ISP学习

本文详细介绍了图像信号处理芯片设计中的关键模块,如色彩校正、镜头阴影校正、坏点校正、3A算法等,并探讨了色彩恒常性和相关技术在芯片设计中的应用。

今天看到同事分享了一个比较好的学习页面

https://www.zhihu.com/people/ybfan/posts/posts_by_votes


图像信号处理芯片设计原理----01 概论 - 知乎

图像信号处理芯片设计原理----02 镜头阴影矫正 - 知乎 (Lens Shading Correction, LSC)

图像信号处理芯片设计原理----03 坏点矫正 - 知乎 (DPC(Defective Pixel Correction))

图像信号处理芯片设计原理----04 自动对焦 - 知乎

图像信号处理芯片设计原理----05 自动白平衡 - 知乎 (Auto White Balance ,AWB)

图像信号处理芯片设计原理----06 自动曝光 - 知乎 (Auto Exposure)

图像信号处理芯片设计原理----07 绿平衡+去马赛克 - 知乎 (GB:Green Balance + Demosaic)

图像信号处理芯片设计原理----08 色彩矫正 - 知乎

图像信号处理芯片设计原理----09 直方图统计 - 知乎

图像信号处理芯片设计原理----10 Gamma矫正 - 知乎

图像信号处理芯片设计原理----11 RGB转YUV及YUV格式 - 知乎

图像信号处理芯片设计原理——12 RAW域和YUV域上的去噪 - 知乎

图像信号处理芯片设计原理----13 图像锐化 - 知乎

图像信号处理芯片设计原理----14 超分辨率技术 - 知乎 (Image Super Resolution)

图像信号处理芯片设计原理----15 风格迁移 - 知乎

图像信号处理芯片设计原理----16 滤镜 - 知乎

图像信号处理芯片设计原理----17 HDR和WDR - 知乎

色彩恒常性 (Color Constancy)

人类视觉系统能够在各种不同的光照条件下识别物体的颜色,这种自动排除光源影响的能力称为色彩恒常性 (Color Constancy),这一特点对应着ISP中的白平衡模块

色彩滤波阵列 (CFA, Color Filter Array)

让传感器上每个感光单元仅得到一种颜色光的信息

经过这样的设计,传感器采集到的图像就是RAW图像(如下图[3]),即图像每个像素位置仅有一种色彩信息。要恢复真实场景中的色彩,就是图像信号处理器 (ISP) 中的去马赛克模块的任务了。

镜头阴影校正 (Lens Shading Correction, LSC)

去除镜头阴影,该模块一般称为镜头阴影校正 (Lens Shading Correction, LSC)

坏点校正(defective Pixel correct,DPC)

CMOS/CCD镜头上对于外界光照失效而呈现为极亮或极暗的点,可分为坏点 (Deadpixel)、粘滞点 (StuckPixels) 与亮点 (Hotpixel),前者是高度曝光下的暗像素点,中者是高度曝光下相同位置出现的彩色像素点,后者为极暗条件下产生的亮点。

坏点分类

从坏点的静动态分布上可以分为静态坏点与动态坏点,从像素亮度上可分为亮点与暗点。

静态坏点 (Static Defective Pixel, SDP)是由缺图像传感器技术的芯片缺陷导致,解决方案是基于既定静态坏点表,比较当前坐标是否与静态坏点表中的某坐标一致,若坐标一致则判定为坏点,然后再计算校正结果并校正。

动态坏点 (Dynamic Defective Pixel, DDP)与传感器温度、增益有关,传感器温度升高或者增益值增大时,动态坏点会变会增多,与ISO的大小有关,文献[1]表明,对于不同的ISO设定,其缺陷随着ISP增大而增多

3A算法(自动对焦,自动曝光,自动白平衡)

----------------------------------

红外算法

NUC、DPC、NR、DDE、DRC、AE、AF、Dither、LDC、Scaler、上色

可见光算法

Demosaic、LDC、BLC、DPC、2DNR、3DNR、3A、CCM、Dehaze、LTM、GTM、etc.

ISP专业术语

FE前端处理,包括TPG、BLC、DPC

TPG: test point generator测试点生成

BLC:Black Level Correction 黑电平校正。ISP——BLC(Black Level Correction) - 知乎 (zhihu.com)

DPC: defective Pixel correct——坏点校正

BE:后端处理,包括Demosaic、LDC、2DNR、3DNR、3A、CCM、LTM、GTM、Coloring、etc

Demosaic:去马赛克。ISP算法 | Demosaic(一)_isp中的demosaic-优快云博客

LDC:Lens Distortion Correction 镜头畸变校正。图像处理——镜头畸变校正 LDC( Lens Distortion Correction)-优快云博客

NR(Noise Reduction/Denoise):去噪。3dnr 是结合空域滤波和时域滤波的一种降噪算法

3A算法(自动对焦,自动曝光,自动白平衡)

CCM(Color Correction Matrix)------颜色校正

GTM / LTM:Global Tone Mapping / Local Tone Mapping, 即色调映射。色调映射是为了把HDR图像的动态范围压缩到LDR显示设备的动态范围,并尽量保证图像细节不丢失。OpenISP 代码解读二:RGB Domain Processing - 知乎

FPN: NUC、LSC、De-pot-cover
NUC: 非均匀性校正

LSC(Lens Shading Correction) 镜头阴影校准ISP——LSC(Lens Shading Correction) - 知乎 (zhihu.com)LSC(Lens Shade Correction)------镜头阴影校正_lsc(lens shading correction) 镜头矫正 c++-优快云博客

De-pot-cover: pot-cover 锅盖。 去锅盖,即锅盖校准算法。

Dehaze去雾模块

IVE: GDC/IMGPY、MVSE、MMF

GDC:Geometric Distortion Correction 畸变矫正,图像扭曲(warping,dewarping)

IMGPY:image Pyramid 图像金字塔 (图像融合技术)

MVSE(multi-view stitching engine),用于多视频的实时无缝拼接

MMF(multi-modal fusion),用于可见光与热成像图像融合


Warp

在计算机图形学和图像处理领域,"warp"通常指图像扭曲或变形,即将图像的像素按照一定的数学变换重新映射,产生拉伸、压缩、旋转或弯曲等视觉效果。这种技术常用于特效制作、图像校正以及全景图像拼接等领域。

LUT

常用于颜色空间转换、gamma 校正、色彩分级等。通过预先计算和存储输入与输出颜色值的映射关系,LUT 能够快速改变图像或视频的色彩外观,而无需逐像素计算,大大提高了处理速度。

EIS,基于IMU的电子防抖

Dewarp,用于如鱼眼校正、EIS、多目校正等

TVI(thermal video interface) 模块,对接各厂商的各种类型的热成像数据输出接口

VIA(video input adapter)模块

MCM(multi-context management),用于模块间直连, shared sram

ISP(图像信号处理器)与深度学习的结合在多个领域展现出强大的应用潜力和技术优势。 在摄影领域,深度学习算法可以与ISP协同工作,实现更加智能的图像增强。传统的ISP图像增强算法通常基于固定的规则和参数,难以适应复杂多变的场景。而深度学习能够通过大量的数据学习到不同场景下的图像特征和优化策略。例如,在低光照环境下,深度学习模型可以分析图像中的噪声分布、色彩信息等,然后指导ISP进行针对性的降噪、提亮和色彩校正操作,从而显著提升图像的质量和视觉效果。一些高端智能手机的相机系统已经开始采用这种结合方式,让用户在各种拍摄条件下都能获得出色的照片。 在安防监控领域,ISP与深度学习的结合可以实现更精准的目标检测和识别。ISP负责对摄像头采集到的原始图像数据进行预处理,如去噪、锐化等,提高图像的清晰度和质量。深度学习模型则可以对经过ISP处理后的图像进行分析,识别出其中的人物、车辆、物体等目标,并进行分类和跟踪。这种结合可以大大提高安防监控系统的智能化水平,及时发现异常情况并发出警报。 在自动驾驶领域,ISP和深度学习的融合对于环境感知至关重要。车辆上的摄像头通过ISP进行图像信号处理,将清晰的图像数据传输给深度学习算法。深度学习模型可以识别道路、交通标志、其他车辆和行人等信息,为自动驾驶决策提供准确的依据。同时,深度学习还可以对ISP的参数进行实时调整,以适应不同的光照、天气等环境条件,确保图像数据的质量和可靠性。 从技术层面来看,将深度学习融入ISP通常需要解决模型的轻量化和实时性问题。由于ISP通常需要在嵌入式设备上运行,资源有限,因此需要对深度学习模型进行压缩和优化,以减少计算量和内存占用。同时,为了保证系统的实时性,需要采用高效的算法和硬件架构,确保模型能够在短时间内完成推理任务。 ```python # 以下是一个简单的伪代码示例,展示了ISP与深度学习结合的流程 import isp_module import deep_learning_model # 模拟从摄像头获取原始图像数据 raw_image = isp_module.get_raw_image() # 使用ISP进行预处理 processed_image = isp_module.process_image(raw_image) # 使用深度学习模型进行分析 result = deep_learning_model.predict(processed_image) # 根据分析结果进行相应的操作 if result == "person": print("检测到行人!") ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值