【制作方法】
 
自制的简易“节拍器”如图3．6－1所示。
 

 
取一个无色透明带塞的玻璃瓶，在瓶塞上开两个小孔，左边插入一根短的尖嘴玻璃管，右边插入一根弯头玻璃管，使其端部靠近瓶底，在另一端部套一橡皮管，管上夹一管夹。
 
将玻璃瓶内装入较多的水，倒置在支架上，使插入瓶内的玻璃管口露出水面(图3．6－1)，利用管夹调节水滴下落的时间间隔，通过水滴滴到下面容器内时发出的响声，记录时间。
 
【使用方法】
 
1．匀速直线运动的演示。
 

 
如图3．6－2所示，将小车放在80厘米长的木板上。在木板分的O、B、D处插上三面小红旗且OB＝BD。先将木板大致调节成水平，然后将左端垫高一些，要求轻轻拨动一下小车，小车就能向右端运动，并且通过红旗之间的时间间隔(由简易节拍器计时)相等。重复上述实验，改变小车运动的速度，可发现小车通过两红旗之间的时间也相等。根据物体在相等的时间内通过的路程相等，且运动在一条直线上，即可以判定小车的上述运动是匀速直线运动。
 
2．变速直线运动的演示。
 

 
如图3．6－3所示，将实验小车放在倾斜放置的平板上，调节木板的倾斜程度，使小车在放手后能从静止开始沿斜面向下作加速运动。调节节拍器的管夹，使小车从O运动到D需若干个单位时间。
 
当听到某次节拍声时在O处放手让小车运动，并随着每次节拍声，在小车所到的位置旁插上一面红旗，可以看出，这些红旗之间的距离是不相等的，表明小车的运动是变速直线运动。
 
TATA网提示：本自制教具可辅以“运动和力”部分的物理实验教学。
 
选自：《初中物理自制教具》
 
原创文章，作者：熊妈妈，如若转载，请注明出处：https://www.tatadiy.cn/views/6634.html

 
匀速直线运动本质上是沿宇宙球面做的匀速圆周运动。接下来学习啦小编为你整理了物理匀速直线运动图像知识点，一起来看看吧。
 
物理匀速直线运动图像知识点：定义
 
匀变速直线运动是高中物理最基本，同时也是考察做多的一种运动形式。
 
物体在一条直线上运动，如果在相等的时间内速度的变化量相等，这种运动就叫做匀变速直线运动。
 
也可定义为：沿着一条直线，且加速度不变的运动，叫做匀变速直线运动。
 
在匀变速直线运动中，如果物体的速度随着时间均匀增加，这个运动叫做匀加速直线运动;对应着加速度与速度方向相同。
 
如果物体的速度随着时间均匀减小，这个运动叫做匀减速直线运动;对应着加速度与速度方向相反。
 
物理匀速直线运动图像知识点：前提条件
 
物体到底在满足什么前提下才能做匀变速直线运动呢?
 
这个前提条件，主要是对比曲线运动的前提条件来说的。物体作匀变速直线运动须同时符合下述两条：
 
1，受恒外力作用(保证加速度方向大小不变);
 
2，合外力与初速度在同一直线上(保证物体运动方向不变)。
 
当合外力的方向与物体运动方向一致时，为匀加速直线运动;当合外力方向与物体运动方向相反时，为匀减速直线运动。
 
物理匀速直线运动图像知识点：公式
 
匀变速直线运动有四个最基本公式，分别如下：
 
(1)末速度与时间的关系公式
 
vt=v0+at
 
(2)位移与时间的关系公式
 
x=v0t+1/2at^2
 
(3)位移与速度的关系公式
 
vt^2-v0^2=2ax
 
(4)位移与平均速度的关系公式
 
x=(vt+v0)*t/2
 
一般来说，题目中含有t的时候，优先考虑的是第一个、第二个方程。
 
题目没有时间t时，优先考虑的是第三个方程(位移和速度关系)。
 
从上述的四个公式中不难看出，研究匀变速直线运动主要是研究五个物理量：s、t、a、v0、vt，这五个物理量中只有三个是独立的，可以任意选定。
 
只要其中三个物理量确定之后，另外两个就唯一确定了。
 
每个公式中只有其中的四个物理量，当已知某三个而要求另一个时，往往选定一个公式就可以了。
 
如果两个匀变速直线运动有三个物理量对应相等，那么另外的两个物理量也一定对应相等。例如：在忽略空气阻力的条件下，竖直上抛物体的上升、回落过程对照：最小速度、加速度大小、位移大小相同，因此经历时间和最大速度大小一定相同。
 
以上五个物理量中，除时间t外，s、v0、vt、a这四个量都是矢量。
 
一般做题的过程中选定v0的方向为正方向，以t=0时刻的位移为零，这时s、vt和a的正负就都有了确定的物理意义。当然，这是王尚个人的意见，有的老师喜欢规定a的方向为正方向，这也是可以的。正方向的规定并不严格，但是我们在运用上述四个公式的时候，必须带入矢量进行运算，否则就很容易导致计算错误。
 
猜你感兴趣的：

卡尔曼滤波 - 匀变速直线运动
 
flyfish
 
航空母舰的舰载机起飞
 
舰载机起飞时，采用弹射装置使飞机获得10 $m/s$的速度后，由机上发动机使飞机获得25 $m/s^2$ 的加速度在航母跑道上匀加速前进，2.4 s后离舰升空。飞机匀加速滑行的距离是？
 
$$x=v_{0}t+\frac{1}{2}a{t}^2=10\mathrm{m}/\mathrm{s}\times 2.4\mathrm{s}+\frac{1}{2}\times 25\mathrm{m}/{\mathrm{s}}^2\times (2.4\mathrm{s}{)}^2=96\mathrm{m}$$
 
航空母舰的舰载机降落
 飞机在航母上降落时，需用阻拦索使飞机迅速停下来。若某次飞机着舰时的速度为80 m/s，飞机钩住阻拦索后经过2.5 s 停下来。将这段运动视为匀减速直线运动，此过程中飞机加速度的大小及滑行的距离各是？
 $$a=\frac{v-v_0}{t}=-\frac{v_0}{t}=-\frac{80\mathrm{m}/\mathrm{s}}{2.5\mathrm{s}}=-32\mathrm{m}/{\mathrm{s}}^2$$
 
$$x=v_{0}t+\frac{1}{2}a{t}^2=v_{0}t+\frac{1}{2}\times (-\frac{v_0}{t})\times t^2=\frac{1}{2}{v}_{0}t=\frac{1}{2}\times 80\mathrm{m}/\mathrm{s}\times 2.5\mathrm{s}=100\mathrm{m}$$
 
匀变速直线运动的位移与时间的关系
 
$$x=\frac{1}{2}(v_0+v)t$$
 $$v＝v_0＋at$$代入上式得
 $$x=v_{0}t+\frac{1}{2}a{t}^2$$
 
匀变速直线运动的速度与时间的关系
 $$v＝v_0＋at$$
 
匀变速直线运动的速度与位移的关系
 $$v^2-v_0^2=2ax$$

近期花了点时间学习图像复原，研究了一下最基本的水平匀速直线运动图像复原方法，在此总结一下。不当之处，还请大家批评指正。
 
研究背景：
 
变速非直线运动在某些条件下可被分解为匀速直线运动，从而我们可以将变速非直线运动模糊过程简化为匀速直线运动模糊过程。在此基础上，我们再次将匀速直线运动模糊过程简化为水平匀速运动模糊过程。
 
具体问题：
 
自己亲手拍摄的图片：图一
 
 让其运动模糊（最初老师的建议是拍10张照片叠加，自己亲身实验后，效果很差，决定选用一个更简单的方法让其模糊），具体做法：将图一错位叠加，具体过程如下：每次将图1向右平移10个像素，用0填充空出来的像素点.如此平移9次，再将得到的10张照片叠加，把得到的像素值变换到0~255.得到图二：
 
 下面开始复原：在研究及尝试逆滤波、维纳滤波和约束最小二乘滤波后，决定使用约束最小二乘滤波进行复原。
 具体的复原过程参考了下面几篇文章：
 https://blog.csdn.net/qq_44310495/article/details/109539704
 https://blog.csdn.net/qq_42240908/article/details/112745898
 https://blog.csdn.net/weixin_41919571/article/details/111221283
 
原理部分：
 
构造约束优化模型（时域）：
 
 频域内的表示：
 
 用拉格朗日乘子法解得：
 
 a=0就是一般的约束优化模型。
 
代码部分
 
手动模糊图片：
 
#模糊图片
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.image as img

data = img.imread("1.jpg")
data = data[:,:,0]
newdata = np.zeros_like(data,dtype="int64")
l, w = data.shape
v = 20
num = 10
for i in range(num):
    datatemp = np.zeros_like(data,dtype="int64")
    #print((datatemp[:,10*i:,:].shape), (data[:,:w-10*i,:]).shape)
    datatemp[:,v*i:] = data[:,:w-v*i]
    newdata += datatemp

for i in range(num):
    newdata[:,10*i:10*(i+1)] = newdata[:,10*i:10*(i+1)]/(i+1)

newdata[:,10*num:] = newdata[:,10*num:]/num

newdata = newdata.astype(np.uint8)
print(newdata.shape,type(newdata))
newdata.tofile("uniadd20.raw")

plt.figure()
plt.subplot(121)
plt.imshow(data,cmap="gray")
plt.subplot(122)
plt.imshow(newdata,cmap='gray')
plt.show()
 
约束最小二乘复原（改了拉普拉斯算子部分，这是本文的创新部分）：
 
#约束最小二乘复原
# 利用最小二乘法复原图像
import cv2
import numpy as np
from numpy import fft
from matplotlib import pyplot as plt
import cmath


def degradation_function(m,n,a,b,T):
    '''
用于得到退化矩阵
    :param m: 图像形状的第一个参数
    :param n: 图像形状的第二个参数
    :param a: 竖直方向的偏移量
    :param b: 水平方向的偏移量
    :param T: 避免除数为0添加的一个极小量
    :return:退化函数
    '''
    P = m / 2 + 1
    Q = n / 2 + 1
    Mo = np.zeros((m, n), dtype=complex)
    for u in range(m):
        for v in range(n):
            temp = cmath.pi * ((u - P) * a + (v - Q) * b)
            if temp == 0:
                Mo[u, v] = T
            else:
                Mo[u, v] = T * cmath.sin(temp) / temp * cmath.exp(-1j * temp)
    return Mo

def image_mapping(image):   #把图像大小转换到<255
    imgmin = np.min(image)
    image = image - imgmin
    img = image/np.max(image)*255
    return img


if __name__ == '__main__':
    #img = cv2.imread('haogemohu3.png',0)
    #img = np.fromfile("add.raw", dtype=np.uint8)
    img = np.fromfile("uniadd.raw", dtype=np.uint8)
    #img = np.fromfile("acceadd.raw", dtype=np.uint8)
    img = img.reshape((3456, 3456))
    #img = img[1000:,1000:]
    m, n = img.shape
    a = 0
    b = 0.04 #uniadd0.04#0.2    #加速取了好几个值，都效果很不好。
    T = 0.04     #uniadd0.04
    r = 0.0000001
    G = fft.fft2(img)
    G_shift = fft.fftshift(G)      #把低频部分转移到图像的中心
    H = degradation_function(m, n,a,b,T)
    p = np.array([[0,-1,0],
                  [-1,4,-1],      #原来是4，改成5、6后效果要好很多！还不知道原因
                  [0,-1,0]])
    P = fft.fft2(p,[img.shape[0],img.shape[1]])   #指定的输出大小大于输入数组的大小，则做0填充
    w, h = P.shape
    F = G_shift *(np.conj(H) / (np.abs(H)**2+r*np.abs(P)**2))   #np.conj():返回元素的复共轭

    F = fft.ifftshift(F)
    #f_pic = np.abs(fft.ifft2(F))
    f_pic = fft.ifft2(F)
    res = image_mapping(f_pic)
    res1 = res.astype('uint8')
    #res1 = cv2.medianBlur(res1, 3)
    res2 = cv2.equalizeHist(res1)   #均衡化res1
    #res2 = (res1-np.max(res1))/(np.max(res1)-np.min(res1))
    #res1[np.where(res1>200)]=0

    res2.tofile("result.raw")
    plt.figure()
    plt.subplot(131)
    plt.imshow(img,cmap='gray')
    plt.xlabel('原图', fontproperties='FangSong', fontsize=12)
    plt.subplot(132)
    plt.imshow(res1,cmap='gray')
    plt.xlabel('复原后的图', fontproperties='FangSong', fontsize=12)
    plt.subplot(133)
    plt.imshow(res2,cmap='gray')
    plt.xlabel('复原后的图直方图均衡化', fontproperties='FangSong', fontsize=12)

    plt.figure()
    plt.imshow(res2,cmap="gray")
    plt.show()
 
实验结果：
 

 图三：复原图（左图a=-2，中图a=0，右图a=2）
 下面放大细节：看较暗区域的C和V
 
 右图的字母C最为清晰，相对来说复原清晰度的最好.
 
 挑较亮区域的数字6：
 
 左图的数字最清晰，中间的数字其次，右图的数字最模糊.
 
总结：
 
构造了约束最小二乘方法对水平运动的图像进行了复原.从复原的结果可以发现该方法基本复原了图片的文本内容，且文本内容清晰可辨认.在复原图像细节方面，若目标区域在原图，选用a>0的约束优化模型，可以得到更为清晰的复原图像；若原图整体较亮，选用a<0的约束优化模型，可以得到更为清晰的复原图像.
 存在的问题：复原的图像存在明显的振铃现象，图像质量还有较大的改进空间；在具体的数值实验时，当错位的间隔在20个像素以上时，这种方法的复原效果不好；可以在时域上复原试试。
 
最后，再小小的总结一下在在做大作业时遇到的一些问题，供以后完成大作业借鉴：
 1）正式确定选题前必须做尽可能多的调查，确保要干的事情是有意义的！多次实践发现自己很容易造问题，但这个问题是否有实际解决的意义，是否值得投入足够多的时间的精力，否则就是在做无用功。
 2）开始真正动手干之前一定要明确自己要解决的问题。解决一个问题的途中会碰上很多其它的问题是一件无法避免的事，但脑子里一定要明确自己要爬的这座山的山顶在哪里，否则很容易爬着爬着就在半山腰走上了另一座山峰的道。
 3）少给自己挖坑，自己制定的路线、方法是否可行，有多大的把握能达到多好的效果都要在前期想清楚。否则很容易“虎头蛇尾”，老是干一些没屁股的事情！这种习惯必须纠正！
 4）学习这东西，真的是一份耕耘，一份收获，天天想着有缆车坐就失去了爬山的乐趣及意义。