qq_42261630的博客

原创 ISP（图像信号处理）之3A算法

一、关于高通平台AEC调试的几点认识平台通过I2C来下发控制命令，然后sensor相应以后输出相应的MIPI数据，然后平台检测输出的数据以后开始处理帧数据。平台对于sensor的交互控制只做三件事：sensor初始化寄存器的配置，sensorAE信息的下发以及帧数据的校验。平台在获取到sensor的帧数据以后，会逐步的过ISP的各个算法，在AEC的统计计算以后，平台会针对于当前的帧数据以及调试的参数会生生成新的exposure与gain，然后下发给sensor，使sensor在后续的出帧中...

转载 ISP（图像信号处理）之Bayer Raw 简介

ISP（图像信号处理）之Bayer Raw 简介浏览很多博客之后从各个博主处得到的全方位理解，一一列出来，用于从不同方向理解Bayer。拜耳阵列是实现CCD 或CMOS 传感器拍摄彩色图像的主要技术之一。它是一个4×4阵列，由8个绿色、4个蓝色和4个红色像素组成，在将灰度图形转换为彩色图片时会以2×2矩阵进行9次运算，最后生成一幅彩色图形。RAW DATA，可以理解为：RAW图像就是CMO...

转载 ISP（图像信号处理）学习笔记

概念ISP(Image Signal Processor)，即图像信号处理器。DSP（Data Signal Processor），即数字信号处理器ISP的主要作用是对前端图像传感器输出的信号做后期处理，主要功能有线性纠正、噪声去除、坏点去除、内插、白平衡、自动曝光控制等。ISP一般用来处理Image Sensor（图像传感器）的输出数据，如做AEC（自动曝光控制）、AGC（自动增益控...

原创 python 中列表，元组，字典 的使用注意事项

列表，元组，字典作为特殊的数据类型在python编程中经常用到，对于这三种数据类型的使用方法和注意事项进行区分避免出现bug。

原创 关于remosic和demosic的作用

简单整理remosic和demosic的作用如下,其中bayer pattern 就是raw域便于BLC/LSC/PDPC/ABF等处理，经过demosic变成RGB域进行ltm/gtm/CCT/2DLUT/skin cv等对于影调和颜色的处理，再转换成yuv 域进行降噪和锐化处理。一直区分不开remosic和demosic，在isp pipline里demosic模块是一直都会用到的而remosic一般是在sensor里做的所以平台端的pipline里很难看到这个模块。

原创 关于神经网络CNN的搭建过程以及图像卷积的实现过程学习

通过如下博客内容学习了CNN搭建的步骤，按照博主的思路完成了cnn网络的构建并完成50个epoch的训练并画出损失函数的曲线图时有满满的成就感。通过如下博客内容学习面对图像的CNN应用。

原创 关于超分的论文学习

由于每年都有大量的超分论文出现，在逐篇学习过程中难免有遗漏，以下是整理的有些博主整理的很详细的论文内容，先马住再详细研究：AAAI 2024 超分辨率（Super-Resolution）论文汇总 - 知乎一文掌握图像超分辨率重建（算法原理、Pytorch实现）——含完整代码和数据_基于拼接图像超分辨率重构方法的设计代码-优快云博客图像超分综述:超长文一网打尽图像超分的前世今生 (附核心代码)-优快云博客图像超分辨率重建数据集看这篇就够了 | 训练 + 测试数据集整理 - 知乎图像超分辨率重建相关概念、评

原创 python 关于文件夹遍历和文件批量重命名代码

见下面的博客内容，一讲就明白了。

原创 python 正则表re.compile()、re.search()、re.match()三种函数的区别

学习以下博客。

原创 关于小波降噪、小波增强、小波去雾的原理区分

在传统的图像处理中使用小波分解是一种常见的方法。经常分不清小波降噪和小波增强的区别，简单记录下二者的区别同时再记录一下小波去雾的原理。

原创 我的创作纪念日

为了记录学习的成果，将其整理成文字记录下来。一是便于自己查阅二是可以帮助更多的人。随着不断的学习和积累，掌握了更多的知识是一个查漏补缺的过程。在工作中遇到的问题通过学习解决以后会记录在博客上。通过阅读大量博客，学会了模型的仿真。

原创 关于AIGC stable diffusion 在图像超分上的算法整理

对扩散过程的理解：假如有一副高清晰度的图片，每一步都图片上添加一些噪声，最终这幅图片变得完全模糊。扩散的任务就是学习如何逆转这过程，从一副白噪通过逐步去噪，最终还原出清晰地的图片。diffusion model 扩散模型是一类生成模型的统称，基于扩散过程生成数据。第一个是正向扩散过程：即逐步向数据中添加噪声，时期转变为纯噪声，这个过程通常是一个马尔可夫链，每一步添加少量高斯噪声。第二个是逆向生成过程：学习从噪声中逐步去除噪声，恢复出原始数据，这个过程也是一个马尔可夫链，但方向相反，逐步去噪。

原创 基于python 的opencv 使用GrabCut算法分割图像代码

运行完成后要点figure1中右边第三个图标才能显示分割后的图片。

原创 NV12格式的图片转换成RGB格式的代码

首先nv12格式是yuv的一种，yuv格式根据不同的采样形式和不同的存储形式分为以下三种yuv采样格式YUV 4:4:4 采样每个 Y 分量对应一组 UV 分量YUV 4:2:2 采样YUV 4:2:2 采样规定了 Y 和 UV 分量按照 2: 1 的比例采样，两个 Y 分量公用一组 UV 分量YUV 4:2:0 采样每四个 Y 分量共享一组 UV 分量参考上述博客详细分类了yuv的格式。

原创 BP神经网络——学习笔记

前面关于GAN生成对抗网络的学习过程中发现不论是生成网络还是判别网络在训练(优化)过程中都是需要损失函数，该函数就是利用来实现参数的调整，从而不断提高生成网络和判别网络的性能。其中误差反向传播就用到了算法，所以需要学习该算法的原理。经过大量查找相关资料，发现一些优秀的博客内容如下。

原创 生成对抗网络GAN——学习笔记

在损失函数这里有一个重要概念：交叉熵。

原创 python OpenGL绘制正八面体代码

学习OpenGL过程中，先从绘制三角形开始逐渐对Opengl有一些了解，到现在进阶到绘制立方体。通过借鉴网友绘制六面体得到灵感，改了一下他的代码成功绘制出正八面体。不管是绘制三角形还是绘制立方体，对于空间坐标系要相当熟悉，因为每一个顶点都是基于空间坐标系建立的。其次对于glbegin函数要有一些了解，知道该怎么使用该函数。剩下的进一步需要了解的函数见代码。

原创 py Qt5学习记录

（1）在Qt5界面右下角有个“动作编辑器”，点击后新建如下图所示，新建完成以后鼠标选中拖到新建好的工具栏中。1. from third import Ui_MainWindow # 导入图像界面设计文件-------其中third是你保存的ui文件的名称。（2）添加信号连接线可参考上述博客内容，新建函数openfile()(4)将ui转化成py文件，其中py内容如下zuiho。第三文件路径必须要写对，单引号，\都要注意，否则运行不出来。2.使用了ui中新建的函数openfile()2.Qt5的界面显示。

原创 关于VTK与OpenGL的学习

原创 CCM的作用、原理以及调试方法学习

RGB图像多光谱图像高光谱图像

原创 关于camera的OTP/EEPROM的学习

转载一篇博客：OTP/EEPROM 读取与处理_camera otp的值全为0-优快云博客OTP的作用是什么？_get_soc_otp代码意思-优快云博客关于摄像头模组中OTP配置概述_otp烧录的信息包括_木 东的博客-优快云博客【OTP入门指南】_otp编程_千北@的博客-优快云博客

原创 camera 硬件基本知识

2.DSP：数字图像信号处理器，DSP 控制芯片的作用是：将感光芯片获取的数据及时快速地传到 baseband(基带) 中并刷新感光芯片，因此控制芯片的好坏，直接决定画面品质（比如色彩饱和度、清晰度）与流畅度。3.I2C：BB(基带)与Sensor端通过I2C来通信（读写寄存器），包括SCL（I2C Clock）时钟线和 SDA（I2C Data）串行数据线。camera包含的三路电压为模拟电压（VCAMA），数字电压（VCAMD），IO口电压（VCAMIO）一般是低电平有效，当脉冲为低电平时，

原创 Tone mapping curve（色调映射曲线）与gamma 曲线的区别与联系

Tone mapping curve（色调映射曲线）与gamma 曲线的区别与联系

转载 关于lens的一些参数的意义解释

认识lense

原创 关于相机景深学习笔记

景深的概念与焦深的概念

原创 关于SQL语言的基本学习

SQL语句学习及应用

原创 MATLAB关于VIF视觉保真度的代码

MATLAB关于VIF视觉保真度的代码

原创 MATLAB批量求图片均值、相对标准差、平均梯度、信息熵的代码

MATLAB批量处理某一文件夹下的图片，并求其信息熵

原创 关于HDR的学习笔记

关于HDR的学习笔记，HDR分为sensorHDR和imageHDR

原创 关于sensor sensitivity的学习

sensor性能

原创 图像的匹配、配准、融合、拼接等概念的区别

名词区分

原创 MTK平台camera相关配置文件学习

原创 图像配准(image registration)与图像融合(image fusion)

在ISP多帧图像降噪过程中第一步就是对采集到的n帧图像进行帧间配准，然后根据各帧的像素值进行时域噪声判断。正确的配准是准确判断时域噪声的关键，否则会因为误判造成去噪过多或去噪不够的问题。而且帧间配准出现问题会导致图像简单叠加融合时出现重影现象。图像配准是图像融合的基础操作。1.图像配准1.1图像配准的概念1.2图像配准的方法及分类1.3图像配准的流程1.4举例代码2.图像融合2.1 图像融合的概念2.2 图像融合的方法及分类2.3 简单图像融合的举例代码...

原创 小波学习笔记（相关性去噪）

信号小波系数的上下层之间有强相关性，而噪声没有这种相关性。相关性去噪的原理就是基于这种相关性的。相关性去噪原理为比较每一层每一个位置的归一化的相关系数，从相关性的大小判断是信号还是噪声控制的点。具体步骤为：1.给定分解层数M，选取小波函数，计算带噪信号的每一层的小波系数2.比较和，判断若,则认为大相关量对应信号的特征，取=，置=0；若，则认为点K处的小波系数由噪声控制，保留，置=03.在每一个尺度上重新计算4.重复上面的过程5.所取中各对应由信号控制的点，而中点全部对应.

原创 信息熵(entropy)以及图像信息熵的理解

关于信息熵，参考以下博文内容进行了理解：https://blog.youkuaiyun.com/saltriver/article/details/53056816https://y1ran.blog.youkuaiyun.com/article/details/80559531

原创 sensor的高像素和大像素优劣分析

CMOS sensor的光电转换器称为像素，按照矩阵的方式排列。高像素是指在相同面积的sensor上排列的像素个数很多，大像素是指在相同面积的sensor上单个像素所占的面积比大。高像素优势：由于分辨率更高，对于可放大尺寸的图像来说，清晰度高。大像素优势：由于单个像素所占面积大，接受的光通量越多，亮度增强，适合大的动态范围拍照，包括黑夜拍照、阳光下更清晰。https://baijiahao.baidu.com/s?id=1673969980768676820&wfr=spider&a

原创 小波学习笔记——阈值去噪法

阈值去噪法是指首先对含噪信号进行小波分解，对小波系数进行阈值处理，即对于大于（或小于）某阈值的小波系数进行处理，再利用处理后的结构重构原信号。其中最关键的是阈值函数的选取和阈值T的估计有三种方法：法一：小波变换后，在小尺度上具有较高的中心频率，因此小尺度的变换值集中反映了信号高频部分的能量，基于此来估计噪声方差。法二：用前两个尺度的小波系数相乘得到修正的小波系数，进而估计噪声方差。法三：图像中噪声方差的估计，平坦的地方进行统计噪声方差。噪声的模拟，可以采用高斯噪声，或者均匀噪声、椒盐噪声

原创 小波学习笔记——模极大值去噪

模极大值去噪算法步骤：1.对含噪信号进行尺度为,J=1,2,......,J的小波变换，并求出每个尺度上变换系数的模极大值。2.从最大尺度开始，确定一个阈值T，把该尺度上模极大值小于T的极值点去掉，保留其他的，得到最大尺度上的一组新的模极大值点。3.作出尺度函数j=J上保留的每个极大值点的一个邻域，如N(t,s),在J-1尺度上找出与邻域，在J-1尺度上找出与邻域N(t,s)内的极值点相对应的传播点（极值点），保留这些极值点，去掉其他极值点，从而得到j-1尺度上的一组新极值点。4.置j=j-

原创 sensor driver学习笔记

以前听前辈讲过一部分，现在通过阅读高通文档又补充了一部分内容，在此记录，防止遗忘。也分享给需要的朋友们。

原创 小波学习笔记(图像的分解与重构)——MATLAB

MATLAB实现图像的分解和重构命令有两种：第一种是一层小波分解dwt2[CA,CH,CV,CD]=dwt2(X,'wname');其中，dwt2表示离散小波变换；X为输入参数，是图像；'wname'是小波名字；输出变量CA为低低频分解信息，刻画原始图像的逼近信息；CH为低高频分解信息，刻画原始图像的横向细节；CV为高低频分解信息，刻画原始图像的垂直细节；CD为高高频分解信息，刻画原始图像的对角线上的细节。[CA,CH,CV,CD]=dwt2(X,Lo_D,Hi_D);输入参数还可以是低