匹配物镜放大倍数与相机像元尺寸

通常来说,相机内部的CCD或者CMOS传感器上都有感光阵列,由一个一个的感光元件构成,每一个感光元件负责完成光电转换的过程。简单理解,一个感光元件可以认为就是一个像素(pixel)或像元(pel)。像元具有一定尺寸,如果像的尺寸大于像元的尺寸,那么一个像元就无法表示整个像,因此一个像元的尺寸和物镜的放大倍数,决定了对物体的分辨能力。例如一个1um1um1um长度的物体,经物镜放大10倍以后,其像的长度为10um10um10um,如果像元尺寸是5um5um5um,那么需要2个像元才能完整表示整个像,因此一个像元表示0.5um0.5um0.5um的物体。如果像元尺寸足够小,例如1um1um1um,那么需要10个像元才能完整表示整个像,因此一个像元表示0.1um0.1um0.1um的物体。可以看出,像元尺寸越小,其所能表示的物体尺寸越小,即像元越小,其对物体的分辨能力越高或者说获取物体的细节就越多。

像元尺寸也并非越小越好,从上面的结论可以看出,更小尺寸的像元需要更多数量的像元才能表示一个完整的像。这意味着对于同一个物体,同一像元尺寸的相机,物镜放大倍数增加,那么完整表示一个像所需要的像元数量也会相应的增加,而传感器上的像元数量是有限的,因此像元的尺寸实际从侧面限制了物镜的放大倍数。换句话说,在相机选型的时候就必须保证像元的尺寸至少能匹配物镜的放大倍数。

根据瑞利判别准则,显微物镜的光学分辨率仅与光波长及物镜的数值孔径有关(详见 https://blog.nas-kk.top/?p=112 ),因此物镜放大倍数与分辨率没有关系。换言之对于NA1.0的物镜,放大倍数是100x,还是60x对分辨率没有任何影响。但是放大倍数越小,视场角越大,这就意味着可以观测更大的区域(详见 https://blog.nas-kk.top/?p=129 )。

像元进行光电转换的过程实际是对连续光信号的离散采样过程,那么其采样过程大致如下图所示,该图假设发生衍射的光源之间的距离足够远,且只选取了艾里斑和第一暗环。

5c2bf8a2a2a9b46d3c0a1c498825f468.png

根据上面的图示可以很容易理解像元离散采样的过程,如果想要根据离散的信号恢复出连续信号,则必须满足奈奎斯特采样定理,因此必须采用至少两个像元去采集像的信息。同时,瑞利判别准则也指出如果要辨别两个光源的像,那么这两个光源的间距至少满足 0.61λ/NA0.61\lambda/NA0.61λ/NA ,那么相机与物镜之间则必须满足:
Pixelsize=(0.61λNA×M)/2Pixel_{size} = (\frac{0.61\lambda}{NA} \times M)/2 Pixelsize=(NA0.61λ×M)/2
其中,λ\lambdaλ 表示光波长,NANANA 表示物镜的数值孔径,MMM 表示物镜的放大倍数,PixelsizePixel_{size}Pixelsize 表示像元大小。当像元尺寸满足要求时,只要 Dimage>(0.61λ/NA)×MD_{image} > (0.61\lambda/NA) \times MDimage>(0.61λ/NA)×M 即可保证能够正确还原信号。

相机的分辨率主要与感光阵列中的垂直和水平方向上的像元个数有关,而相机输出的图像大小(或者图像分辨率)则与相机分辨率、相机工作的模式、采集卡、ROI设置、Offset设置、像素插值等多个因素有关。例如一个感光阵列水平方向有1000个像元,垂直方向有1000个像元,那么相机的分辨则是1000×10001000 \times 10001000×1000,那么在这种配置下,如果相机工作在TDI线阵方式,那么理论上其输出的图像在扫描方向上可以无限大;如果相机工作在面阵方式,通过像素插值,其输出的图像大小则可能可以达到3000×30003000 \times 30003000×3000,随着面阵图像大小的增大,其等价于像元个数增多;对于固定尺寸的传感器(像元大小和像元个数共同决定了传感器的尺寸),这类似于像元尺寸缩小,但是与像元尺寸缩小有本质的区别,图像质量也较差。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/256013.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【深度学习】——非极大值抑制(nms/soft-nms)

目录 一、相关概念 1、iou 1)理论计算 2)Python代码(代码参考yolov3模型util.py文件) 2、nms 1)基本思路 2)标准nms和soft-nms 3)Python代码实现(yolov3中util.py文件,增加了…

移动服务安全现状分析!

2019独角兽企业重金招聘Python工程师标准>>> 由于Android开源的环境,导致Android的整体环境都存在很多不安全的因素,同时用户在移动APP客户端的便捷应用,也给用户带来了巨大的安全隐患。未经过移动服务安全加固的APP存在被静态反编…

MyEclipse连接MySQL

在官网http://www.mysql.com/downloads/下载数据库连接驱动 本文中使用驱动版本为mysql-connector-java-5.1.40 一、创建一个java测试项目MySQLConnectorsTest 在项目下穿件一个lib文件夹用来存放MySQL驱动包。 右键驱动包build path进行add添加操作,打开Referenced…

在Windows系统中配置Google AddressSanitizer

Google AddressSanitizer简介 AddressSanitizer (ASan) 是 C 和 C 的内存错误检测软件,它可以检测: 释放指针后继续使用堆缓冲区溢出栈缓冲区溢出全局缓冲区溢出返回后继续使用在范围之外继续使用初始化顺序的bug内存泄漏 在 Windows 系统中&#xff…

【剑指offer】——求出一个正整数的质数因子(Python)

目录 一、题目描述 二、思路 1、短除法 2、平方根法 一、题目描述 功能:输入一个正整数,按照从小到大的顺序输出它的所有质因子(重复的也要列举)(如180的质因子为2 2 3 3 5 ) 最后一个数后面也要有空格 输入描述…

C++ STL实现的优先队列( priority_queue )

本文参考的源码版本:gcc version 8.1.0 (x86_64-posix-seh-rev0, Built by MinGW-W64 project)。 priority_queue 本质是容器适配器,它对内部容器的元素有自己的管理方式,而 priority_queue 实际维护的是一个二叉堆。STL中 priority_queue 的…

生成相关矩阵

U是X(差异矩阵)各列向量取方向后形成的矩阵,CU^T * U 即相关矩阵,即各列向量两两的夹角,(夹角越小说明关联度越高) clc avg_e66;avg_m66;avg_s76; x1[61 63 78 65 63] -avg_e; x2[53 73 61 84 5…

Java关于Properties用法的总结(一)

最近项目中有一个这样的需求,要做一个定时任务功能,定时备份数据库的操表,将表数据写入txt文件。因为文件的读写路径可能需要随时改动,所以写死或者写成静态变量都不方便,就考虑使用配置文件,这里总结些配置…

【tensorflow】——tensorboard可视化计算图以及参数曲线图loss图

参考文献: https://zhuanlan.zhihu.com/p/71328244 目录 1.可视化计算图 2.可视化参数 3. 远程tensorboard 4、报错 真是出来混迟早是要还的,之前一直拒绝学习Tensorboard,因为实在是有替代方案,直到发现到了不得不用的地步…

jQuery学习- 位置选择器

<!DOCTYPE html> <html><head><meta charset"UTF-8"><title>位置选择器</title><script src"js/jquery.js"></script><script type"text/javascript">$(function(){//获取第一个li$(&quo…

Vue3、TypeScript 实现图片数量及大小随宽度自适应调整

前言 过了这么久&#xff0c;想起自己还有个博客&#xff0c;更点内容吧&#xff01; 来&#xff0c;上需求&#xff01; 最近在做个前端界面&#xff0c;要求在一行中展示一些图片&#xff0c;展示的图片数量随着窗口宽度大小进行变化&#xff0c;除此之外还有以下要求&…

苹果Iphone/Ipad--L2T虚拟教程

1 Iphone和Ipad同为IOS&#xff0c;设置方法相同。首先进入IOS系统的“设置”程序。 2 点击“通用”进入通用设置&#xff0c;点击“”; 3 选择"添加设置 "&#xff1b; 4 选择L2TP方式&#xff0c;填写必要信息&#xff1a;描述、服务器地址 、您注册充值的账号及密…

记忆化搜索的应用

记忆化搜索的应用 一般来说&#xff0c;动态规划总要遍历所有的状态&#xff0c;而搜索可以排除一些无效状态。更重要的是搜索还可以剪枝&#xff0c;可能剪去大量不必要的状态&#xff0c;因此在空间开销上往往比动态规划要低很多。 如何协调好动态规划的高效率与高消费之间的…

Veebot-自动静脉抽血机器人

Veebot-自动静脉抽血机器人 我们可能都有过被抽血的经验。护士让你握紧拳头&#xff0c;用一根橡皮条压住你上臂的血管&#xff0c;在你的肘部内侧寻找你的静脉&#xff0c;有时还需要拍打几下&#xff0c;摸到隆起的静脉血管&#xff0c;一针下去。有时候碰到技术好的护士&…

idea 转普通项目为maven 项目

1、项目上右键 Add Framework Support。 2、选择maven&#xff0c;点击OK。 转载于:https://www.cnblogs.com/mayanze/p/8042489.html

【深度学习之ResNet】——深度残差网络—ResNet总结

目录 论文名称&#xff1a;Deep Residual Learning for Image Recognition 摘要&#xff1a; 1、引言 2、为什么会提出ResNet残差网络呢&#xff1f; 3、深度残差网络结构学习&#xff08;Deep Residual learning&#xff09; &#xff08;1&#xff09;残差单元 &#xf…

关于SafeMove White Paper功能

ABB机器人网站有一个 Safemove 功能的介绍&#xff0c;在Overview页面右半版有一篇文档是 SafeMove White Paper &#xff0c;在45页的 pdf 文档中&#xff0c;详细了介绍工业机器人的安全原则&#xff0c;以及ABB工业机器人自身 EPS (Electronic Position Switches) 和 SafeMo…

面试疑难点解析

List,Set,Map,有什么区别&#xff1f; List和Set实际上市实现了Collection接口&#xff0c;那么Collection接口的原理你能简单描述一下吗&#xff1f; List接口可以插入多个NULL值&#xff0c;并且重复值&#xff0c;而且LIST是一个有序的集合。 Set是一个不可重复的集合&#…

主机无法访问虚拟机的httpd服务

症状&#xff1a;虚拟机装的centos6.3 通过桥接的方式与主机连接 虚拟机通过yum安装httpd服务 在主机浏览器中输入 虚拟机ip 无法访问虚拟机Apache 虚拟机和主机可以相互ping通 解决&#xff1a;关掉虚拟机的防火墙就可以了 命令setup进入防火墙管理 按空格键取消防火墙启用 转…

2017-2018-1 20155229 《信息安全系统设计基础》第十三周学习总结

2017-2018-1 20155229 《信息安全系统设计基础》第十三周学习总结 对“第二章 信息的表示和处理”的深入学习 这周的任务是选一章认为最重要的进行学习&#xff0c;我选择了第二章。当今的计算机存储和处理信息基本上是由二进制&#xff08;位&#xff09;组成&#xff0c;二进…