本人学生党一枚，由于大学，欲购本本一枚，性价比要高，请大神推荐。_百度知道
本人学生党一枚，由于大学，欲购本本一枚，性价比要高，请大神推荐。
由于学习网络，模拟器用的会频繁，虚拟机需要双开，三开，学习之余会玩一些企鹅的网游，听听歌，看看电影放松，价格在4000左右，求大神推荐。
大神给出具体型号，谢谢，在线等。
我有更好的答案
1 首推宏基4752 ：I5的cpu+GT630的显卡..这个算无敌的性价比了...（宏基V3系列和它相同的显卡和CPU贵个800左右），这个价格这种配置做工别指望太好，但是撑个几年绝对没问题...而且 多种颜色的拉丝外壳，非常漂亮;；2 华硕A43EI245SJ-SL 14.0 英寸笔记本电脑：（i5-0G 1G独显 USB3.0 ） 用的是GT610的坑爹显卡，性价比很一般，喜欢华硕的可以买~可以满足一般的用途，不玩游戏的话~3 戴尔Ins15R-958R ：15英寸笔记本电脑i3-0G GT525M 外观很漂亮，红色，给人感觉很活泼，配置如上，GT525的显卡介于GT610和GT620之间，性价比自然是不如宏基的，不过亮点在15英寸，散热做工也不错，不玩大游戏的人可以考虑入手。 4 另外这个价位不推荐联想的Think pad 系列，举个例子，Thinkpad E420 价格是3500，但是用的显卡却是最烂的，而且做工也没看出多好，完全没有做出TP系列该有的样子，TP的精髓在万元以上的系列，（W520）另外为什么不推荐性价比高的吓人的神舟系列呢..因为，神舟我只推荐精盾系列，而这个价位只能买到神舟优雅系列，优雅系列的做工真心实在不敢恭维。
采纳率：49%
不错！强悍 不后悔
索尼E1系列，你可以去看看，性价比很高，配置很主流。。。
神州！同样的价位，性能秒杀其他品牌啊，国产品牌，质量也很好啊。
LATITUDE系列商务笔记本。
宏基的！一些学生机大概5000不到。开学前去买，会有开学的促销。
其他5条回答
为您推荐：
其他类似问题
您可能关注的内容
性价比的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。国内有什么使用了全局快门的双目摄像头推荐？能比较稳定捕捉图像的那种。_百度知道
国内有什么使用了全局快门的双目摄像头推荐？能比较稳定捕捉图像的那种。
我有更好的答案
小觅双目摄像头小觅双目摄像头采用的是Global shutter ， 相比市面上常见的ROlling shutter，Global shutter受环境光干扰比较小，可实现两颗摄像头的所有像元同时曝光。在高速移动的拍摄场景中可以有效避免部分曝光、斜坡图形、晃动等图像畸变现象，从而提供更精准的图像源。此外，小觅双目摄像头内置六轴IMU传感器，通过高清双目摄像头，可以精准感知周围的物体和自身移动的轨迹，从而对周围环境形成三维立体的认识。视觉深度最高可达20m，视角达到150度，基本与人眼的视觉能力一致。可以帮助无人机、扫地机器人等产品，适用于更大型的室内室外场景。
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。OpenCV学习笔记（18）双目测距与三维重建的OpenCV实现问题集锦（三）立体匹配与视差计算
四、双目匹配与视差计算
立体匹配主要是通过找出每对图像间的对应关系，根据三角测量原理，得到视差图；在获得了视差信息后，根据投影模型很容易地可以得到原始图像的深度信息和三维信息。立体匹配技术被普遍认为是立体视觉中最困难也是最关键的问题，主要是以下因素的影响：
（1） 光学失真和噪声（亮度、色调、饱和度等失衡）
（2） 平滑表面的镜面反射
（3） 投影缩减（Foreshortening）
（4） 透视失真（Perspective distortions）
（5） 低纹理（Low texture）
（6） 重复纹理（Repetitive/ambiguous patterns）
（7） 透明物体
（8） 重叠和非连续
目前立体匹配算法是计算机视觉中的一个难点和热点，算法很多，但是一般的步骤是：
A、匹配代价计算
匹配代价计算是整个立体匹配算法的基础，实际是对不同视差下进行灰度相似性测量。常见的方法有灰度差的平方SD（squared intensity differences），灰度差的绝对值AD（absolute intensity differences）等。另外，在求原始匹配代价时可以设定一个上限值，来减弱叠加过程中的误匹配的影响。以AD法求匹配代价为例，可用下式进行计算，其中T为设定的阈值。
B、 匹配代价叠加
一般来说，全局算法基于原始匹配代价进行后续算法计算。而区域算法则需要通过窗口叠加来增强匹配代价的可靠性，根据原始匹配代价不同，可分为：
C、 视差获取
对于区域算法来说，在完成匹配代价的叠加以后，视差的获取就很容易了，只需在一定范围内选取叠加匹配代价最优的点（SAD和SSD取最小值，NCC取最大值）作为对应匹配点，如胜者为王算法WTA（Winner-take-all）。而全局算法则直接对原始匹配代价进行处理，一般会先给出一个能量评价函数，然后通过不同的优化算法来求得能量的最小值，同时每个点的视差值也就计算出来了。
D、视差细化（亚像素级）
大多数立体匹配算法计算出来的视差都是一些离散的特定整数值，可满足一般应用的精度要求。但在一些精度要求比较高的场合，如精确的三维重构中，就需要在初始视差获取后采用一些措施对视差进行细化，如匹配代价的曲线拟合、图像滤波、图像分割等。
有关立体匹配的介绍和常见匹配算法的比较，推荐大家看看 的讲义 ，190页的ppt，讲解得非常形象详尽。
1． opencv2.1和opencv2.0在做stereo vision方面有什么区别了？
2.1版增强了Stereo Vision方面的功能：
(1) 新增了 SGBM 立体匹配算法（源自Heiko Hirschmuller的《》），可以获得比 BM 算法物体轮廓更清晰的视差图（但低纹理区域容易出现横/斜纹路，在 GCstate-&fullDP 选项使能时可消减这种异常纹路，但对应区域视差变为0，且运行速度会有所下降），速度比 BM 稍慢， 352*288的帧处理速度大约是 5 帧/秒；
(2) 视差效果：BM & SGBM & GC；处理速度：BM & SGBM & GC ；
(3) BM 算法比2.0版性能有所提升，其状态参数新增了对左右视图感兴趣区域 ROI 的支持（roi1 和 roi2，由stereoRectify函数产生）；
(4) BM 算法和 GC 算法的核心代码改动不大，主要是面向多线程运算方面的（由 OpenMP 转向 Intel TBB）；
(5) cvFindStereoCorrespondenceBM 函数的disparity参数的数据格式新增了 CV_32F 的支持，这种格式的数据给出实际视差，而 2.0 版只支持 CV_16S，需要除以 16.0 才能得到实际的视差数值。
2． 用于立体匹配的图像可以是彩色的吗？
在OpenCV2.1中，BM和GC算法只能对8位灰度图像计算视差，SGBM算法则可以处理24位（8bits*3）彩色图像。所以在读入图像时，应该根据采用的算法来处理图像：
int color_mode = alg == STEREO_SGBM ? 1 : 0;//////////////////////////////////////////////////////////////////////////// 载入图像cvGrabFrame( lfCam );cvGrabFrame( riCam );frame1 = cvRetrieveFrame( lfCam );frame2 = cvRetrieveFrame( riCam );if(frame1.empty())resize(frame1, img1, img_size, 0, 0);resize(frame2, img2, img_size, 0, 0);// 选择彩色或灰度格式作为双目匹配的处理图像if (!color_mode && cn&1){cvtColor(img1, img1gray, CV_BGR2GRAY);cvtColor(img2, img2gray, CV_BGR2GRAY);img1p = img1img2p = img2}else{img1p = img1;img2p = img2;}
3． 怎样获取与原图像有效像素区域相同的视差图？
在OpenCV2.0及以前的版本中，所获取的视差图总是在左侧和右侧有明显的黑色区域，这些区域没有有效的视差数据。视差图有效像素区域与视差窗口（ndisp，一般取正值且能被16整除）和最小视差值（mindisp，一般取0或负值）相关，视差窗口越大，视差图左侧的黑色区域越大，最小视差值越小，视差图右侧的黑色区域越大。其原因是为了保证参考图像（一般是左视图）的像素点能在目标图像（右视图）中按照设定的视差匹配窗口匹配对应点，OpenCV 只从参考图像的第 (ndisp - 1 + mindisp) 列开始向右计算视差，第 0 列到第 (ndisp - 1 + mindisp) 列的区域视差统一设置为 (mindisp - 1) *16；视差计算到第 width + mindisp 列时停止，余下的右侧区域视差值也统一设置为 (mindisp - 1) *16。&&
00177 static const int DISPARITY_SHIFT = 4;
int ndisp = state-&numberOfD
int mindisp = state-&minD
int lofs = MAX(ndisp - 1 + mindisp, 0);
int rofs = -MIN(ndisp - 1 + mindisp, 0);
int width = left-&cols, height = left-&
int width1 = width - rofs - ndisp + 1;
short FILTERED = (short)((mindisp - 1) && DISPARITY_SHIFT);
// initialize the left and right borders of the disparity map
for( y = 0; y & y++ )
for( x = 0; x & x++ )
dptr[y*dstep + x] = FILTERED;
for( x = lofs + width1; x & x++ )
dptr[y*dstep + x] = FILTERED;
for( x = 0; x & width1; x++, dptr++ )
这样的设置很明显是不符合实际应用的需求的，它相当于把摄像头的视场范围缩窄了。因此，OpenCV2.1 做了明显的改进，不再要求左右视图和视差图的大小（size）一致，允许对视差图进行左右边界延拓，这样，虽然计算视差时还是按上面的代码思路来处理左右边界，但是视差图的边界得到延拓后，有效视差的范围就能够与对应视图完全对应。具体的实现代码范例如下：
//////////////////////////////////////////////////////////////////////////
// 对左右视图的左边进行边界延拓，以获取与原始视图相同大小的有效视差区域
copyMakeBorder(img1r, img1b, 0, 0, m_nMaxDisp, 0, IPL_BORDER_REPLICATE);
copyMakeBorder(img2r, img2b, 0, 0, m_nMaxDisp, 0, IPL_BORDER_REPLICATE);
//////////////////////////////////////////////////////////////////////////
// 计算视差
if( alg == STEREO_BM )
bm(img1b, img2b, dispb);
// 截取与原始画面对应的视差区域（舍去加宽的部分）
displf = dispb.colRange(m_nMaxDisp, img1b.cols);
else if(alg == STEREO_SGBM)
sgbm(img1b, img2b, dispb);
displf = dispb.colRange(m_nMaxDisp, img1b.cols);
4． cvFindStereoCorrespondenceBM的输出结果好像不是以像素点为单位的视差？
&：在OpenCV2.0中，BM函数得出的结果是以16位符号数的形式的存储的，出于精度需要，所有的视差在输出时都扩大了16倍(2^4)。其具体代码表示如下：
dptr[y*dstep] = (short)(((ndisp - mind - 1 + mindisp)*256 + (d != 0 ? (p-n)*128/d : 0) + 15) && 4);
可以看到，原始视差在左移8位(256)并且加上一个修正值之后又右移了4位，最终的结果就是左移4位。
因此，在实际求距离时，cvReprojectTo3D出来的X/W,Y/W,Z/W都要乘以16 (也就是W除以16)，才能得到正确的三维坐标信息。&
在OpenCV2.1中，BM算法可以用 CV_16S 或者 CV_32F 的方式输出视差数据，使用32位float格式可以得到真实的视差值，而CV_16S 格式得到的视差矩阵则需要 除以16 才能得到正确的视差。另外，OpenCV2.1另外两种立体匹配算法 SGBM 和 GC 只支持 CV_16S 格式的 disparity 矩阵。
5． 如何设置BM、SGBM和GC算法的状态参数？
（1）StereoBMState
// 预处理滤波参数
preFilterType：预处理滤波器的类型，主要是用于降低亮度失真（photometric distortions）、消除噪声和增强纹理等, 有两种可选类型：CV_STEREO_BM_NORMALIZED_RESPONSE（归一化响应） 或者 CV_STEREO_BM_XSOBEL（水平方向Sobel算子，默认类型）, 该参数为 int 型；
preFilterSize：预处理滤波器窗口大小，容许范围是[5,255]，一般应该在 5x5..21x21 之间，参数必须为奇数值, int 型
preFilterCap：预处理滤波器的截断值，预处理的输出值仅保留[-preFilterCap, preFilterCap]范围内的值，参数范围：1 - 31（文档中是31，但代码中是 63）, int
// SAD 参数
SADWindowSize：SAD窗口大小，容许范围是[5,255]，一般应该在 5x5 至 21x21 之间，参数必须是奇数，int 型
minDisparity：最小视差，默认值为 0, 可以是负值，int 型
numberOfDisparities：视差窗口，即最大视差值与最小视差值之差, 窗口大小必须是 16 的整数倍，int 型
// 后处理参数
textureThreshold：低纹理区域的判断阈值。如果当前SAD窗口内所有邻居像素点的x导数绝对值之和小于指定阈值，则该窗口对应的像素点的视差值为 0（That is, if the sum of absolute values of x-derivatives computed over SADWindowSize by SADWindowSize pixel neighborhood is smaller than the parameter, no disparity is computed at the pixel），该参数不能为负值，int 型
uniquenessRatio：视差唯一性百分比， 视差窗口范围内最低代价是次低代价的(1 + uniquenessRatio/100)倍时，最低代价对应的视差值才是该像素点的视差，否则该像素点的视差为 0 （the minimum margin in percents between the best (minimum) cost function value and the second best value to accept the computed disparity, that is, accept the computed disparity d^ only if SAD(d) &= SAD(d^) x (1 + uniquenessRatio/100.) for any d != d*+/-1 within the search range ），该参数不能为负值，一般5-15左右的值比较合适，int 型
speckleWindowSize：检查视差连通区域变化度的窗口大小, 值为 0 时取消 speckle 检查，int 型
speckleRange：视差变化阈值，当窗口内视差变化大于阈值时，该窗口内的视差清零，int 型
// OpenCV2.1 新增的状态参数
roi1, roi2：左右视图的有效像素区域，一般由双目校正阶段的 cvStereoRectify 函数传递，也可以自行设定。一旦在状态参数中设定了 roi1 和 roi2，OpenCV 会通过cvGetValidDisparityROI 函数计算出视差图的有效区域，在有效区域外的视差值将被清零。
disp12MaxDiff：左视差图（直接计算得出）和右视差图（通过cvValidateDisparity计算得出）之间的最大容许差异。超过该阈值的视差值将被清零。该参数默认为 -1，即不执行左右视差检查。int 型。注意在程序调试阶段最好保持该值为 -1，以便查看不同视差窗口生成的视差效果。具体请参见《》一文中的讨论。
在上述参数中，对视差生成效果影响较大的主要参数是 SADWindowSize、numberOfDisparities 和 uniquenessRatio 三个，一般只需对这三个参数进行调整，其余参数按默认设置即可。
在OpenCV2.1中，BM算法有C和C++ 两种实现模块。
（2）StereoSGBMState
SGBM算法的状态参数大部分与BM算法的一致，下面只解释不同的部分：
SADWindowSize：SAD窗口大小，容许范围是[1,11]，一般应该在 3x3 至 11x11 之间，参数必须是奇数，int 型
P1, P2：控制视差变化平滑性的参数。P1、P2的值越大，视差越平滑。P1是相邻像素点视差增/减 1 时的惩罚系数；P2是相邻像素点视差变化值大于1时的惩罚系数。P2必须大于P1。OpenCV2.1提供的例程 stereo_match.cpp 给出了 P1 和 P2 比较合适的数值。
fullDP：布尔值，当设置为 TRUE 时，运行双通道动态编程算法（full-scale 2-pass dynamic programming algorithm），会占用O(W*H*numDisparities)个字节，对于高分辨率图像将占用较大的内存空间。一般设置为 FALSE。
注意OpenCV2.1的SGBM算法是用C++ 语言编写的，没有C实现模块。与H. Hirschmuller提出的原算法相比，主要有如下变化：
算法默认运行单通道DP算法，只用了5个方向，而fullDP使能时则使用8个方向（可能需要占用大量内存）。
算法在计算匹配代价函数时，采用块匹配方法而非像素匹配（不过SADWindowSize=1时就等于像素匹配了）。
匹配代价的计算采用BT算法（"" by S. Birchfield and C. Tomasi），并没有实现基于互熵信息的匹配代价计算。
增加了一些BM算法中的预处理和后处理程序。
（3）StereoGCState
GC算法的状态参数只有两个：numberOfDisparities 和 maxIters ，并且只能通过 cvCreateStereoGCState 在创建算法状态结构体时一次性确定，不能在循环中更新状态信息。GC算法并不是一种实时算法，但可以得到物体轮廓清晰准确的视差图，适用于静态环境物体的深度重构。
注意GC算法只能在C语言模式下运行，并且不能对视差图进行预先的边界延拓，左右视图和左右视差矩阵的大小必须一致。
6． 如何实现视差图的伪彩色显示？
首先要将16位符号整形的视差矩阵转换为8位无符号整形矩阵，然后按照一定的变换关系进行伪彩色处理。我的实现代码如下：&
// 转换为 CV_8U 格式，彩色显示
dispLfcv = displf, dispRicv = dispri, disp8cv = disp8;
if (alg == STEREO_GC)
cvNormalize( &dispLfcv, &disp8cv, 0, 256, CV_MINMAX );
displf.convertTo(disp8, CV_8U, 255/(m_nMaxDisp*16.));
F_Gray2Color(&disp8cv, vdispRGB);
灰度图转伪彩色图的代码，主要功能是使灰度图中 亮度越高的像素点，在伪彩色图中对应的点越趋向于 红色；亮度越低，则对应的伪彩色越趋向于 蓝色；总体上按照灰度值高低，由红渐变至蓝，中间色为绿色。其对应关系如下图所示：
void F_Gray2Color(CvMat* gray_mat, CvMat* color_mat)
if(color_mat)
cvZero(color_mat);
int stype = CV_MAT_TYPE(gray_mat-&type), dtype = CV_MAT_TYPE(color_mat-&type);
int rows = gray_mat-&rows, cols = gray_mat-&
// 判断输入的灰度图和输出的伪彩色图是否大小相同、格式是否符合要求
if (CV_ARE_SIZES_EQ(gray_mat, color_mat) && stype == CV_8UC1 && dtype == CV_8UC3)
CvMat* red = cvCreateMat(gray_mat-&rows, gray_mat-&cols, CV_8U);
CvMat* green = cvCreateMat(gray_mat-&rows, gray_mat-&cols, CV_8U);
CvMat* blue = cvCreateMat(gray_mat-&rows, gray_mat-&cols, CV_8U);
CvMat* mask = cvCreateMat(gray_mat-&rows, gray_mat-&cols, CV_8U);
// 计算各彩色通道的像素值
cvSubRS(gray_mat, cvScalar(255), blue); // blue(I) = 255 - gray(I)
cvCopy(gray_mat, red);
// red(I) = gray(I)
cvCopy(gray_mat, green);
// green(I) = gray(I),if gray(I) & 128
cvCmpS(green, 128, mask, CV_CMP_GE ); // green(I) = 255 - gray(I), if gray(I) &= 128
cvSubRS(green, cvScalar(255), green, mask);
cvConvertScale(green, green, 2.0, 0.0);
// 合成伪彩色图
cvMerge(blue, green, red, NULL, color_mat);
cvReleaseMat( &red );
cvReleaseMat( &green );
cvReleaseMat( &blue );
cvReleaseMat( &mask );
7． 如何将视差数据保存为 txt 数据文件以便在 Matlab 中读取分析？
由于OpenCV本身只支持 xml、yml 的数据文件读写功能，并且其xml文件与构建网页数据所用的xml文件格式不一致，在Matlab中无法读取。我们可以通过以下方式将视差数据保存为txt文件，再导入到Matlab中。&
void saveDisp(const char* filename, const Mat& mat)
FILE* fp = fopen(filename, "wt");
fprintf(fp, "%02d/n", mat.rows);
fprintf(fp, "%02d/n", mat.cols);
for(int y = 0; y & mat. y++)
for(int x = 0; x & mat. x++)
short disp = mat.at&short&(y, x); // 这里视差矩阵是CV_16S 格式的，故用 short 类型读取
fprintf(fp, "%d/n", disp); // 若视差矩阵是 CV_32F 格式，则用 float 类型读取
fclose(fp);
相应的Matlab代码为：
function img = txt2img(filename)
data = importdata(filename);
r = data(1);
c = data(2);
disp = data(3:end); % 视差
vmin = min(disp);
vmax = max(disp);
disp = reshape(disp, [c,r])'; % 将列向量形式的 disp 重构为 矩阵形式
OpenCV 是行扫描存储图像，Matlab 是列扫描存储图像
故对 disp 的重新排列是首先变成 c 行 r 列的矩阵，然后再转置回 r 行 c 列
img = uint8( 255 * ( disp - vmin ) / ( vmax - vmin ) );
mesh(disp);
set(gca,'YDir','reverse');
% 通过 mesh 方式绘图时，需倒置 Y 轴方向
% 使坐标轴显示范围与数据范围相贴合，去除空白显示区
显示效果如下：
（待续&&）
看过本文的人也看了：
我要留言技术领域：
取消收藏确定要取消收藏吗？
删除图谱提示你保存在该图谱下的知识内容也会被删除，建议你先将内容移到其他图谱中。你确定要删除知识图谱及其内容吗？
删除节点提示无法删除该知识节点，因该节点下仍保存有相关知识内容！
删除节点提示你确定要删除该知识节点吗？您的位置：
学生党必备：这4款高性价比手机，总有一款适合你！
来源：手机小管家
手机的消费人群，主要还是集中在学生党，然而学生们没有众多收入来源，因此他们选的手机不仅要性能高，更要价格实惠，而这4款就是不错之选！
作为今年魅族的开年新机，魅蓝5s的颜值还是很高的！它最大亮点为配备了旗舰级的18W快充，而且还使用了金属一体化机身，十分亮眼。它搭载了一颗联发科八核处理器，配以3GB RAM+16/32GB ROM，前置500万像素的摄像头，并配有ArcSoft美颜算法、Face AE面部曝光增强算法，美颜妥妥的，而后置则采用一颗1300万像素的摄像头，起步价居然只要799元！
360在开年就放大招，一款千元机居然配备了6G的运存，真心是厉害了！它搭载高通骁龙653处理器，使用6G＋32G/64G的大内存，日常使用没问题，前置摄像头800W像素，后置1300W像素，拥有F2.0大光圈，支持PDAF相位对焦，何以实现0.1s快速对焦。全网通的网络制式，4000mAh的大电池并支持18W的涡轮快充，搭载360 OS 2.0系统，支持全新的Transform、FastZone和Infinity功能。售价也才1399元，你心动了吗？
3、荣耀8青春版
去年荣耀8的颜值征服了一大波机友的心，然而今年荣耀再次发威，让荣耀8青春版不仅拥有荣耀8的颜值，更有白菜的价格，你不心动？它搭载麒麟655处理器，运行4GB和64GGB的机身存储，手机使用时，运行流畅。而且还采用5.2英寸的1080P的显示屏，同时内置3000mAh的电池，正常使用一天没问题的。而在系统方面，预装EMUI 5.0的操作系统，在屏蔽伪基站方面很出色，还支持分屏功能，1099的售价让人咋舌！
ZUK Z2在去年的表现很不错，它采用5寸1080p分辨率屏，搭载骁龙820处理器并配有3GB运行内存和32GB存储空间，拍照方面配备前置800像素+后置1300万像素并辅以单颗LED闪光灯。其余部分，Z2拥有正面按压指纹识别，6大传感器，支持7模22频网络制式双卡双待，包含国内三大运营商全部频段，十分不错，而且如今仅售1199元！
(转载请保留)
您刚刚看过
互联网的一些事，已超50万小伙伴关注！