extremal 什么意思 opengl是什么工程师
distiance 什么意思？什么是协变量代数？量子力学与相对论统一的障碍是什么？weatherandclimateextremes中文是什么意思？openmvg是什么？openMVG是用来做什么的？
本文导航
distractions什么意思
是distance吧
1、距离、间距
2、远处、远方
什么叫变量的线性依存关系
复制了一大版没回答到正题来,协变是张量分析上的,比如协变导数和协变微分.这东西在微分几何和广义相对论中大量的应用.至于你说的协变量代数,我想是不是张量代数的另外一种形式呢?
相对论和量子力学的意义
爱因斯坦最早注意到量子力学与相对论的不相容性。在1927年的第五届索尔维会议上，爱因斯坦对刚刚建立的量子力学理论表示了不满，他在反对意见中指出，如果量子力学是描述单次微观物理过程的理论，则量子力学将违反相对论。1935年，在论证量子力学不完备性的EPR文章中，爱因斯坦再一次揭示了量子力学的完备性同相对论的定域性假设之间存在矛盾。在爱因斯坦看来，相对论无疑是正确的，而量子力学由于违反相对论必然是不正确的，或者至少是不完备的。
1964年，在爱因斯坦的EPR论证的基础上，贝尔提出了著名的贝尔不等式，这一不等式进一步显示了相对论所要求的定域性与量子力学之间的深刻矛盾，并提供了利用实验来进行判决的可能性。根据贝尔的分析，如果量子力学是正确的，它必定是非定域的。利用贝尔不等式，人们进行了大量实验来检验量子力学的正确性，其中最有说服力的是阿斯派克特等人于1982年所做的实验，他们的实验结果证实了量子力学的预言，并显示了量子非定域性的客观存在。
尽管量子非定域性的存在已经为实验所证实，然而，量子力学与相对论的不相容问题至今仍然没有得到满意的解决。根本原因在于，一方面，量子力学的理论基础仍没有坚实地建立起来，另一方面，量子力学所蕴含的非定域性又暗示了相对论的普适性将同样受到怀疑。
weather是什么意思中文翻译
天气和极端气候
openmv怎么使用
OpenMVG (open Multiple View Geometry)：开源多视角立体几何库，这是一个cv届处理多视角立体几何的著名开源库，信奉逗简单，可维护地，提供了一套强大的接口，每个模块都被测试过，尽力提供一致可靠的体验。
地址：github
文档：documents
openMVG能够：
解决多视角立体几何的精准匹配问题；
提供一系列SfM需要用到的特征提取和匹配方法；
完整的SfM工具链（校正，参估，重建，表面处理等）；
openMVG尽力提供可读性性强的代码，方便开发者二次开发，核心功能是尽量精简的，所以你可能需要其它库来完善你的系统。openMVG分成了几个大的模块：
核心库：各个功能的核心算法实现；
样例：教你怎么用；
工具链：也就是连起来用咯（乱序图像集的特征匹配，SfM，处理色彩和纹理）；
#0. 安装（win10+VS2013）
第一步当然是从github clone代码，然后按照 BUILD 说明操作，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));
};
建议和opencv一起编译，方法是在CMakeLists.txt文件中修改相应选项为 ON，然后在cmake的GUI中添加一个叫OpenCV_DIR的入口，值就是你已经安装好的opencv的路径。
openMVG写的非常不错，对Windows也提供了良好的支持，所以cmake之后用VS打开生成的openMVG.sln解决方案就可以进行编译了，编译的时间稍久。我用的VS2013不支持C++新特性：constexpr，所以建议你使用VS2015或更新版本，如果一定要用VS2013，可以这样做：在src/openMVG/cameras/Camera_Common.hpp文件中将有constexpr的地方直接去掉，或者改成模板函数也是可以的：
运行样例，这里遇到一个坑：DenseStoraage.h line 86报错：R6010 Assertion failed，这是一个断言错误，在release模式下不会出现，但在debug模式下几乎是必现。原因嘛，打开Eigen给出的网址可以明确：数据结构未对齐（unaligned arrays）。这个问题对于刚接触openMVG的人来说还是很烦人的，openMVG代码很优雅，很多数据类型都是从模板类或函数延伸，通过虚函数扩展各项具体方法，而且非常强烈的依赖Eigen这个库，所以给定位问题带来了阻碍。经过一天的攻坚，最后大概确认了原因：
regions.h这个文件中定义的Regions类包含了fixed-size vectorizable Eigen types的stl容器vector，按照Eigen提供的解决方法，需要做的是：
//原来
typedef std::vector<FeatureT> FeatsT;
//改成
typedef std::vector<FeatureT, Eigen::aligned_allocator<FeatureT>> FeatsT;
//其它类似的地方都要改，包括返回vector的函数，最好也加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW
#1. 核心库
#1.1 图像
#Image Container
openMVG提供一个基本的类用作图像容器：Image<T>，T代表像素类型，这个类可以处理灰度，RGB，RGBA或者自定义类型的图像。用法很简单：
// 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;
这里的 RGBColor，RGBAColor等是openMVG基于Eigen定义好的类型，具体是定义在pixel_types.hpp中。
#Image I/O
openMVG支持ppm/pgm,jpeg,png,tiff格式的图片文件，例子：
Image<RGBColor> rgb_image_gray;
bool bRet = ReadImage("Foo.imgExtension", &rgb_image);
#Drawing operations
用于在图像上画圆，椭圆，直线等。
#1.2 数值
openMVG重新包装了Eigen的基本类型和算法，以便更简单的调用。比如 Vec2代表一个二维点（char型）。
#1.3 特征
这个模块主要是提供特征容器的封装，包括特征，特征描述，关键点集等，基本都是模板类，比如顶一个sift特征描述子可以这样做：
// SIFT like descriptor
typedef Descriptor<float, 128> siftDescriptorData;
#1.4 相机
此模块提供不同的相机模型的抽象类，包括：
#小孔相机模型
最简单的相机模型，如图： 相机模型包括内参和外参，关键词也就是大家熟悉的几样：投影矩阵，旋转、平移矩阵，焦距、主点等，具体参见说明。 看一个例子：openMVG提供的PinholeCamera类：
/// Pinhole camera P = K[R|t], t = -RC
struct PinholeCamera
{
//构造函数
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 多视角几何
这部分是比较基础和重要的模块之一，包括了：
多视角集几何中n（>=2）视角的求解算法；
将这些求解算法综合起来以便进行鲁棒估计的通用框架——Kernel；
文档中讲解了单应矩阵，本征矩阵，本质矩阵，位置矩阵等的概念，讲得非常好，建议仔细阅读文档。 简单的解释一下：
单应矩阵：描述两个投影平面之间的关系；
本征矩阵：同一个场景在两个相机成像下的关系，也就是物体上的点A在两个视角下成像位置的关系；
本质矩阵：基于本征矩阵和内参矩阵建立，描述相机和本征矩阵位置之间的相对关系；
位置矩阵：估计相机的绝对位置（被转化为一个最小化问题求解）；
Kernel：一个将求解器、数据、度量方案等结合起来的类，这个类将用于鲁棒的估计以上的参数和矩阵；
#1.6 线性规划
一个用于求解多视角几何中线性优化（参数估计）的工具集，文档。
#1.7 鲁棒估计
提供一些列鲁棒估计方法，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，FLANN，KVLD，Cascade hashing Nearest Neighbor等。这些接口可用于在二维或三维点集，以及更高维的特征描述集中。
#1.8 追踪
多视几何里的追踪是指在一系列的图片中找到对应的特征点（同一点在不同视角下的位置）。
#1.9 sfm
openMVG提供的sfm模块包含了处理SfM问题的一系列方法个数据存储接口，例如相机位置估计，结构测量，BA等。 SfM_Data类包含了SfM所有的输入：
struct SfM_Data
{
/// Considered views
Views views; // 包含图像文件名，id_view，id_pose，id_intrinsic，image size。
/// Considered poses (indexed by view.id_pose)
Poses poses; // 相机的三维位置
/// Considered camera intrinsics (indexed by view.id_cam)
Intrinsics intrinsics; // 相机内参
/// Structure (3D points with their 2D observations)
Landmarks structure; // 二维视图特征关联的3D点
}
下面是例子：
#1. features_siftPutativeMatches
这个样例做了这么几件事（直接翻译官方）：
分别提取两张图像的SIFT特征（使用非免费的vlsift）并形成特征描述；
根据特征描述子匹配两张图像上的特征点（BRUTE_FORCE_L2方法）；
展示匹配结果；
刚开始的时候会遇到Assertion failed断言错误，处理办法见上一篇文章。运行成功项目目录下会生成三个文件：00_images.jpg，01_features.jpg，02_siftMatches.svg。
#2. features_affine_demo
这个例子是图像MSER（参考）和TBMR特征提取的样例，MSER（Maximally Stable Extremal Regions）最大极值稳定区域是一种对图像灰度具有仿射变换不变性，也许也是这个样例起名的原因。TBMR（tree-based Morse regions）这个算法不是特别了解，具体可以在google学术中搜索。
#3. features_image_matching
这个样例给出了利用Image_describer接口提取特征描述子，并匹配和显示结果的样例。示例中可以选择SIFT，AKAZE_MLDB或者AKAZE算法，AKAZE介绍可看这里，是一种比SIFT更稳定的特征检测算法。程序中关于解析输入参数的部分可以注释掉（如果你是用过VS2013 debug），直接修改sImage_describer_type这个值以测试。
#4. features_kvld_filter 和 features_repeatability
这两个也是关于特征提取和匹配的，kvld这个例子中由于之前更改了regions.h中的内容，所以有些函数接口也要做相应改变，具体也是在vector中增加对齐函数选项。
#5. multiview_robust_homography_guided 和 multiview_robust_fundamental_guided
这两个样例是估计单应矩阵和本征矩阵的，并且能够根据这些信息反过来确定匹配点。两个样例运行时间都很长（分辨率教大时），第一个在用另外的照片时还遇到报错，大概是在DoG时出错，具体也没有细究了·····
#6. exif_Parsing
提取EXIF信息，编译后通过命令行执行，给出的参数格式：--imafile 你的照片路径，路径中使用/斜杠。
另一篇：learn openMVG-安装和简介
#7. multiview_robust_essential
估计本质矩阵并计算3D结构。这个例子可以直接运行，生成的点云十分稀疏且不带颜色信息。
opengl是什么工程师
OpenMVG (open Multiple View Geometry)：开源多视角立体几何库，这是一个cv届处理多视角立体几何的著名开源库，信奉逗简单，可维护地，提供了一套强大的接口，每个模块都被测试过，尽力提供一致可靠的体验。
地址：github
文档：documents
openMVG能够：
解决多视角立体几何的精准匹配问题；
提供一系列SfM需要用到的特征提取和匹配方法；
完整的SfM工具链（校正，参估，重建，表面处理等）；
openMVG尽力提供可读性性强的代码，方便开发者二次开发，核心功能是尽量精简的，所以你可能需要其它库来完善你的系统。openMVG分成了几个大的模块：
核心库：各个功能的核心算法实现；
样例：教你怎么用；
工具链：也就是连起来用咯（乱序图像集的特征匹配，SfM，处理色彩和纹理）；
#0. 安装（win10+VS2013）
第一步当然是从github clone代码，然后按照 BUILD 说明操作，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));
};
建议和opencv一起编译，方法是在CMakeLists.txt文件中修改相应选项为 ON，然后在cmake的GUI中添加一个叫OpenCV_DIR的入口，值就是你已经安装好的opencv的路径。
openMVG写的非常不错，对Windows也提供了良好的支持，所以cmake之后用VS打开生成的openMVG.sln解决方案就可以进行编译了，编译的时间稍久。我用的VS2013不支持C++新特性：constexpr，所以建议你使用VS2015或更新版本，如果一定要用VS2013，可以这样做：在src/openMVG/cameras/Camera_Common.hpp文件中将有constexpr的地方直接去掉，或者改成模板函数也是可以的：
运行样例，这里遇到一个坑：DenseStoraage.h line 86报错：R6010 Assertion failed，这是一个断言错误，在release模式下不会出现，但在debug模式下几乎是必现。原因嘛，打开Eigen给出的网址可以明确：数据结构未对齐（unaligned arrays）。这个问题对于刚接触openMVG的人来说还是很烦人的，openMVG代码很优雅，很多数据类型都是从模板类或函数延伸，通过虚函数扩展各项具体方法，而且非常强烈的依赖Eigen这个库，所以给定位问题带来了阻碍。经过一天的攻坚，最后大概确认了原因：
regions.h这个文件中定义的Regions类包含了fixed-size vectorizable Eigen types的stl容器vector，按照Eigen提供的解决方法，需要做的是：
//原来
typedef std::vector<FeatureT> FeatsT;
//改成
typedef std::vector<FeatureT, Eigen::aligned_allocator<FeatureT>> FeatsT;
//其它类似的地方都要改，包括返回vector的函数，最好也加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW
#1. 核心库
#1.1 图像
#Image Container
openMVG提供一个基本的类用作图像容器：Image<T>，T代表像素类型，这个类可以处理灰度，RGB，RGBA或者自定义类型的图像。用法很简单：
// 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;
这里的 RGBColor，RGBAColor等是openMVG基于Eigen定义好的类型，具体是定义在pixel_types.hpp中。
#Image I/O
openMVG支持ppm/pgm,jpeg,png,tiff格式的图片文件，例子：
Image<RGBColor> rgb_image_gray;
bool bRet = ReadImage("Foo.imgExtension", &rgb_image);
#Drawing operations
用于在图像上画圆，椭圆，直线等。
#1.2 数值
openMVG重新包装了Eigen的基本类型和算法，以便更简单的调用。比如 Vec2代表一个二维点（char型）。
#1.3 特征
这个模块主要是提供特征容器的封装，包括特征，特征描述，关键点集等，基本都是模板类，比如顶一个sift特征描述子可以这样做：
// SIFT like descriptor
typedef Descriptor<float, 128> siftDescriptorData;
#1.4 相机
此模块提供不同的相机模型的抽象类，包括：
#小孔相机模型
最简单的相机模型，如图： 相机模型包括内参和外参，关键词也就是大家熟悉的几样：投影矩阵，旋转、平移矩阵，焦距、主点等，具体参见说明。 看一个例子：openMVG提供的PinholeCamera类：
/// Pinhole camera P = K[R|t], t = -RC
struct PinholeCamera
{
//构造函数
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 多视角几何
这部分是比较基础和重要的模块之一，包括了：
多视角集几何中n（>=2）视角的求解算法；
将这些求解算法综合起来以便进行鲁棒估计的通用框架——Kernel；
文档中讲解了单应矩阵，本征矩阵，本质矩阵，位置矩阵等的概念，讲得非常好，建议仔细阅读文档。 简单的解释一下：
单应矩阵：描述两个投影平面之间的关系；
本征矩阵：同一个场景在两个相机成像下的关系，也就是物体上的点A在两个视角下成像位置的关系；
本质矩阵：基于本征矩阵和内参矩阵建立，描述相机和本征矩阵位置之间的相对关系；
位置矩阵：估计相机的绝对位置（被转化为一个最小化问题求解）；
Kernel：一个将求解器、数据、度量方案等结合起来的类，这个类将用于鲁棒的估计以上的参数和矩阵；
#1.6 线性规划
一个用于求解多视角几何中线性优化（参数估计）的工具集，文档。
#1.7 鲁棒估计
提供一些列鲁棒估计方法，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，FLANN，KVLD，Cascade hashing Nearest Neighbor等。这些接口可用于在二维或三维点集，以及更高维的特征描述集中。
#1.8 追踪
多视几何里的追踪是指在一系列的图片中找到对应的特征点（同一点在不同视角下的位置）。
#1.9 sfm
openMVG提供的sfm模块包含了处理SfM问题的一系列方法个数据存储接口，例如相机位置估计，结构测量，BA等。 SfM_Data类包含了SfM所有的输入：
struct SfM_Data
{
/// Considered views
Views views; // 包含图像文件名，id_view，id_pose，id_intrinsic，image size。
/// Considered poses (indexed by view.id_pose)
Poses poses; // 相机的三维位置
/// Considered camera intrinsics (indexed by view.id_cam)
Intrinsics intrinsics; // 相机内参
/// Structure (3D points with their 2D observations)
Landmarks structure; // 二维视图特征关联的3D点
}
下面是例子：
#1. features_siftPutativeMatches
这个样例做了这么几件事（直接翻译官方）：
分别提取两张图像的SIFT特征（使用非免费的vlsift）并形成特征描述；
根据特征描述子匹配两张图像上的特征点（BRUTE_FORCE_L2方法）；
展示匹配结果；
刚开始的时候会遇到Assertion failed断言错误，处理办法见上一篇文章。运行成功项目目录下会生成三个文件：00_images.jpg，01_features.jpg，02_siftMatches.svg。
#2. features_affine_demo
这个例子是图像MSER（参考）和TBMR特征提取的样例，MSER（Maximally Stable Extremal Regions）最大极值稳定区域是一种对图像灰度具有仿射变换不变性，也许也是这个样例起名的原因。TBMR（tree-based Morse regions）这个算法不是特别了解，具体可以在google学术中搜索。
#3. features_image_matching
这个样例给出了利用Image_describer接口提取特征描述子，并匹配和显示结果的样例。示例中可以选择SIFT，AKAZE_MLDB或者AKAZE算法，AKAZE介绍可看这里，是一种比SIFT更稳定的特征检测算法。程序中关于解析输入参数的部分可以注释掉（如果你是用过VS2013 debug），直接修改sImage_describer_type这个值以测试。
#4. features_kvld_filter 和 features_repeatability
这两个也是关于特征提取和匹配的，kvld这个例子中由于之前更改了regions.h中的内容，所以有些函数接口也要做相应改变，具体也是在vector中增加对齐函数选项。
#5. multiview_robust_homography_guided 和 multiview_robust_fundamental_guided
这两个样例是估计单应矩阵和本征矩阵的，并且能够根据这些信息反过来确定匹配点。两个样例运行时间都很长（分辨率教大时），第一个在用另外的照片时还遇到报错，大概是在DoG时出错，具体也没有细究了·····
#6. exif_Parsing
提取EXIF信息，编译后通过命令行执行，给出的参数格式：--imafile 你的照片路径，路径中使用/斜杠。
另一篇：learn openMVG-安装和简介
#7. multiview_robust_essential
估计本质矩阵并计算3D结构。这个例子可以直接运行，生成的点云十分稀疏且不带颜色信息。
