攝
|
||||
|
||||
無論您使用 DSLR 或無反射鏡相機，了解這種對焦模式如何使影像變得清晰以確保相片品質。
|
||||
|
||||
![[Pasted image 20230426213513.png]]
|
||||
|
||||
## 什麼是峰值對焦?
|
||||
|
||||
如果您沒有在新相機上嘗試傳統的鏡頭是因為沒有自動對焦，那麼峰值對焦 (也稱為輪廓強調) 就是解決方法。峰值對焦是即時對焦模式，利用相機的「即時檢視」對焦輔助，在觀景窗中以假色覆蓋來強調輪廓對比區。這樣可以協助您在拍攝前決定影像的哪個部分在焦點內。
|
||||
|
||||
峰值對焦起初是由錄影師使用，但是得利於現代技術的進展，已不再限用於攝影機，而是廣泛見於大多數的靜止數位相機。所有較新型的無反射鏡相機都具有此功能。如果您擁有的是 [DSLR 相機](https://www.adobe.com/tw/creativecloud/photography/discover/dslr-camera.html)，這個功能的名稱可能是「即時檢視的對焦輔助」。
|
||||
|
||||
由於此效果只能在光線抵達感應器後啟動，您也可以使用較舊的手動鏡頭來進行峰值對焦。「即使您使用的是沒有此功能的不同相機，它也完全不難做到，」攝影師 Patricia Davidson 表示。
|
||||
|
||||
![[Pasted image 20230426213534.png]]
|
||||
|
||||
## 峰值對焦的運作方式
|
||||
|
||||
峰值對焦所根據的原則在於，一個影像最亮的區域會有高對比，在「即時檢視」顯示中物件的邊緣和紋理會呈現明亮的白色或彩色。一種演算法會即時分析影像，當一個物體進入對焦區時，鮮明的邊緣會在該圖片的特定區域產生密集曝光。
|
||||
|
||||
然後一個假色圖層會覆蓋在該區域。在大多數的相機中，您可以根據自己的喜好設定覆蓋顏色並變更偵測的敏感度。
|
||||
|
||||
![[Pasted image 20230426213547.png]]
|
||||
|
||||
## 峰值對焦的用途
|
||||
|
||||
峰值對焦讓攝影師能以比典型即時檢視法更快的速度，將手動鏡頭對焦。它很適合用於很難迅速評估對焦區域的場景。在光線昏暗或很難用肉眼適當對焦的情況下進行拍攝時，這個功能可以派上用場。
|
||||
|
||||
如果您不想使用自動對焦來捕捉移動緩慢的物件，如在空中移動的雲，那麼峰值對焦會是適合採用的技術。您還可以用它來為鏡頭找到適當的景深，但要注意調整，包括您的 [ISO](https://www.adobe.com/tw/creativecloud/photography/discover/iso.html)。
|
||||
|
||||
「您通常會把它設得較高或較低，」攝影師 Jason Weingart 表示。「如果您在拍攝[淺景深](https://www.adobe.com/tw/creativecloud/photography/discover/shallow-depth-of-field.html)的鏡頭，如 1.4 f-stop，那麼最好將峰值對焦的敏感度設高一點。這樣不會有太多清晰的物體，效果較好。如果你在拍景深真的很深的鏡頭，那麼可以把敏感度設得低一點，使更多東西變得清晰。」
|
||||
|
||||
**選擇手動，而非自動
|
||||
**峰值對焦讓您可以運用許多手動鏡頭，這使得手動對焦變得更加輕鬆自如。「一般在使用手動對焦時比較常使用它，自動對焦較少用，因為在手動對焦時可以在轉動對焦環時看到不同區域突顯出來。在手動對焦時使用它的好處比自動對焦時多，但是無論是哪一種對焦當然都可以使用它，」Weingart 說。
|
||||
|
||||
````col
|
||||
```col-md
|
||||
![[Pasted image 20230426213611.png]]
|
||||
```
|
||||
|
||||
```col-md
|
||||
![[Pasted image 20230426213616.png]]
|
||||
```
|
||||
````
|
||||
|
||||
## 對焦
|
||||
|
||||
在立即用數位相機測試之前，先了解峰值對焦的四個要素以使你的下一張相片精彩無比。
|
||||
|
||||
1. 峰值顏色：
|
||||
在相機的設定選單，自訂峰值以符合需要捕捉的場景。舉例來說，修改增強輪廓的顏色以便與影像形成對比，讓輪廓變得更加清晰可見。
|
||||
2. 峰值等級：
|
||||
除了顏色以外，還可變更下一張肖像照的峰值等級。一般而言，有兩到四個選項可供選擇，等級越高會產生越清晰的輪廓，而等級越低則越需判斷。
|
||||
3. 切分影像：
|
||||
如同測距器和舊裂焦螢幕，切分影像是一種「即時檢視」對焦輔助。進行切分影像時，對著影像旋轉對焦環，直到影像的不同部分對齊。
|
||||
4. 放大:
|
||||
要知道捕捉的影像是否清晰，唯一方法是在「即時檢視」模式透過光學觀景窗放大所有細節。使用峰焦對焦或切分影像並做到最好，然後放大影像以便修飾焦點位置。
|
||||
|
||||
![[Pasted image 20230426213640.png]]
|
||||
|
||||
## 峰值與谷值
|
||||
|
||||
在某些情況下，並不建議使用峰值對焦。當相機鏡頭的景深特別淺時 (1.2，全片幅) ，最好不要使用。在這些情況下，所需捕捉的場景太淺，即使最好的演算法可能也無法精確顯示出最清晰的區域。
|
||||
|
||||
**著重正確的事物
|
||||
**“「峰值對焦是相機內可用的絕佳工具，可讓你在外拍攝時盡量取得最清晰的影像，」Davidson 說。「在後製處理期間，當我用 [Adobe Photoshop Lightroom](https://www.adobe.com/tw/products/photoshop-lightroom.html) 或 Photoshop 處理影像時，這只是讓我不必擔心清晰度而已。」
|
||||
|
||||
如果在野外沒有獲得想要的結果，您可以使用 Adobe 應用程式中的 Adobe Photoshop 建立圖層並調整影像清晰度。 在 Lightroom 中匯出和編輯這些影像，然後在工作時將它們來回順暢地移至 Photoshop。峰值對焦可以替您節省一個步驟，但有了 Adobe，您總是可以在後製期間進行更多必要的調整。
|
||||
|
||||
## 來源
|
||||
- [什麼是峰值對焦?| 入門指南 | Adobe](https://www.adobe.com/tw/creativecloud/photography/discover/focus-peaking.html)
|
||||
@@ -1 +0,0 @@
|
||||
- 今天沒有時間，所以信的內容變得很長
|
||||
@@ -1,13 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
aliases:
|
||||
date: 2023-04-25
|
||||
time: 21:48:33
|
||||
description:
|
||||
---
|
||||
|
||||
積極尋求並歡迎各種反饋，不論正面還是負面，是長期獲得成功（還有快樂）的一個重要因素[^1]。
|
||||
|
||||
|
||||
|
||||
[^1]: 卡片盒筆記，P137。
|
||||
@@ -1 +0,0 @@
|
||||
我們對現在的想法與未來的想法大不相同。
|
||||
@@ -1,9 +0,0 @@
|
||||
---
|
||||
tags: 核心肌群
|
||||
aliases:
|
||||
date: 2023-04-24
|
||||
time: 09:21:28
|
||||
description:
|
||||
---
|
||||
|
||||
- [訓練核心肌群 錯誤動作超傷腰！ 復健科醫師 正確示範 橋式 死蟲式 狗鳥式 棒式 【 痠痛堡健室 】 侯鐘堡醫師 - YouTube](https://www.youtube.com/watch?v=KZ4mzxjgfmY)
|
||||
@@ -1,12 +0,0 @@
|
||||
##### 2020-11-16（一） - 披薩，謙謙
|
||||
##### 2020-11-23（一） - 汕頭火鍋，Jiachi
|
||||
##### 2020-11-30（一） - 瓦城，Awin
|
||||
##### 2020-12-07（一） - 福星，Jiachi
|
||||
##### 2020-12-13（日） - 21世紀，睿睿 ^98f39d
|
||||
##### 2020-12-21（一） - Coco，謙謙 ^a0b44c
|
||||
##### 2020-12-28（一） - 翰林茶坊，Awin
|
||||
##### 2021-01-04（一） - 一風堂（老婆、謙謙）、燒肉丼飯（Awin、睿睿） ^347d91
|
||||
##### 2021-01-14（四） - Coco，睿睿
|
||||
##### 2021-01-18（一） - 貝里尼披薩，謙謙
|
||||
##### 2021-02-22（一） - 三合院，Awin
|
||||
##### 2021-03-02（二） - Coco，Jiachi
|
||||
@@ -1,6 +0,0 @@
|
||||
|
||||
皮質醇會直接妨礙認知與判斷能力。
|
||||
壓力會引發皮質醇釋放，影響大腦的幾個區域，例如前額葉皮質區、杏仁核（amygdala）、海馬體（hippocampus）等等。
|
||||
前額葉皮質區對於抑制衝動極為關鍵。 [^1]
|
||||
|
||||
[^1]: [[20230418 - 窮人的經濟學]] p.178
|
||||
@@ -1 +0,0 @@
|
||||
- [我的個人知識管理系統 - Pin 起來！](https://pinchlime.com/blog/my-personal-knowledge-management-system-2023/)
|
||||
@@ -1,41 +0,0 @@
|
||||
### 802.11k
|
||||
|
||||
802.11k協議的功能是**Radio Resource Measurment**，簡單說就是提供找到最好的AP的信息。
|
||||
|
||||
在WLAN中，終端設備總是傾向於連接信號最好的那個AP，而在實際應用中，這種邏輯可能會造成某個AP被過度使用，而信號稍弱的AP則沒有怎麼用到，從而導致網絡的整體利用效率下降。實現802.11k協議的無線網絡中，如果信號最好的AP已經滿載，則終端設備會連接到信號稍弱的那個AP。
|
||||
|
||||
協議步驟：
|
||||
|
||||
1. AP決定要踢掉某個終端設備
|
||||
2. 通知終端設備變換到另一個AP
|
||||
3. 終端設備請求周圍AP的列表
|
||||
4. AP給出site report
|
||||
5. 終端設備根據site report連到某個AP
|
||||
|
||||
[IEEE 802.11k-2008 - Wikipedia](https://en.wikipedia.org/wiki/IEEE_802.11k-2008)
|
||||
|
||||
### 802.11v
|
||||
|
||||
802.11v是802.11協議族的**WNM（Wireless Network Management）**標準，802.11v協議允許終端設備交換網絡拓撲的信息，包括射頻環境。
|
||||
|
||||
802.11v描述了WNM的增強，包括：
|
||||
|
||||
- **Network assisted Power Savings**：**網絡輔助節能**，幫助終端設備睡眠更長時間，比如，手機等設備通過每隔一段時間跟AP通訊一次來確保跟AP沒有斷開
|
||||
- **Network assisted Roaming**：**網絡輔助漫遊**，允許WLAN發送信息給終端，來確保終端能連接更好的AP。這可以帶來兩點好處：
|
||||
|
||||
1. 負載均衡
|
||||
2. 讓信號不好的終端設備更換AP
|
||||
|
||||
[IEEE 802.11v-2011 - Wikipedia](https://en.wikipedia.org/wiki/IEEE_802.11v-2011)
|
||||
|
||||
### 802.11r
|
||||
|
||||
802.11r的功能是**快速BSS切換**（FT，**Fast Basic Service Set Transition**），也稱為**快速漫遊**（**fast roaming**），是802.11協議的補充。
|
||||
|
||||
在802.11協議中，AP的切換是由設備控制的（其邏輯是：在能連接到的信號中，挑選信號最好的那個連接，連接一直持續到信號低於一個閾值（通常非常弱）才會斷開，然後繼續反复）。
|
||||
|
||||
在802.11的初期，切換（handoff）這個操作是非常簡單的，一共只有4個握手信息需要傳遞，但是隨著發展，[802.11i](https://www.easyatm.com.tw/wiki/802.11i)，802.11X，802.11e等協議的加入，握手的信息越來越多，導致切換AP的時間越來越長。
|
||||
|
||||
802.11r通過重新簡化（越來越複雜的）安全握手協議，來實現FT。
|
||||
|
||||
[IEEE 802.11r-2008 - Wikipedia](https://en.wikipedia.org/wiki/IEEE_802.11r-2008)
|
||||
@@ -1,197 +0,0 @@
|
||||
## HDR sensor 原理介紹
|
||||
### 1. 什麼是sensor的動態範圍（dynamic range）
|
||||
sensor的動態範圍就是sensor在一幅圖像裡能夠同時體現高光和陰影部分內容的能力。
|
||||
用公式表達這種能力就是：
|
||||
|
||||
$DR = 20log\frac{i_{max}}{i_{min}}$ // DB
|
||||
|
||||
$i_{max}$是sensor的最大不飽和電流，也可以說是sensor剛剛飽和時候的電流
|
||||
$i_{min}$是sensor的底電流（blacklevel）
|
||||
|
||||
### 2. 為什麼HDR在成像領域是個大問題：
|
||||
在自然界的真實情況，有些場景的動態範圍要大於100dB。
|
||||
人眼的動態範圍可以達到100dB。
|
||||
Sensor 的動態範圍：高端的>78dB，消費級的60dB上下
|
||||
所以當sensor的動態範圍小於圖像場景動態範圍的時候就會出現HDR問題----不是暗處看不清，就是亮處看不清，有的甚至兩頭都看不清。
|
||||
|
||||
上圖暗處看不清-前景處的廣告牌和樹影太暗看不清。
|
||||
|
||||
|
||||
上圖亮處看不清--遠處背景的白雲變成了一團白色，完全看不清細節。
|
||||
|
||||
### 3. 解決HDR問題的數學分析
|
||||
|
||||
根據前邊動態範圍公式
|
||||
|
||||
$DR = 20log\frac{i_{max}}{i_{min}}$ // DB
|
||||
|
||||
所以從數學本質上說要提高DR，就是提高$i_{max}$，減小$i_{min}$
|
||||
對於10bit輸出的sensor,從數學上來說，$i_{max}=1023$，$i_{min}=1$
|
||||
動態範圍DR = 60
|
||||
對於12bit輸出的sensor，DR = 72
|
||||
所以從數學上來看，提高sensor 輸出的bit width就可以提高動態範圍，從而解決HDR問題。
|
||||
可是現實上卻沒有這麼簡單。
|
||||
提高sensor的bit width導致不僅sensor的成本提高，整個圖像處理器的帶寬都得相應提高，消耗的內存也都相應提高，這樣導致整個系統的成本會大幅提高。所以大家想出許多辦法，既能解決HDR問題，又可以不增加太多成本。
|
||||
|
||||
## HDR Imaging Digital Overlap
|
||||
|
||||
Digital Overlap是目前比較流行的sensor HDR 技術，在監控與車載相機等領域的應用非常廣泛。Sony於2012年在監控相機市場首先推出基於DOL（digital overlap）HDR技術的圖像傳感器，之後OV與Onsemi也都推出了與DOL類似的HDR技術的圖像傳感器，而且應用領域不局限於監控這種傳統HDR imaging的市場，而且擴展到了Automotive camera市場。現在Sony已經推出了第二代支持虛擬通道DOL HDR技術的sensor。
|
||||
|
||||
### 1. 什麼是時域多幀HDR技術
|
||||
|
||||
相機在時間上連續輸出由欠曝到過曝的圖像，然後做圖像融合，得到HDR圖像。
|
||||
|
||||
融合後HDR圖像
|
||||
|
||||
|
||||
比較典型的一種融合方法是根據luminance，contrast，motion等條件，對第K幀圖像的像素`[i，j]`給出權重。$W_{ij,k}$是第K幀，位置i，j像素的權重，$x_k(i,j)$是原始像素值，$x_f(i,j)$是融合後的像素值。公式如下：
|
||||
|
||||
對彩色圖像，權重的計算會考慮色彩的飽和度等因素。
|
||||
|
||||
### 2. 傳統時域多幀HDR技術存在的局限
|
||||
|
||||
由於傳統時域多幀是基於連續曝光的整幀圖像（Frame Based）進行融合，所以圖像之間的間隔時間就是一幀圖像的周期，由此會產生很多artefacts：
|
||||
|
||||
1. 場景內物體增減
|
||||
|
||||
|
||||
2. 近距離物體快速移動形成拖影
|
||||
|
||||
|
||||
3. Color artefact
|
||||
|
||||
|
||||
Frame based的多曝光HDR技術常用於still image 的capture，也有視頻HDR 採用這種技術，比如sensor以60fps的幀率交替輸出長短曝光，融合後輸出30fps的HDR圖像。
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
早期的HDR video有採用這種技術，自從DOL技術出現後，這種Frame based Video HDR技術就逐漸退出歷史舞台了。
|
||||
|
||||
### 3. 什麼是DOL HDR
|
||||
|
||||
DOL HDR 也叫做 line interleaving HDR 技術。以兩曝光 DOL 為例，sensor每行會以長短曝光兩次先後輸出，從readout角度來看，就是長曝光幀與短曝光幀line interleaving 依次輸出，如下圖，第一行L輸出，第一行S輸出，第二行L輸出，第二行S輸出，以此類推。
|
||||
|
||||
|
||||
|
||||
frame based HDR，長短曝光幀的間隔是一個幀週期，也就是必須一整幀（長）曝光結束，再開始一整幀（短）曝光，如下圖
|
||||
|
||||
|
||||
|
||||
對於DOL HDR而言，由於line interleaving（行的交織），存在兩幀的overlap，等於一幀輸出沒結束，下一幀就來了，長短曝光幀的間隔大大縮小了。
|
||||
|
||||
從下圖可見，長曝光幀與短曝光幀overlap了一部分，所以這種技術叫digital overlap。
|
||||
|
||||
|
||||
### 4. DOL 長短曝光幀的時間間隔
|
||||
|
||||
前邊說過，Frame based HDR 的長短曝光幀的間隔是一幀的時間，那麼 DOL HDR 的長短曝光幀的時間間隔是多大呢？
|
||||
|
||||
如果先輸出長曝光的話
|
||||
|
||||
|
||||
如果先輸出短曝光的話
|
||||
|
||||
|
||||
T= long exposure 的時間
|
||||
所以當然是先輸出長曝光，這樣T（時間間隔）會更小。
|
||||
|
||||
### 5. DOL 長短曝光時間比與動態範圍擴展
|
||||
|
||||
以兩曝光DOL 為例
|
||||
$\text{Exposure ratio} = \frac{\text{Long exposure time}}{\text{short exposure time}}$
|
||||
|
||||
假設Exposure ratio = 16，假設在信號沒有飽和的條件下，相當於曝光最大值增大了16倍：$2^4$。也就是動態範圍擴大了4個bit。
|
||||
以此類推，每增加一個曝光幀，如果exposure ratio =16，動態範圍就可以擴大4bit。
|
||||
按照一般HDR sensor 單曝光為12bit來算的話，4曝光就可以讓sensor輸出的動態範圍擴大到24bit（12+4+4+4)。
|
||||
exposure ratio 也不是越大越好，exposure ratio會受到三方面的製約，圖像質量，sensor設計以及isp line delay buffer。
|
||||
從圖像質量上來說，短曝光時間越短，圖像噪聲越高，長曝光越長，motion的影響越大。Exposure Ratio越大，在圖像融合後的SNR drop也越大。
|
||||
從sensor設計上來說，長短曝光之比受到讀出電路的限制，sony的DOL第二代採用虛擬通道技術一定程度改善了這個限制。
|
||||
從ISP的角度來說line delay buffer 也限制了最大曝光時間。在短曝光行出來之前，第一個長曝光行應該還在delay buffer裡，這樣才能兩者對齊好給後面的frame stitch操作。而長短曝光比越大，需要的line delay buffer就越大。
|
||||
|
||||
|
||||
|
||||
對於sensor做hdr融合case而言，line delay buffer size就是固定的，所以ISP傾向於在isp這端做HDR融合，這樣可以更靈活的設計。（Maver注：對於車載而言，帶寬是個主要關注點，所以大部分用戶不會選擇在ISP側做HDR融合）
|
||||
|
||||
### 6. DOL的局限
|
||||
|
||||
Sony在推出DOL的時候，宣傳DOL是**準同時**輸出長短曝光。既然是**準同時**，那就還不是同時，所以也會有一些典型時域多幀HDR的圖像質量問題，同時DOL也有一些特有的IQ問題。
|
||||
|
||||
1. HDR Transition Artefacts
|
||||
可以從下左圖看到composition noise造成的edge，這種edge有時候會誤導機器視覺。
|
||||
|
||||
|
||||
從DOL hdr的noise profile可以看出來，如下圖，在HDR拼接處，可以看到SNR的顯著變化，叫做snr drop，當SNR drop大的時候，就會出現明顯的edge，如上圖所示。
|
||||
|
||||
曝光比越小，SNR drop就越小, 可以想見，如果曝光比為1，也就沒有snr drop了。反之，曝光比越大，動態範圍越大，snr drop也越大，如下圖所示。
|
||||
|
||||
|
||||
2. Flicker
|
||||
交流電供電光源造成的flickering，如下圖：
|
||||
![[Pasted image 20220908123355.png]]
|
||||
|
||||
交流電供電光源造成的flickering，如下圖：
|
||||
|
||||
為了避免banding，就得讓最小曝光時間是半週期的整數倍。
|
||||
|
||||
|
||||
這樣就不會出現banding了。但是由於最小曝光時間變大了，動態範圍就損失了。所以有時候為了保證不損失動態範圍，就得容忍Flickering。這就得看應用場景了。
|
||||
類似的問題發生在PWM供電的Led光源上，尤其是交通信號燈以及汽車信號燈，如下圖所示
|
||||
|
||||
|
||||
sensor的長曝光幀能catch到led 的light pulse，但是短曝光幀就沒catch到，這樣也會造成flickering甚至信號燈圖像的丟失。
|
||||
這種flicker或者信號燈信息丟失的問題在車載成像系統上是致命的，所以車載HDR現在更傾向採用spatial based HDR技術，比如Sony採用的sub pixel技術或者OV 採用的split pixel技術。
|
||||
|
||||
## HDR imaging split/sub pixel 技術
|
||||
|
||||
我們在上一期講了時域多幀HDR技術：Digital Overlap. 現在在監控領域的WDR sensor主要採用這種技術，如下圖，利用不同的sensor曝光（藍色線所示）覆蓋不同的動態範圍，再把多曝光圖像stitching起來（紅色線所示），達到最大的動態範圍輸出。Sony的imx290，OV的ov4689都是這個類型典型sensor。
|
||||
|
||||
|
||||
|
||||
車載領域也廣泛使用Temporal domain HDR技術，但是隨著車載相機在ADAS與自動駕駛領域的迅速發展，對圖像質量有著特別的需求，導致Temporal domain HDR技術不能滿足需要。車載比較典型的兩個IQ需求是不能有motion artefact 和LED flickering。
|
||||
|
||||
缺點如下：
|
||||
1. motion artefact
|
||||
|
||||
|
||||
2. LED flickering
|
||||
|
||||
|
||||
Temporal HDR 在原理上就存在這些缺陷，所以要解決這個問題就需要使用其他的HDR體制：Spatial HDR 技術是現在車載領域的主流解決方案。
|
||||
|
||||
## Spatial HDR
|
||||
比較典型的是Sony sensor（imx390/490）採用的Subpixel技術與OV sensor（ovx1a)採用的split pixel技術，他們都屬於SpatialHDR技術範疇，其基本原理是一致的。
|
||||
|
||||
1. 大小pixel的分離結構
|
||||
與普通CFA的不同，大小pixel技術的sensor在相鄰位置有一大一小兩個pixel，他們空間上非常接近，可以認為對空間採樣相同。
|
||||
|
||||
由於pixel的大小不同，物理上的sensitivity不同，FWC也不同，會產生與時域HDR一樣的不同曝光效果，形成了對不同動態範圍的覆蓋。如下圖可以看到LPD（Large Pixel Diode）與SPD（Small Pixel Diode）是如何擴展動態範圍的。
|
||||
|
||||
|
||||
2. 大小分離pixel的電路設計
|
||||
典型的大小分離pixel的電路如下圖所示
|
||||
|
||||
SPD和LPD分別用黃色的二極管標出。CGC（conversion gain control）與TG（transfer gate）控制了photo diode 向FD充電，當$TG_S$使能時，FD接收SPD來的電荷，RS會使能讓FD的電荷轉存出來。然後當$TG_L$使能時，FD接收LPD來的電荷，RS會再一次使能讓FD的電荷轉存出來。RST負責在每一次轉存後把FD電容清空。這樣的電路結構就實現了LPD和SPD的分別讀出。這個部分的電路時鐘非常快，所以可以認為大小像素是同時曝光的。後面的讀出電路也會把大小像素同時讀出，由下圖可見，$T_{LPD}$ 與 $T_{SPD}$ 是同時的。
|
||||
|
||||
|
||||
3. 大小像素HDR與時域HDR在motion artefact上的比較
|
||||
由下圖可以看出基於大小像素的HDR與時域HDR在拍攝運動物體上的mot ion artefact比較。
|
||||
左圖是基於大小像素的圖像，完全沒有motion artefact，右圖是時域HDR，可以看到明顯的motion artefact。
|
||||
|
||||
對於這種更挑戰的場景，舞廳的旋轉光球，左圖是大小像素HDR，右圖是時域HDR，可以看到時域HDR的圖像把小的運動光點都混到了一起。
|
||||
|
||||
|
||||
4. 大小像素與Dual conversion gain的結合
|
||||
單獨靠大小像素只能形成兩個曝光的圖像，再結合之前介紹過的DCG技術，在大小pixel分別配合HCG，LCG，就可以形成4曝光。
|
||||
假設單曝光輸出12bit，曝光比是16，那總共的動態範圍可以達到24bit輸出。
|
||||
|
||||
|
||||
5. 兩種場景的切換
|
||||
如下圖，橫軸是場景的光亮度，縱軸是SNR，紅色曲線是LPD像素的SNR曲線，藍色曲線是LPD像素的SNR曲線。
|
||||
|
||||
SPD的飽和點更高，而LPD的低光SNR更高。這兩條曲線說明了大小像素這種設計可以很靈活的適配場景的變化，當場景非常亮的情況，就用大小像素融合輸出，這樣可以擴大動態範圍。
|
||||
當場景非常暗的情況，就完全切換到LPD像素，因為它的SNR更高。
|
||||
|
||||
## 來源
|
||||
- [HDR sensor 原理介紹- 吳建明wujianming - 博客園](https://www.cnblogs.com/wujianming-110117/p/12684011.html)
|
||||
@@ -1,2 +0,0 @@
|
||||
# 介紹文
|
||||
- [量子電腦：從原理、實作到應用](https://medium.com/@kelispinor/%E9%87%8F%E5%AD%90%E9%9B%BB%E8%85%A6%E6%A5%B5%E7%B0%A1%E4%BB%8B-short-introduction-to-quantum-computer-a7b159861786)
|
||||
@@ -1,4 +0,0 @@
|
||||
電池的容量是用"mAH（毫安培小時）"來表示的，例如，一塊電池標有3000mAH ，當我們用3000mA的電流（也就是3A）放電時，可以放電一個小時，則電池的放電倍率是1C，如果以6A電流放電，則可以用30分鐘，則屬於2C。
|
||||
|
||||
# 鋰離子電池多少C是什麼意思
|
||||
C：用來表示電池充放電電流大小的比率，即倍率。充放電倍率=充放電電流/額定容量，如1200mAh的電池，0.2C表示240mA（1200mAh的0.2倍率），1C表示1200mA（1200mAh的1倍率）。50C表示50 * 1200 = 6000mA。
|
||||
@@ -1,2 +0,0 @@
|
||||
|
||||
亦稱為「產能利用率」，是用來衡量機器設備使用效率的重要指標之一，簡單來說就是用機器設備可以運轉的時間（即負荷時間）與扣除掉因保養、維修、假日等的停機時間之比率，其計算公式如後：稼動率=（負荷時間-停機時間）/ 負荷時間 。
|
||||
@@ -1,25 +0,0 @@
|
||||
## Container
|
||||
### list container
|
||||
`docker ps`會列出執行中的container（但是停止的不會）
|
||||
```bash
|
||||
sudo docker ps
|
||||
```
|
||||
|
||||
如果也要列出已停止的container
|
||||
```bash
|
||||
sudo docker ps -a
|
||||
```
|
||||
|
||||
### 刪除container
|
||||
Container必須是停止狀態才可以刪除
|
||||
```bash
|
||||
sudo docker rm <CONTAINER_ID>
|
||||
```
|
||||
|
||||
## Image
|
||||
### list images
|
||||
```bash
|
||||
sudo docker image ls
|
||||
or
|
||||
sudo docker images
|
||||
```
|
||||
Reference in New Issue
Block a user