This book provides a working guide to the C++ Open Source Computer Vision Library (OpenCV) version 3.x and gives a general background on the field of com‐ puter vision sufficient to help readers use OpenCV effectively

计算机视觉是在图像处理的基础上发展起来的新兴学科。OpenCV是一个开源的计算机视觉库，是英特尔公司资助的两大图像处理利器之一。它为图像处理、模式识别、三维重建、物体跟踪、机器学习和线性代数提供了各种各样的算法。 本书由OpenCV发起人所写，站在一线开发人员的角度用通俗易懂的语言解释了OpenCV的缘起和计算机视觉基础结构，演示了如何用OpenCV和现有的自由代码为各种各样的机器进行编程，这些都有助于读者迅速入门并渐入佳境，兴趣盎然地深入探索计算机视觉领域。 本书可作为信息处理、计算机、机器人、人工智能、遥感图像处理、认知神经科学等有关专业的高年级学生或研究生的教学用书，也可供相关领域的研究工作者参考。

感谢您多年来对我们的支持，更重要的是，感谢您对图像质量最高水平的追求。 自1997年成立以来，我们逐渐发展成为全球图像质量测试的领导者，并通过应用我们的图像质量检测设备和经验，帮助世界各地各行各业的公司改进他们的成像设备。今天，我们拥有业内最大的独立测试实验室，并已成为世界领先的图像质量测试设备和测试解决方案供应商之一。 我们的产品和解决方案围绕着290多张测试图卡，这些测试图卡经过专业设计，用于评估许多不同的图像质量因素，包括相机分辨率、畸变、Flare等。 我们的照明设备许多是基于iQ-LED光源技术，为测试图卡或测试实验室提供标准的照明补光环境。 此外我们还提供各种测量设备，以准确测量相机系统的不同功能，如快门时滞、图像防抖等。我们还开发了先进的解决方案，如iQ-Automator， 只需单击一下就可以完全自动化测试。 最后，使用iQ-Analyzer分析软件可以对图像质量测试结果进行全面的客观分析。 我们的测试实验室使用高准确性的设备和软件，并在适用时遵守国际标准。我们积极参与许多负责定义和更新图像质量行业标准的国际委员会（完整列表请参见网站）。 自2021年6月起，我们正式成为Nynomic Group的成员。有了Nynomic作为战略投资者，我们现在有了一个背景相似的合作伙伴，他可以为我们提供资源，以更快和更高水平实现我们的目标。 自成立以来，我们的使命始终是为创造改变世界的图像做好准备。我们相信正确的解决方案可以带来最高水平的图像质量。 感谢您对Image Engineering公司的关注。我们期待着帮助您提高图像质量！

OpenCV在计算机视觉领域扮演着重要的角色。作为一个基于开源发行的跨平台计算机视觉库，OpenCV 实现了图像处理和计算机视觉方面的很多通用算法。本书以当前最新版本的 OpenCV 最常用最核心的组件模块为索引，深入浅出地介绍了OpenCV2和 OpenCV3中的强大功能、性能，以及新特性。书本配套的 OpenCV2和 OpenCV3双版本的示例代码包中，含有总计两百多个详细注释的程序源代码与思路说明。读者可以按图索骥，按技术方向进行快速上手和深入学习。 本书要求读者具有基础的C/C++知识，适合研究计算机视觉以及相关领域的在校学生和老师、初次接触OpenCV 但有一定C/C++编程基础的研究人员，以及已有过OpenCV1.0编程经验，想快速了解并上手OpenCV2、OpenCV3编程的计算机视觉领域的专业人员。本书也适合于图像处理、计算机视觉领域的业余爱好者、开源项目爱好者做为通向新版 OpenCV的参考手册之用。

做为拍照手机的核心模块之一，camera sensor 效果的调整，涉及到众多的参数，如果对 基本的光学原理及 sensor 软/硬件对图像处理的原理能有深入的理解和把握的话，对我们的 工作将会起到事半功倍的效果。否则，缺乏了理论的指导，只能是凭感觉和经验去碰，往往 无法准确的把握问题的关键，，不能掌握 sensor 调试的核心技术，无法根本的解决问题。

焦距是从镜头的中心点到胶平面上所形成的清晰影像之间的距离。焦距的大小决定着视 角的大小，焦距数值小，视角大，所观察的范围也大；焦距数值大，视角小，观察范围小。 根据焦距能否调节，可分为定焦镜头和变焦镜头两大类。

Instead of more expensive and complex optics, recent years, many researches are focused on high-quality photography using light- weight cameras, such as single-ball lens, with computational image pro- cessing. Traditional methods for image enhancement do not comprehen- sively address the blurring artifacts caused by strong chromatic aber- rations in images produced by a simple optical system. In this paper, we propose a new method to correct both lateral and axial chromatic aberrations based on their different characteristics. To eliminate lateral chromatic aberration, cross-channel prior in shearlet domain is proposed to align texture information of red and blue channels to green channel. We also propose a new PSF estimation method to better correct axial chromatic aberration using wave propagation model, where F-number of the optical system is needed. Simulation results demonstrate our method can provide aberration-free images while there are still some artifacts in the results of the state-of-art methods. PSNRs of simulation results in- crease at least 2 dB and SSIM is on average 6.29% to 41.26% better than other methods. Real-captured image results prove that the pro- posed prior can effectively remove lateral chromatic aberration while the proposed PSF model can further correct the axial chromatic aberration.