update foe to contact for easy understanding

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")
 
@@ -31,11 +27,6 @@ def main():
             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
             vnormal,
@@ -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))
         
 
         # =====================================================================

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

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.

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)

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()