- 综合排序
- 最热优先
- 最新优先
- 来自专栏FPGA开源工作室
ISP(图像信号处理)介绍
ISP图像信号处理 1，ISP图像信号处理介绍 2，ISP的目的是什么？ Image Compression 4 ISP的内部组成 5 ，IC ISP架构 5.1 NuCORE Sip1270 DBE 5.2 TI TMS320DM270 5.3 DM270 CCD 1，ISP图像信号处理介绍 ISP(Image Signal Processing) 图像信号处理。 主要用来对前端图像传感器输出信号处理的单元，以匹配不同厂商的图象传感器。相机用图像处理器ISP（Image Signal Processor）。被管道化的图像处理专用引擎可以高速处理图像信号。 4 ISP的内部组成 如下图所示，ISP内部包含 CPU、SUP IP、IF 等设备，事实上，可以认为 ISP 是一个 SOC（system of chip），可以运行各种算法程序，实时处理图像信号。
5.9K31发布于 2021-04-22 - 来自专栏混说Linux
相机图像信号处理流程（ISP）
1 本文是图像信号处理流程的一个总体的介绍，以便更好理解一张照片究竟是如何诞生的，实际的技术要复杂很多。 1. 常见的彩色图像格式是RGB三通道的，但是最开始的光信号采集却不是每个像素都会采集RGB三个像素的信息，这样做会有成本以及空间的问题，而是收集三种不同光的Sensor成拜尔阵列分布，后续再通过插值等手段去恢复 但是其实相机捕捉到的实际光信号是不会因ISO变化而改变的，受限于光圈大小和Sensor曝光时间（快门时间），调整ISO本质上是调整传感器对得到的光信号的放大倍数，而在放大这个信号的同时，噪声也被放大了， 所以传感器会有一块光学暗区(OB)去捕捉没有光线时候采集到的信号，然后再用实际捕捉到的信号减去OB的信号，以减少噪声。 基于这个假设将图像的平均作为灰色。
2.7K20编辑于 2023-12-11 - 来自专栏算法工程师的学习日志
图像腐蚀与图像膨胀在信号过滤的应用
今天遇到一个有趣的问题，常规我做图片处理，采用图像腐蚀与图像膨胀等方法用来得到想要的图像特征，今天第一次看到腐蚀与膨胀在信号过滤中的引用，故此分享探讨 先说说图像腐蚀与图像膨胀 图像腐蚀与图像膨胀 一 二 图像膨胀 膨胀的运算符是“⊕”，其定义如下： 该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点 处理结果如下图所示： 高亮区减少(白色区域减少) 信号应用 代码如下 x0=x; %%把x赋值给x0 figure(4); plot(x,'r') k=[0,1,5,1,0]; n=length j=j+1; end figure(6); subplot(2,1,1); plot(y1); subplot(2,1,2); plot(y2,'r'); hold on 处理结果为：左边为原始信号 ，右边为2种方法处理后的信号 个人的理解这种方法类似采用一个滑动窗过滤，最后得到平稳信号，各位读者有啥见解欢迎留言讨论。
99620编辑于 2022-07-27 - 来自专栏全栈程序员必看
图像传感器的 DVP 信号
DVP 接口在信号完整性方面受限制，速率也受限制。 如图 1 所示，并口传输数据需要帧同步信号（ Vsync ）、行同步信号（ Hsync ）、像素时钟（ PCLK ）、数据线（ DATA ）、输入时钟（XCLK）、IIC（ SDA 、 SCL ） 图 是一个像素传输的时间，所以 HSYNC 时间是 PCLK 的 784 倍，在这 784 个像素中，只有 640 个像素是有效的，在剩下的 144 个像素点时间内 sensor 是不传输数据的 VSYNC 是帧同步信号 四、 实际测量 DVP 信号 如图 4 是抓取的实测的 DVP 波形，黄色是输入时钟 ，蓝色是帧同步信号 ，红色是 PCLK（像素时钟）。图 5 是放大到一帧的 DVP 波形。
3.9K21编辑于 2022-09-01 - 来自专栏数字芯片
雷达LFM信号分析
雷达LFM信号分析 image.png 是信号s(t)的复包络。由傅立叶变换性质，S(t)与s(t)具有相同的幅频特性，只是中心频率不同而以，因此，MATLAB仿真时，只需考虑S(t)。 以下MATLAB程序产生1.4式的chirp信号，并作出其时域波形和幅频特性，如图2所示。 ? 图2 LFM信号的时域波形和幅频特性 仿真代码： %% 线性调频信号的产生 clc;close all;clear all; T = 10e-6; %脉宽 B = 20e6; %信号带宽 K = B/T; %调频斜率 Fc=5e6; Fs = (abs(fft(St)))); xlabel('Frequency in MHz'); title('线性调频信号的幅频特性'); grid on; axis tight; END
1.8K10发布于 2020-07-20 谷易CMOS图像传感器芯片测试方案：光信号→电信号→数字图像的转换
一、图像传感器芯片：核心特性与技术本质图像传感器芯片是实现 “光信号→电信号→数字图像” 转换的核心器件，通过集成像元阵列、信号读出电路、AD 转换器及图像处理模块，为各类成像设备提供高保真图像数据。 （一）核心特性高分辨率与高像素密度：消费级手机图像传感器像素已达 2 亿（如 1/1.3 英寸传感器，像素尺寸 0.56μm），工业级传感器像素密度超 1000ppi，需测试座确保每颗像元的信号无串扰； （二）工作原理：CMOS 图像传感器的信号转换机制主流 CMOS 图像传感器基于 “光敏二极管像元阵列” 实现光 - 电转换，核心流程分为四步：光信号接收与电荷积累：传感器表面的像元阵列（由数百万 / ；图像处理与输出：数字信号经内置 ISP（图像信号处理器）完成降噪、白平衡、HDR 合成等处理，最终通过 MIPI-CSI2 等接口输出至主控芯片（如手机 SoC、工业 MCU），形成可显示的数字图像。 LGA 封装作为中高端图像传感器的主流选择，对测试座的 “接触精度、信号完整性、宽温兼容性” 提出更高要求。
49310编辑于 2025-11-05- 来自专栏嵌入式艺术
【源码分析】——信号量
1、信号量介绍 信号量（Semaphore）是操作系统中最典型的用于同步和互斥的手段，信号量的值可以是0、1或者n。信号量与操作系统中的经典概念PV操作对应。 V（Vaporize）： 将信号量S的值加1，即S=S+1； 如果S>0，唤醒队列中等待信号量的进程。 信号量也可以用于同步，一个进程A执行down（）等待信号量，另外一个进程B执行up（）释放信号量，这样进程A就同步地等待了进程B。 ，如果信号量的值大于0，则消耗一个；如果不存在，则让线程进入休眠状态并等待信号量被释放。 实现流程： 相信分析完down后，up也变得很简单 释放信号量时，先使用raw_spin_lock_irqsave和raw_spin_unlock_irqrestore将信号量的操作包裹起来，避免竞态发生
1.2K31编辑于 2023-09-28 - 来自专栏联远智维
脑电信号分析
其中，生物电噪声主要包含心电、肌电和眼电等；环境噪声主要包含工频干扰、电子噪声以及电极接触不良引起的噪声等，我们可以通过滤波器、独立成分分析（ICA）等方式进行预处理。 该方法广泛应用于信号滤波、图像增强以及音视频处理等领域。然而实践中发现，Fourier变换不具备局部化分析能力、不能分析非平稳信号（地震信号、脑电信号）等。 调研发现，脑电信号一般采用小波分析来提取信号特征，具体的数学原理为：假定 s ( t ) 是一个变量为时间 t 的连续函数，那么他的小波变换就可以表达为： Ws(a,b)={{\left| a \right 分解层数一般依据信号的采样频率，分辨率以及计算量大小等。 因此我们可以采用小波包分解的方法，设置足够的分解层数，后续通过重构获取目标频率的信号。
3.5K30编辑于 2023-03-25 - 来自专栏联远智维
脑电信号分析
图1 脑电信号采集及信号处理 脑电信号处理 数据预处理 脑电采集过程中会不可避免地引入各种噪声，主要包含生物电噪声和环境噪声两种。 其中，生物电噪声主要包含心电、肌电和眼电等；环境噪声主要包含工频干扰、电子噪声以及电极接触不良引起的噪声等，我们可以通过滤波器、独立成分分析（ICA）等方式进行预处理。 该方法广泛应用于信号滤波、图像增强以及音视频处理等领域。然而实践中发现，Fourier变换不具备局部化分析能力、不能分析非平稳信号（地震信号、脑电信号）等。 调研发现，脑电信号一般采用小波分析来提取信号特征，具体的数学原理为：假定 s ( t ) 是一个变量为时间 t 的连续函数，那么他的小波变换就可以表达为： 小波变化的具体过程为：将信号通过不同频率的滤波器 分解层数一般依据信号的采样频率，分辨率以及计算量大小等。
64010编辑于 2025-03-18 - 来自专栏冰霜之地
ReactiveCocoa 中 RACSignal 冷信号和热信号底层实现分析
的冷信号与热信号（二）：为什么要区分冷热信号 细说ReactiveCocoa的冷信号与热信号（三）：怎么处理冷信号与热信号 由于最近在写关于RACSignal底层实现分析的文章，当然也逃不了关于冷热信号操作的分析 这篇文章打算分析分析如何从冷信号转成热信号的底层实现。 一. 在这篇文章细说ReactiveCocoa的冷信号与热信号（一）详细分析了冷热信号的特点： 热信号是主动的，即使你没有订阅事件，它仍然会时刻推送。而冷信号是被动的，只有当你订阅的时候，它才会发送消息。 把冷信号转换成热信号用以下5种方式，5种方法都会用到RACMulticastConnection。接下来一一分析它们的具体实现。 最后 关于RACSignal的变换操作还剩下高阶信号操作，下篇接着继续分析。最后请大家多多指教。
1.3K50发布于 2018-08-30 - 来自专栏刘君君
管程和信号量分析
摘要: 管程和信号量区别 为什么 Mesa 模型的 wait() 支持超时参数 ---- TOP 带着问题来分析 管程和信号量区别 为什么 Mesa 模型的 wait() 支持超时参数 1. 管程与信号量是等价的，信号量我们下面会有介绍，管程相比信号量来说，其隐蔽了同步的细节，更易于用户维护，而信号量的 PV 操作会大量分散到代码的地方，不易维护容易造成死锁，所以 Java 选择了管程(面向对象方法 对于 JAVA 层面的管程实现 AQS，可以参考后面几篇源码分析。 2. 信号量(Semaphore) 并发编程领域的大师 Edsger Dijkstra 提出了一种经典的解决同步不同执行线程问题的方法，这个方法是基于一种叫做 信号量 的特殊类型变量的。 关于 Java 版本的信号量实现可以参考后面几篇源码分析。
1.9K30发布于 2020-02-10 - 来自专栏运维开发故事
Semaphore 信号量源码分析
概述 Semaphore 信号量， 信号量维护了一组许可。如果有必要每个采集模块都会阻塞，直到有许可可用。然后获取许可证。每次发布都会添加一个许可证，可能会释放一个阻塞资源。 但是，没有使用实际的许可对象；信号量可用数量的计数，并且进行操作。 信号量通常可以用于限制访问某些（物理或者逻辑）资源的线程数。例如下面是一个使用信号量控制对线程池访问。 信号量封装了限制对池的访问所需的同步，与维护池本身一致性所需的任何同步分开。 初始化为1的信号量，其使用方式是最多只有一个可用的许可证，可以用作互斥锁。 原理分析 Semaphore 信号量，是控制并发的有效手段。它底层通过 AQS 实现。 整体流程 Semaphore 信号量原理.png 举个例子 场景描述 对于控制流量，或者控制并发我们可以使用 Semaphore 信号量来完成。
49540发布于 2021-09-09 - 来自专栏脑机接口
BCI脑电信号分析
目视检查非常主观并且几乎不允许任何标准化或统计分析。传统方法非常繁琐且耗时消耗。因此提出了几种技术为了量化大脑信号的信息。 EEG信号的性质是高度非线性的、随机的。 信号的频谱分析决定了脑电图中的主导频率。时间分析脑电图记录正常和异常波信号中的形状以及这些形状的存在和不存在节奏。空间分析估计分布这些节律在不同的大脑区域。 图4显示了可以进行分析的各个领域完毕。 时频域结合了时间和频域分析。它们代表分布时频平面上的信号能量（t-f飞机）。时频分析有利于澄清EEG信号中的节律信息。连贯性也可以使用技术。 谱协方差或相干性涉及相位规律性的测量每个频段的信号对之间。作为连贯性无法分离幅度信息和相位信息同时关联两个信号，它测量仅环岛锁相。同步技术是被使用而不是具有光谱或相干性分析。 Alexandros等人分析了时频方法癫痫检测和评估频率分析（FFT），多个电极上的时频分析（STFT）。发现分类结果对于STFT是最好的。
1.6K20编辑于 2022-09-22 - 来自专栏Python小屋
Python使用numpy滤除图像中的低频信号
本文演示代码用于滤出图像中的低频信号。 srcIm = Image.open(srcImage) srcArray = np.fromstring(srcIm.tobytes(), dtype=np.int8) # 傅里叶变换并滤除低频信号 9e3, 0, result) # 傅里叶反变换，保留实部 result = ifft(result) result = np.int8(np.real(result)) # 转换为图像 im = Image.frombytes(srcIm.mode, srcIm.size, result) im.show() filterImage('sample.jpg') 原始图像 结果图像： ?
2K70发布于 2018-04-16 - 来自专栏全栈程序员必看
余弦信号DFT频谱分析（继续）
由于矩形窗突然被切断，频谱旁瓣相对幅度过大，造成泄漏分量很。因此，与FIR路一样，我们想到了其它窗。
55420编辑于 2022-07-06 - 来自专栏Linux驱动
34.C++-QT信号槽分析
是QT翻译扩展语法到C++语言的工具，目前见扩展了信号与槽机制。 信号/槽方式编程上更方便（不容易出错） 回调需要自行处理麻烦的回调管理，稍微不注意就出错。 而且信号/槽方式更利于mvc分离实现。 信号和槽机制的优点: 类型安全, 关联的信号和槽的参数必须是等同。 降低Qt对象间的耦合度,只需要emit,对象无需知道哪个对象来接收该信号, 信号槽的效率和回调函数相比,变低10倍, 原因如下: 1）需要定位接收信号的对象。 2）遍历所有的关联（如一信号对多槽） 3）传递的参数 4）多线程的时候。信号可能需要排队等待。 ,并调用qt_static_metacall回调函数,实现调用槽函数. connect: connect会将信号和槽函数字符串化, 然后执行connect的时候会判断信号槽参数是否一致.并遍历”信号槽”
1.3K20编辑于 2022-05-10 - 来自专栏数据科学（冷冻工厂）
ATAC-seq分析：TSS 信号（7）
ATACseq图片ATACseq - 使用转座酶并提供一种同时从单个样本的转录因子结合位点和核小体位置提取信号的方法。1. 数据类型上面这意味着我们的数据中可能包含多种信号类型。 评估 TSS 信号2.1. TSS 区域如果我们的较短片段代表转录因子和转录机制周围的开放区域，我们希望在转录起始位点看到信号。 我们较长的片段将代表核小体周围的信号，因此信号应该在转录起始位点之外，更多地出现在 +1 和 -1 核小体位置。 图片我们可以在所有 TSS 区域创建一个图，以说明我们的核小体游离和核小体占据的信号部分最普遍的位置。Meta-plots 在区域集上平均或求和信号以识别数据趋势。 在此图中，我们可以清楚地看到预期的 +1 核小体信号峰以及其他几个核小体信号峰。plotRegion(monoNuc)图片
1.5K20编辑于 2023-01-27 - 来自专栏全栈程序员必看
信号分析与处理1「建议收藏」
（2）做FFT分析时，幅值大小与FFT选择的点数有关，但不影响分析结果。在IFFT时已经做了处理。要得到真实的振幅值的大小，只要将得到的变换后结果乘以2除以N即可。 并且可以明显识别出信号中含有两种频率成分：15Hz和40Hz。由此可以知道FFT变换数据的对称性。因此用FFT对信号做谱分析，只需考察0~Nyquist频率范围内的福频特性。 对信号进行频谱分析时，数据样本应有足够的长度，一般FFT程序中所用数据点数与原含有信号数据点数相同，这样的频谱图具有较高的质量，可减小因补零或截断而产生的影响。 这个是信号分析里的概念，他们分别表示的是两个时间序列之间和同一个时间序列在任意两个不同时刻的取值之间的相关程度，即互相关函数是描述随机信号x(t),y(t)在任意两个不同时刻t1，t2的取值之间的相关程度 那么，如何在matlab中实现这两个相关并用图像显示出来呢？
1.4K20编辑于 2022-09-20 - 来自专栏数据科学（冷冻工厂）
ATAC-seq分析：TSS 信号（7）
ATACseq ATACseq - 使用转座酶并提供一种同时从单个样本的转录因子结合位点和核小体位置提取信号的方法。 1. 数据类型 上面这意味着我们的数据中可能包含多种信号类型。 评估 TSS 信号 2.1. TSS 区域 如果我们的较短片段代表转录因子和转录机制周围的开放区域，我们希望在转录起始位点看到信号。 我们较长的片段将代表核小体周围的信号，因此信号应该在转录起始位点之外，更多地出现在 +1 和 -1 核小体位置。 我们可以在所有 TSS 区域创建一个图，以说明我们的核小体游离和核小体占据的信号部分最普遍的位置。Meta-plots 在区域集上平均或求和信号以识别数据趋势。 在此图中，我们可以清楚地看到预期的 +1 核小体信号峰以及其他几个核小体信号峰。 plotRegion(monoNuc) monoNuc
95310编辑于 2023-02-27 - 来自专栏TechBlog
信号与系统实验五 信号的傅里叶分析与频谱
【实验感悟】 ---- 【实验目的】 1.学会运用MATLAB分析傅里叶级数展开，深入理解傅里叶级数的物理意义。 2.学会运用MATLAB分析周期信号的频谱特性。 傅里叶变换利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。反傅里叶变换算法也是一种累加处理，这样就可以将单独改变的正弦波信号转换成一个信号。 因此，可以说，傅里叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅里叶反变换将这些频域信号转换成时域信号。 在图像学中，从物理效果看，傅里叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。 换句话说，傅里叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅里叶逆变换是将图像的频率分布函数变换为灰度分布函数。
1.5K10编辑于 2022-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号