diff --git a/config/compound_eye.png b/config/compound_eye.png index 2a8e095..ef3b17b 100644 Binary files a/config/compound_eye.png and b/config/compound_eye.png differ diff --git a/example_foe.py b/example_contact.py similarity index 65% rename from example_foe.py rename to example_contact.py index 126e7f8..8934dd1 100644 --- a/example_foe.py +++ b/example_contact.py @@ -1,20 +1,16 @@ import os os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0" # Windows 下禁用硬件加速，避免兼容性问题 - import cv2 import orisys import numpy as np - - def main(): - # 方式1: 从视频文件读取 - # sensor = orisys.Sensor("./s1.mp4", isstitch=True, cuda=True, verbose=True) + sensor = orisys.Sensor("./s1.mp4", isstitch=True, cuda=True, verbose=True) # 方式2: 从摄像头读取（取消注释使用） - sensor = orisys.Sensor(0, isstitch=True, cuda=True, verbose=True) + # sensor = orisys.Sensor(0, isstitch=True, cuda=True, verbose=True) print("\n按 'q' 退出程序，按 'r' 重置光流追踪器") @@ -25,16 +21,11 @@ def main(): # 步骤 2.2: 计算形变场 sensor.compute_deformation() - fps, flow,vnormal = sensor.read_info( + fps, flow, vnormal = sensor.read_info( sensor.info.FPS, sensor.info.VRAW, sensor.info.VNORMAL ) - - # depth = get_depth_improved(vnormal, fps) - - # print(f"FPS: {fps:5.1f}, 深度: {np.min(depth):8.2f}, {np.mean(depth):8.2f}, {np.max(depth):8.2f}") - arrows = orisys.util.draw_arrows( sensor.img.copy(), # 使用 copy() 避免修改原图 @@ -45,7 +36,6 @@ def main(): ) cv2.imshow("形变场 Deformation", arrows) - mag_img = orisys.util.draw_magnitude_map( sensor.img.copy(), vnormal, @@ -55,12 +45,24 @@ def main(): ) cv2.imshow("magnitude map", mag_img) - # 计算扩张焦点 - # foe_result = orisys.util.compute_foe(vnormal,min_magnitude=1,expansion_threshold=0.01,downsample_factor=1) - foe_result = sensor.get_foe(multiple_foe=False, min_magnitude=1, expansion_threshold=0.01,denoise_sigma=15) - # 在图像上绘制焦点和区域 - image_with_foe = orisys.util.draw_foe(sensor.img.copy(), foe_result) - cv2.imshow("Focus of Expansion", image_with_foe) + # 计算触碰点 + contact_result = sensor.get_contact(multiple_foe=False, min_magnitude=1, expansion_threshold=0.01,denoise_sigma=15) + # 在图像上触碰点和区域 + image_with_foe = orisys.util.draw_foe(sensor.img.copy(), contact_result) + cv2.imshow("Contact Centroid", image_with_foe) + + # 计算触碰区域 + divergence = contact_result['divergence_map'] + + # 归一化散度值到0-255范围（使用绝对值，然后归一化） + div_abs = divergence + if div_abs.max() > div_abs.min(): + div_normalized = ((div_abs - div_abs.min()) / (div_abs.max() - div_abs.min()) * 255).astype(np.uint8) + else: + div_normalized = np.zeros_like(div_abs, dtype=np.uint8) + + # 应用颜色映射（使用JET：蓝色=低散度，红色=高散度） + cv2.imshow("Divergence Map", cv2.applyColorMap(div_normalized, cv2.COLORMAP_JET)) # ===================================================================== diff --git a/src/orisys/get_depth.py b/src/orisys/get_depth.py index fcba942..674a45d 100644 --- a/src/orisys/get_depth.py +++ b/src/orisys/get_depth.py @@ -41,6 +41,7 @@ def compute_foe(flow_field, min_magnitude=1.0, expansion_threshold=1, downsample # 降噪：在计算散度之后对散度图进行平滑 divergence = cv2.GaussianBlur(divergence, (0, 0), denoise_sigma) + divergence = np.where(divergence>0.02, divergence, 0) # 创建掩码 valid_mask = magnitude > min_magnitude expansion_mask = (valid_mask & (divergence > expansion_threshold)) @@ -130,31 +131,3 @@ def compute_multiple_foe(flow_field, min_magnitude=1.0, expansion_threshold=0.00 result['expansion_regions'].append(contour) return result - -def smooth_magnitude(mag, method='moving_average', window_size=5, downsample_factor=4): - """ - 平滑幅度图以减少梯度计算时的伪影。 - - Args: - mag: 幅度图，形状为 (H, W) 的 numpy 数组 - method: 平滑方法，'moving_average' 或 'windowed_interpolation' - window_size: 移动平均的窗口大小（默认5） - downsample_factor: 窗口插值的下采样因子（默认4） - - Returns: - np.ndarray: 平滑后的幅度图 - """ - if method == 'moving_average': - # 使用移动平均滤波器（box filter） - kernel = np.ones((window_size, window_size), dtype=np.float32) / (window_size * window_size) - mag_smooth = cv2.filter2D(mag, -1, kernel) - elif method == 'windowed_interpolation': - # 使用窗口插值：下采样然后插值回原尺寸 - h, w = mag.shape - mag_downsampled = mag[::downsample_factor, ::downsample_factor] - mag_smooth = cv2.resize(mag_downsampled, (w, h), interpolation=cv2.INTER_CUBIC) - else: - # 默认使用高斯滤波 - mag_smooth = gaussian_filter(mag, sigma=1.5) - - return mag_smooth \ No newline at end of file diff --git a/src/orisys/sensor.py b/src/orisys/sensor.py index 2f883eb..df9f830 100644 --- a/src/orisys/sensor.py +++ b/src/orisys/sensor.py @@ -52,7 +52,7 @@ class Sensor: # ========================================================================= def __init__(self, vid_src, isstitch=False, verbose=True, cuda=True, - config_name="prototype", cal_path=None, override=False, box=None): + config_name="prototype", cal_path=None, override=False, box=None,mirror=True): """ Initialize Sensor with video source and configuration. @@ -83,6 +83,7 @@ class Sensor: self.verbose = verbose self.config_name = config_name self.cal_path = cal_path + self.mirror = mirror # State variables self.stitch_valid = False @@ -183,6 +184,8 @@ class Sensor: if log_timing: timings['total'] = (time.perf_counter() - t_start) * 1000 self._print_timings("get_img", timings) + if self.mirror: + self.img = cv2.flip(self.img, 1) return self.img @@ -241,13 +244,16 @@ class Sensor: return self.flow - def get_foe(self, multiple_foe=False, min_contour_area=3000, min_magnitude=1.0, expansion_threshold=0.01, downsample_factor=1, kernel_size=(5,5), denoise_sigma=15): + def get_contact(self, multiple_foe=False, min_contour_area=3000, min_magnitude=1.0, expansion_threshold=0.01, downsample_factor=1, kernel_size=(5,5), denoise_sigma=15): if multiple_foe: return compute_multiple_foe(self.vnormal, min_contour_area=min_contour_area, min_magnitude=min_magnitude, expansion_threshold=expansion_threshold, downsample_factor=downsample_factor, kernel_size=kernel_size, denoise_sigma=denoise_sigma) else: return compute_foe(self.vnormal, min_magnitude=min_magnitude, expansion_threshold=expansion_threshold, downsample_factor=downsample_factor, kernel_size=kernel_size, denoise_sigma=denoise_sigma) + def get_depth(self, denoise_sigma=15): + return getFilteredDensity(self.vnormal, use_cuda=self.cuda) + self.depth = getFilteredDensity(self.vnormal, use_cuda=self.cuda) def update(self): """ Convenience method: get_img + compute_deformation in one call. diff --git a/test_foe_depth.py b/test_foe_depth.py index 7fa064d..33566f4 100644 --- a/test_foe_depth.py +++ b/test_foe_depth.py @@ -327,6 +327,7 @@ def main(): cv2.imshow("Focus of Expansion", image_with_foe) divergence = foe_result['divergence_map'] + divergence = np.where(divergence>0, divergence, 0) # 计算散度统计信息 div_min = np.min(divergence) diff --git a/test_foe_depth_v2.py b/test_foe_depth_v2.py new file mode 100644 index 0000000..50f1d20 --- /dev/null +++ b/test_foe_depth_v2.py @@ -0,0 +1,462 @@ +import os +os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0" # Windows 下禁用硬件加速，避免兼容性问题 + +import cv2 +import orisys +import numpy as np +from scipy.ndimage import gaussian_filter, binary_dilation + +def create_colorbar(min_val, max_val, height=400, width=60, colormap=cv2.COLORMAP_JET): + """ + 创建颜色条图像，显示深度值的颜色映射尺度。 + + Args: + min_val: 最小值 + max_val: 最大值 + height: 颜色条高度（默认400） + width: 颜色条宽度（默认60） + colormap: OpenCV颜色映射（默认JET） + + Returns: + np.ndarray: 包含颜色条和标签的BGR图像 + """ + # 创建颜色条：从0到255的渐变（从底部到顶部） + gradient = np.linspace(255, 0, height, dtype=np.uint8).reshape(-1, 1) + gradient = np.tile(gradient, (1, width)) + colorbar = cv2.applyColorMap(gradient, colormap) + + # 添加文本标签 + font = cv2.FONT_HERSHEY_SIMPLEX + font_scale = 0.4 + thickness = 1 + color = (255, 255, 255) # 白色文字 + + # 在顶部显示最大值 + max_text = f"{max_val:.1f}" + (text_width, text_height), _ = cv2.getTextSize(max_text, font, font_scale, thickness) + cv2.putText(colorbar, max_text, (width - text_width - 5, text_height + 5), + font, font_scale, color, thickness, cv2.LINE_AA) + + # 在中间显示中值 + mid_val = (min_val + max_val) / 2 + mid_text = f"{mid_val:.1f}" + (text_width, text_height), _ = cv2.getTextSize(mid_text, font, font_scale, thickness) + cv2.putText(colorbar, mid_text, (width - text_width - 5, height // 2 + text_height // 2), + font, font_scale, color, thickness, cv2.LINE_AA) + + # 在底部显示最小值 + min_text = f"{min_val:.1f}" + (text_width, text_height), _ = cv2.getTextSize(min_text, font, font_scale, thickness) + cv2.putText(colorbar, min_text, (width - text_width - 5, height - 5), + font, font_scale, color, thickness, cv2.LINE_AA) + + return colorbar + +def add_colorbar_to_image(image, min_val, max_val, colormap=cv2.COLORMAP_JET): + """ + 将颜色条添加到图像右侧。 + + Args: + image: 原始图像 + min_val: 最小值 + max_val: 最大值 + colormap: OpenCV颜色映射（默认JET） + + Returns: + np.ndarray: 添加了颜色条的图像 + """ + h, w = image.shape[:2] + colorbar = create_colorbar(min_val, max_val, height=h, width=60, colormap=colormap) + + # 水平拼接图像和颜色条 + combined = np.hstack([image, colorbar]) + return combined + +def estimate_depth(foe=None, flow=None, init_depth=None, min_radial_flow=0.01, T_z=1.0, + expansion_mask=None, contraction_mask=None): + """ + 基于FOE（扩张焦点）和光流场估计深度。 + + Args: + foe: FOE坐标，可以是： + - (x, y) 元组或列表 + - None（如果未提供，返回零深度图） + flow: 光流场，形状为 (H, W, 2) 的 numpy 数组，包含 u 和 v 分量 + init_depth: 初始深度值，可以是： + - 标量：用于统一缩放深度 + - numpy数组：用于逐像素参考深度（会进行混合） + - None：不进行缩放 + min_radial_flow: 最小径向流阈值，避免除零（默认0.01） + T_z: 平移速度参数，用于深度计算（默认1.0） + expansion_mask: 扩张区域掩码（可选），如果提供，只在掩码内计算深度 + contraction_mask: 收缩区域掩码（可选），如果提供，只在掩码内计算深度 + + Returns: + np.ndarray: 深度图，形状为 (H, W) + + Examples: + # 使用FOE坐标和vnormal估计深度 + depth = estimate_depth(foe=(cx, cy), flow=vnormal, init_depth=30) + + # 使用FOE列表和掩码 + depth = estimate_depth(foe=[cx, cy], flow=vnormal, expansion_mask=expansion_mask, contraction_mask=contraction_mask) + """ + if flow is None: + raise ValueError("flow parameter is required") + + H, W = flow.shape[:2] + u, v = flow[..., 0], flow[..., 1] + + # 创建有效掩码：如果提供了expansion_mask，将其扩展20% + if expansion_mask is not None: + # 计算膨胀核大小：基于expansion_mask的实际尺寸 + # 找到mask的边界框，计算其特征尺寸 + mask_coords = np.where(expansion_mask) + if len(mask_coords[0]) > 0: + # 计算mask的边界框尺寸 + y_min, y_max = mask_coords[0].min(), mask_coords[0].max() + x_min, x_max = mask_coords[1].min(), mask_coords[1].max() + mask_width = x_max - x_min + 1 + mask_height = y_max - y_min + 1 + # 使用mask的平均尺寸的20%作为核半径 + avg_size = (mask_width + mask_height) / 2 + kernel_radius = max(3, int(avg_size * 0.2 * 0.5)) # 20%扩展，核半径约为尺寸的10% + else: + # 如果mask为空，使用图像尺寸的某个百分比 + diagonal = np.sqrt(H**2 + W**2) + kernel_radius = max(3, int(diagonal * 0.02)) # 图像对角线的2%作为核半径 + + # 创建方形结构元素，边长为 kernel_radius*2+1 + structure = np.ones((kernel_radius * 2 + 1, kernel_radius * 2 + 1), dtype=bool) + + # 对expansion_mask进行形态学膨胀，使其扩大约20% + valid_mask = binary_dilation(expansion_mask.astype(bool), structure=structure) + else: + # 如果没有提供掩码，使用全图 + valid_mask = np.ones((H, W), dtype=bool) + + # 提取FOE坐标 + if foe is None: + # 如果没有提供FOE，返回零深度图 + return np.zeros((H, W), dtype=np.float32) + + if isinstance(foe, (tuple, list, np.ndarray)): + if len(foe) >= 2: + fx, fy = float(foe[0]), float(foe[1]) + else: + raise ValueError(f"FOE coordinates must have at least 2 elements, got {len(foe)}") + else: + raise ValueError(f"FOE must be a tuple, list, or array, got {type(foe)}") + + # 确保FOE坐标在图像范围内 + fx = np.clip(fx, 0, W - 1) + fy = np.clip(fy, 0, H - 1) + + # 创建坐标网格 + yy, xx = np.meshgrid(np.arange(H), np.arange(W), indexing='ij') + + # 计算从FOE到每个点的径向向量 + rx = xx - fx + ry = yy - fy + r = np.sqrt(rx**2 + ry**2) + + # 避免除零：在FOE点附近使用小值 + r_safe = np.maximum(r, 1.0) + + # 计算径向单位向量 + radial_unit_x = rx / r_safe + radial_unit_y = ry / r_safe + + # 计算径向流（光流在径向方向上的投影） + # 正值表示远离FOE，负值表示朝向FOE + radial_flow = u * radial_unit_x + v * radial_unit_y + + # 创建掩码：FOE附近区域（半径内） + foe_radius = 1 # FOE附近的半径（像素） + mask_foe_region = r < foe_radius + + # 处理FOE附近区域：使用邻域的中位数径向流（更稳健） + if np.any(mask_foe_region): + # 创建FOE区域的扩展掩码（用于获取邻域值） + mask_foe_extended = r < (foe_radius + 5) + if np.any(mask_foe_extended & ~mask_foe_region): + # 使用FOE区域外的邻域值的中位数 + neighbor_flow = radial_flow[mask_foe_extended & ~mask_foe_region] + if len(neighbor_flow) > 0: + radial_flow[mask_foe_region] = np.median(neighbor_flow) + else: + radial_flow[mask_foe_region] = 0.0 + else: + # 如果没有邻域值，使用全局中位数 + if np.any(~mask_foe_region): + radial_flow[mask_foe_region] = np.median(radial_flow[~mask_foe_region]) + else: + radial_flow[mask_foe_region] = 0.0 + + # 深度计算：Z = (T_z * r) / radial_flow + # 当径向流为正（远离FOE）时，深度为正 + radial_flow_safe = np.where( + np.abs(radial_flow) < min_radial_flow, + np.sign(radial_flow) * min_radial_flow, + radial_flow + ) + + # 计算相对深度（仅在有效掩码内） + depth = np.zeros((H, W), dtype=np.float32) + + # 只在有效掩码内计算深度 + if np.any(valid_mask): + depth_valid = (T_z * r[valid_mask]) / np.maximum(np.abs(radial_flow_safe[valid_mask]), min_radial_flow) + depth_valid = np.abs(depth_valid) # 使用绝对值 + depth[valid_mask] = depth_valid + + # 对于掩码外的像素，设置为掩码内的最低深度值 + if np.any(valid_mask): + min_depth_in_mask = np.min(depth[valid_mask]) + depth[~valid_mask] = min_depth_in_mask + else: + # 如果没有有效掩码，使用初始深度或0 + depth.fill(init_depth if init_depth is not None and np.isscalar(init_depth) else 0.0) + + # 处理FOE附近区域：使用平滑后的值 + if np.any(mask_foe_region): + depth_smoothed = gaussian_filter(depth, sigma=15) + depth[mask_foe_region] = depth_smoothed[mask_foe_region] + + # 应用高斯滤波平滑整个深度图，减少噪声和伪影 + depth = gaussian_filter(depth, sigma=15) + + + # 缩放深度（如果提供了初始深度，只使用掩码内的值） + if init_depth is not None: + if np.isscalar(init_depth): + # 统一缩放：将深度中位数缩放到init_depth（只使用掩码内的值） + if np.any(valid_mask): + valid_depth = depth[valid_mask & (depth > 0)] + if len(valid_depth) > 0: + median_depth = np.median(valid_depth) + if median_depth > 0: + scale = init_depth / median_depth + depth *= scale + elif isinstance(init_depth, np.ndarray): + # 逐像素参考深度：计算缩放因子并混合（只使用掩码内的值） + if init_depth.shape == depth.shape and np.any(valid_mask): + valid_ref = valid_mask & (init_depth > 0) & (depth > 0) + if np.any(valid_ref): + # 计算缩放因子 + scale = np.median(init_depth[valid_ref] / depth[valid_ref]) + depth *= scale + + # 可选：与参考深度混合 + alpha = 0.3 # 混合因子 + depth = alpha * depth + (1 - alpha) * init_depth + + # 缩放后，确保掩码外的像素保持为掩码内的最低深度值 + if np.any(valid_mask): + min_depth_in_mask = np.min(depth[valid_mask]) + depth[~valid_mask] = min_depth_in_mask + + # 后处理：处理异常值 + depth = np.nan_to_num(depth, nan=0.0, posinf=1000.0, neginf=0.0) + + # 裁剪到合理范围（使用百分位数，但只在掩码内） + if np.any(valid_mask) and np.any(depth[valid_mask] > 0): + p1, p99 = np.percentile(depth[valid_mask & (depth > 0)], [1, 99]) + depth = np.clip(depth, p1, p99) + + # 最终平滑：对FOE附近区域再次应用平滑，确保伪影被消除 + depth_final_smooth = gaussian_filter(depth, sigma=15) + + # 重新计算FOE附近掩码 + rx = xx - fx + ry = yy - fy + r = np.sqrt(rx**2 + ry**2) + mask_foe_region = r < foe_radius + + # 在FOE附近区域使用更平滑的值（但只在有效掩码内） + if np.any(mask_foe_region & valid_mask): + depth[mask_foe_region & valid_mask] = depth_final_smooth[mask_foe_region & valid_mask] + + # 确保掩码外的像素保持为掩码内的最低深度值 + if np.any(valid_mask): + min_depth_in_mask = np.min(depth[valid_mask]) + depth[~valid_mask] = min_depth_in_mask + + return depth.astype(np.float32) + + + +def main(): + + + # 方式1: 从视频文件读取 + # sensor = orisys.Sensor("./s1.mp4", isstitch=True, cuda=True, verbose=True) + + # 方式2: 从摄像头读取（取消注释使用） + sensor = orisys.Sensor(0, isstitch=True, cuda=True, verbose=True) + + print("\n按 'q' 退出程序，按 'r' 重置光流追踪器") + + while True: + # 步骤 2.1: 获取并拼接图像 + sensor.get_img() + + # 步骤 2.2: 计算形变场 + sensor.compute_deformation() + + fps, flow,vnormal, depth = sensor.read_info( + sensor.info.FPS, + sensor.info.VRAW, + sensor.info.VNORMAL, + sensor.info.DEPTH + ) + + # depth = get_depth_improved(vnormal, fps) + + + arrows = orisys.util.draw_arrows( + sensor.img.copy(), # 使用 copy() 避免修改原图 + vnormal, + threshold=5, + grid_spacing=10, + arrow_scale=1.0 + ) + cv2.imshow("形变场 Deformation", arrows) + + # # 绘制深度图（热力图） + # # 深度值缩放：中心值 30，范围 ±10（即 20-40 映射到 0-255） + + + mag_img = orisys.util.draw_magnitude_map( + sensor.img.copy(), + vnormal, + threshold=5, + colormap=cv2.COLORMAP_HOT, + downsample_factor = 1 + ) + cv2.imshow("magnitude map", mag_img) + + # 计算扩张焦点 + # foe_result = orisys.util.compute_foe(vnormal,min_magnitude=1,expansion_threshold=0.01,downsample_factor=1) + foe_result = sensor.get_contact(multiple_foe=False, min_magnitude=1, expansion_threshold=0.01, downsample_factor=1,denoise_sigma=15) + # 在图像上绘制焦点和区域 + image_with_foe = orisys.util.draw_foe(sensor.img.copy(), foe_result) + cv2.imshow("Focus of Expansion", image_with_foe) + + divergence = foe_result['divergence_map'] + divergence = np.where(divergence>0.01, divergence, 0) + + # 计算散度统计信息 + div_min = np.min(divergence) + div_max = np.max(divergence) + div_median = np.median(divergence) + print(f"散度统计: min={div_min:8.4f}, median={div_median:8.4f}, max={div_max:8.4f}") + + # 归一化散度值到0-255范围（使用绝对值，然后归一化） + div_abs = np.abs(divergence) + if div_abs.max() > div_abs.min(): + div_normalized = ((div_abs - div_abs.min()) / (div_abs.max() - div_abs.min()) * 255).astype(np.uint8) + else: + div_normalized = np.zeros_like(div_abs, dtype=np.uint8) + + # 应用颜色映射（使用JET：蓝色=低散度，红色=高散度） + divergence_colored = cv2.applyColorMap(div_normalized, cv2.COLORMAP_JET) + + # 添加颜色条显示散度尺度 + div_display_min = div_abs.min() + div_display_max = div_abs.max() + divergence_with_colorbar = add_colorbar_to_image(divergence_colored, div_display_min, div_display_max, cv2.COLORMAP_JET) + cv2.imshow("divergence map", divergence_with_colorbar) + + # 检查是否找到FOE + if 'foe_point' in foe_result and foe_result.get('is_foe_found', False): + (cx, cy) = foe_result['foe_point'] + # 使用FOE坐标和vnormal估计深度，传入扩张和收缩掩码 + Z_rel = estimate_depth( + foe=(cx, cy), + flow=vnormal, + init_depth=30, + T_z=1.0, + expansion_mask=foe_result.get('expansion_mask'), + contraction_mask=foe_result.get('contraction_mask') + ) + + # 计算深度统计信息（用于颜色映射缩放） + z_min = np.min(Z_rel) + z_max = np.max(Z_rel) + z_median = np.median(Z_rel) + + # 打印深度统计信息 + print(f"FPS: {fps:5.1f}, FOE: ({cx:3d}, {cy:3d})") + print(f" 深度统计 (用于颜色映射缩放): min={z_min:8.2f}, median={z_median:8.2f}, max={z_max:8.2f}") + + # 智能颜色映射缩放：根据统计信息设置合理的显示范围 + # 如果最大值远大于中位数，说明存在异常值，使用百分位数范围 + if z_max > 5 * z_median: + # 存在异常值：使用百分位数范围，以median为中心 + z_p1 = np.percentile(Z_rel, 1) + z_p99 = np.percentile(Z_rel, 99) + z_p5 = np.percentile(Z_rel, 5) + z_p95 = np.percentile(Z_rel, 95) + + # 计算以median为中心的对称范围 + # 使用5%和95%百分位数来确定主要数据范围 + range_low = z_median - z_p5 + range_high = z_p95 - z_median + range_symmetric = max(range_low, range_high) + + # 设置显示范围：median ± 对称范围，但不小于1%和99%百分位数 + z_display_min = max(z_p1, z_median - 2 * range_symmetric) + z_display_max = min(z_p99, z_median + 2 * range_symmetric) + + print(f" 使用百分位数范围 (避免异常值): [{z_display_min:8.2f}, {z_display_max:8.2f}]") + else: + # 正常范围：使用min-max + z_display_min = z_min + z_display_max = z_max + print(f" 使用完整范围: [{z_display_min:8.2f}, {z_display_max:8.2f}]") + + # 裁剪深度值到显示范围并归一化 + depth_clipped = np.clip(Z_rel, z_display_min, z_display_max) + depth_normalized = (depth_clipped - z_display_min) / (z_display_max - z_display_min + 1e-6) + depth_normalized = np.clip(depth_normalized, 0, 1) + + # 使用JET颜色映射显示深度图（蓝色=低深度，红色=高深度） + depth_colored = cv2.applyColorMap((depth_normalized * 255).astype(np.uint8), cv2.COLORMAP_JET) + + # 添加颜色条显示深度尺度 + depth_with_colorbar = add_colorbar_to_image(depth_colored, z_display_min, z_display_max, cv2.COLORMAP_JET) + cv2.imshow("Depth Map", depth_with_colorbar) + else: + # 如果没有找到FOE，显示提示信息 + print("No FOE found, skipping depth estimation") + # 显示一个默认的深度图 + Z_rel = np.full((sensor.img.shape[0], sensor.img.shape[1]), 30.0, dtype=np.float32) + depth_colored = cv2.applyColorMap((Z_rel * 8).astype(np.uint8), cv2.COLORMAP_HOT) + + # 添加颜色条 + depth_with_colorbar = add_colorbar_to_image(depth_colored, 0.0, 30.0, cv2.COLORMAP_HOT) + cv2.imshow("Depth Map", depth_with_colorbar) + + + # ===================================================================== + # 4. 键盘控制 + # ===================================================================== + key = cv2.waitKey(1) & 0xFF + if key == ord("q"): + print("\n退出程序...") + break + if key == ord("r"): + # 重置光流追踪器（当追踪漂移时使用） + sensor.reset() + print("光流追踪器已重置") + + # ========================================================================= + # 5. 清理资源 + # ========================================================================= + sensor.disconnect() # 释放视频源和相关资源 + cv2.destroyAllWindows() + + +if __name__ == '__main__': + main()