<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dong6016的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/dong6016</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; dong6016]]></copyright><item><title><![CDATA[图像锐化算法实现]]></title><link>https://blog.csdn.net/dong6016/article/details/169069955</link><guid>https://blog.csdn.net/dong6016/article/details/169069955</guid><author>dong6016</author><pubDate>Mon, 26 Oct 2026 10:13:51 +0800</pubDate><description><![CDATA[ISP 内 YUV Sharpen（3DNR 前）：系统中主要的清晰度增强模块，可增强纹理细节与边缘，可调参数最丰富（20 余个），是清晰度调试的核心；2.海思锐化模块的全部工程复杂度，本质上都在回答四个问题：锐多少（强度）、锐哪里（空间分区）、锐哪个频段（频率选择）、以及如何不露马脚（伪影抑制）。5.海思的锐化是滤波分解--细节/边缘层分离--频段选择---32段强度曲线--全局/局部两级shoot控制--亮度/色度分区调制。2.采用的是分解--判决--增强--抑制--调整的非线性路线增强。]]></description><category></category></item><item><title><![CDATA[数字图像锐化]]></title><link>https://blog.csdn.net/dong6016/article/details/169069043</link><guid>https://blog.csdn.net/dong6016/article/details/169069043</guid><author>dong6016</author><pubDate>Sun, 25 Oct 2026 21:01:25 +0800</pubDate><description><![CDATA[彩色图像策略：YUV/YCbCr只锐化Y、LAB只锐化L、RGB域亮度引导。Roberts、Prewitt、Sobel、Laplacian、LoG算子。一个干净的锐化结果，边缘附近的像素应大致保持在源图像的局部范围内；100%视图下的光晕检查、平坦区噪点闪烁检查、彩色边缘镶边检查。双边滤波、引导滤波、各向异性扩散作为USM掩模的原理与代价。7.海思、瑞芯微、极海微、高通、华为、小米、苹果、vivo。图像锐化是为了突出图像上的边缘和轮廓等。掩膜核，半径、增益、阈值三参数的物理意义。6.微光微视图像锐化。]]></description><category></category></item><item><title><![CDATA[数字图像增强 & 锐化]]></title><link>https://blog.csdn.net/dong6016/article/details/169067510</link><guid>https://blog.csdn.net/dong6016/article/details/169067510</guid><author>dong6016</author><pubDate>Sun, 25 Oct 2026 18:27:18 +0800</pubDate><description><![CDATA[没有单一判据是完备的，稳健的做法是组合“幅度门槛（阈值）+ 结构选择性（边缘保持掩模/方向分析）+ 尺度分离（多尺度分解）+ 前置降噪”四类手段，并接受在重叠区必然存在取舍。它涵盖对比度拉伸、直方图均衡化、去噪、色彩校正、亮度调整、锐化等一整套操作。先降噪、后锐化：在锐化前用边缘保持滤波器（双边、引导、非局部均值）压制噪声，减少后续锐化需要区分的对象。根据图像内容调参：高噪声图像提高阈值、降低增益、优先使用边缘保持掩模；方法：方向滤波、结构张量、局部梯度一致性、边缘保持滤波（双边、引导、各向异性扩散）]]></description><category></category></item><item><title><![CDATA[数字图像锐化]]></title><link>https://blog.csdn.net/dong6016/article/details/169066802</link><guid>https://blog.csdn.net/dong6016/article/details/169066802</guid><author>dong6016</author><pubDate>Sun, 25 Oct 2026 17:16:30 +0800</pubDate><description><![CDATA[6.RGB彩色图锐化的侧重点是亮度通道的细节清晰度，同时保持色彩自然。因此彩色图锐化的正确侧重点是：只增强亮度高频，不触碰或极少触碰色度通道。所以锐化的核心矛盾是：增强有用高频（边缘、纹理）与抑制无用高频（噪声、压缩伪影）之间的权衡。1.图像锐化的本质是选择性放大图像已经有的局部差比，比如高频分量或者边缘对比度，让视觉系统觉得更加清晰。2.从频域来理解图像：图像的平坦区对应着低频，边缘、纹理、噪点对应着高频。3.锐化的本质是一个高频提升，相对压低低频，抬高高频的犯法。二、关于RGB图像锐化。]]></description><category></category></item><item><title><![CDATA[USM图像增强(一)]]></title><link>https://blog.csdn.net/dong6016/article/details/169066526</link><guid>https://blog.csdn.net/dong6016/article/details/169066526</guid><author>dong6016</author><pubDate>Sun, 25 Oct 2026 16:50:05 +0800</pubDate><description><![CDATA[对于追求高质量、无色彩瑕疵的锐化，常规且推荐的做法是在YUV（或LAB）色彩空间中，仅对亮度/明度通道应用USM锐化。非锐化掩膜的选择本质上是在挑选一个低通滤波器来生成用于做减法的模糊副本。大多数情况下退休锐化，选择高斯滤波器是综合效果最好，设计最最安全的选择。USM锐化图像只在YUV的Y域进行增强，这样能够保证对色彩没有任何影响。USM锐化图像如果在RGB域进行锐化，风险是容易造成。7.USM锐化增强选择YUV域还是RGB域。2.USM非锐化掩膜模板的常用选择。3.USM非锐化模板的选择。]]></description><category></category></item><item><title><![CDATA[Unsharp Masking算法综述]]></title><link>https://blog.csdn.net/dong6016/article/details/169064322</link><guid>https://blog.csdn.net/dong6016/article/details/169064322</guid><author>dong6016</author><pubDate>Sun, 25 Oct 2026 15:09:58 +0800</pubDate><description><![CDATA[3.增强并叠加，将这个差值，也就是高频细节乘以一个增益系数，然后增强后的细节得加到原始图像上，这样边缘和纹理的对比度就被。如果半径太大，那么边缘两侧就会产生更宽的光晕，，能增强局部的对比度，使物体轮廓更清晰，但过大会显得不自然。1.利用非锐化掩膜来模糊图像，得到一张模糊的图像，这张图像保留了图像的低频部分，但是丢失了高频细节。图像叠加：原始图像 和高频细节增强图像按照比例进行叠加，得到最终结果图，从而得到锐化的效果。图像的边缘，图像的纹理，以及图像的噪点等细节信息。这个用于区分细节和微小的噪点的。]]></description><category></category></item><item><title><![CDATA[逐帧 AWB（自动白平衡）统计 + 白点校正模块算法处理流程]]></title><link>https://blog.csdn.net/dong6016/article/details/167388200</link><guid>https://blog.csdn.net/dong6016/article/details/167388200</guid><author>dong6016</author><pubDate>Fri, 09 Oct 2026 15:19:55 +0800</pubDate><description><![CDATA[host 用白点均值算新增益 (rcoe = (avg_r+avg_g+avg_b)/(3*avg_r) 类灰世界)3.计算色比 RG=(R/G)<<12, BG=(B/G)<<12 (乘法+移位代替除法)一、逐帧 AWB（自动白平衡）统计 + 白点校正模块算法处理流程--逐像素处理。18bit*4096大小的LUT查找表，ADC为12bit。5.统计 (r_sum,g_sum,b_sum, white_cnt)6.增益校正 rcoe Q16 乘+取整+饱和到12bit。4.白点判定(四个条件)]]></description><category></category></item><item><title><![CDATA[灰度世界法 + 灰点椭圆/矩形区域法 AWB 全流程实现]]></title><link>https://blog.csdn.net/dong6016/article/details/167383735</link><guid>https://blog.csdn.net/dong6016/article/details/167383735</guid><author>dong6016</author><pubDate>Fri, 09 Oct 2026 13:45:11 +0800</pubDate><description><![CDATA[椭圆区域：((rg−c_rg)/r_rg)² + ((bg−c_bg)/r_bg)² ≤ 1（判定更精确，排除四角混色像素）/* ---- 2. 计算色度比 Q8 定点: rg = r/g<<8, bg = b/g<<8 ---- *//* 椭圆：((rg-c_rg)/r_rg)^2 + ((bg-c_bg)/r_bg)^2 <= 1。/* ================= 硬件统计等价模型 =================/* ---- 1. 亮度过滤：过暗/过曝像素无有效色度，排除 ---- */]]></description><category></category></item><item><title><![CDATA[FPGA+ARM实现AWB的全流程]]></title><link>https://blog.csdn.net/dong6016/article/details/167377231</link><guid>https://blog.csdn.net/dong6016/article/details/167377231</guid><author>dong6016</author><pubDate>Fri, 09 Oct 2026 11:41:52 +0800</pubDate><description><![CDATA[2.硬件只统计落入"灰色区域"（AWB 窗口）内的像素：以参考灰点 (center_rg, center_bg) 为中心、rg_radius/bg_radius 为半宽的区域（配合 h_rg/l_rg/h_bg/l_bg 上下界、ymin/ymax 亮度范围过滤）；└─ (rg∈[l_rg, h_rg]) 且 (bg∈[l_bg, h_bg])，且在半径 rg_radius/bg_radius 内。// 灰点中心 rg = (h_rg + l_rg) / 2。]]></description><category></category></item><item><title><![CDATA[Shades-of-Gray (SoG) 算法--白平衡算法]]></title><link>https://blog.csdn.net/dong6016/article/details/167037276</link><guid>https://blog.csdn.net/dong6016/article/details/167037276</guid><author>dong6016</author><pubDate>Sat, 03 Oct 2026 15:19:09 +0800</pubDate><description><![CDATA[它的核心贡献在于，将灰度世界（Gray-World）和完美反射（White-Patch）这两个看似对立的算法，统一到了同一个数学框架下。失效原因：即使 𝑝 p 取中间值，高亮区域依然是黄色的，算法会错误地估计光源偏黄，校正后香蕉会变成灰白色。失效原因：SoG 无法区分“光源是红色”还是“物体是红色”，这是所有基于统计假设的白平衡算法的盲区。4.场景中完全没有高光/白点，且色彩高度集中 例子：拍摄一堆纯黄色的香蕉，没有背景。1.大面积单色主导的场景 例子：大面积蓝天、茂密的绿色森林、红色的花海。]]></description><category></category></item><item><title><![CDATA[完美反射法--白平衡算法]]></title><link>https://blog.csdn.net/dong6016/article/details/167037035</link><guid>https://blog.csdn.net/dong6016/article/details/167037035</guid><author>dong6016</author><pubDate>Sat, 03 Oct 2026 14:49:16 +0800</pubDate><description><![CDATA[1.完美反射法要求场景中存在一个对所有波长都完全反射的理想白点，这个点反射了光源的全部颜色，因此它的RGB值就是光源的颜色；2.完美反射法有三个名字：white-patch法，完美反射法/白点法，Max-RGB法，其实都是一个算法的三种叫法。如果场景不存在白色物体，或者没有反射率接近1的像素，最大值只能反映最亮物体的颜色，会低估光源强度，导致校正不足。1.完美反射法的别名为white-patch白斑法，也成为白点法，也成为Max-RGB法。6.多光源场景：不同区域光源不同，全局最大值无法代表局部光源。]]></description><category></category></item><item><title><![CDATA[灰度世界白平衡算法]]></title><link>https://blog.csdn.net/dong6016/article/details/167031734</link><guid>https://blog.csdn.net/dong6016/article/details/167031734</guid><author>dong6016</author><pubDate>Sat, 03 Oct 2026 10:17:02 +0800</pubDate><description><![CDATA[3.灰度世界法的假设条件：就是这张图像的色彩要足够丰富，R,G,B三通道的平均值接近相等。4.最大法：\bar gray = max(\bar R,\bar G,\bar B)，避免增益>1？3.亮度法：\bar gray = 0.299\bar R+0.587\bar G+0.114\bar B，但校正后三通道均值等于该亮度，可能不直观。1.平均法：\bar gray = (\bar R+\bar G+\bar B)/3，使亮度保持平均。​2.一切画面的平均反射率接近灰色的场景是适合适用灰度世界法的。]]></description><category></category></item><item><title><![CDATA[黑体轨迹和色温--光源白点]]></title><link>https://blog.csdn.net/dong6016/article/details/166991088</link><guid>https://blog.csdn.net/dong6016/article/details/166991088</guid><author>dong6016</author><pubDate>Fri, 02 Oct 2026 12:18:42 +0800</pubDate><description><![CDATA[1.卤素灯方案是较传统的选择，以日本壶坂 LSBD-111/4 为代表，提供 2856K / 3200K / 4870K / 5500K 四个固定档位切换，色温偏差分别控制在 ±100K 至 ±300K 不等。优点是光谱连续、接近黑体辐射，Duv 天然接近零；2.常见色温：烛光约1800K，白炽灯2700K，暖白3000K，中性4000K，日光5000-6500K，阴天6500-7500K，蓝天10000K+1.当光源的颜色与某温度下黑体辐射颜色匹配的时候，该黑体的温度就是当前光源的色温，单位为K开尔文。]]></description><category></category></item><item><title><![CDATA[色彩恒常性概述]]></title><link>https://blog.csdn.net/dong6016/article/details/166990530</link><guid>https://blog.csdn.net/dong6016/article/details/166990530</guid><author>dong6016</author><pubDate>Fri, 02 Oct 2026 11:27:57 +0800</pubDate><description><![CDATA[7.色适应 + 空间对比/局部归一化 + 光源估计 + 贝叶斯推断 + 皮层不变表征。3.Retinex理论：视网膜 + 大脑皮层认为物体的颜色是由反射长波，中波，短波光。1.大脑会自动分离物体反射的光和环境光源，通过对比周围物体的信息进行判断。1.当外在光照变化的时候，人眼对物体颜色的感知仍然保持稳定的视觉现象。2.人眼的色彩恒常性可以帮助人在不同光线下准确的识别物体原本的颜色。2.人眼是具备自动白平衡功能的，这个是人眼+人脑的共同作用的效果。3.色彩恒常性是人类视觉系统长期演化形成的核心功能。]]></description><category></category></item><item><title><![CDATA[常见的白平衡算法]]></title><link>https://blog.csdn.net/dong6016/article/details/166901767</link><guid>https://blog.csdn.net/dong6016/article/details/166901767</guid><author>dong6016</author><pubDate>Wed, 30 Sep 2026 18:12:02 +0800</pubDate><description><![CDATA[缺点：参数p需要根据场景调整，自适应能力仍有限    需要兼顾灰度世界和完美反射优点的通用场景。算法原理：将估计的光源色度投影到色温曲线上，得到相关色温(CCT)和Duv，以此指导校正。算法原理：灰度世界（p=1）和完美反射（p=∞）的泛化框架，通过调节参数p适应不同场景。缺点：依赖色温曲线（普朗克轨迹/日光轨迹）的准确性，对偏离轨迹的光源效果下降。优点：对空间变化的光照更鲁棒，能克服灰度世界法对大面积单色场景的敏感性。算法原理：基于图像的空间导数（边缘）信息进行估计，而非像素值本身。]]></description><category></category></item><item><title><![CDATA[白平衡算法综述]]></title><link>https://blog.csdn.net/dong6016/article/details/166898673</link><guid>https://blog.csdn.net/dong6016/article/details/166898673</guid><author>dong6016</author><pubDate>Wed, 30 Sep 2026 15:47:28 +0800</pubDate><description><![CDATA[不同色温的光源具有不同的光谱功率分布，同一物体在低色温光源下会呈现偏红的外观，在高色温光源下则偏蓝。5.有监督方法借助机器学习从标注数据中学习光源估计的映射关系，不受固定假设的约束，在充足先验知识支撑下通常表现更优。2.先从图像数据中估计场景光源的色度，再通过通道增益或色彩变换矩阵将图像映射至标准光源（如D65）下的色彩空间。有监督方法借助机器学习从标注数据中学习光源估计的映射关系，不受固定假设的约束，在充足先验知识支撑下通常表现更优。3.仅凭单幅图像的RGB值，无法唯一分解出光源颜色与物体反射率的乘积。]]></description><category></category></item><item><title><![CDATA[RTL仿真综合报告说明]]></title><link>https://blog.csdn.net/dong6016/article/details/166892654</link><guid>https://blog.csdn.net/dong6016/article/details/166892654</guid><author>dong6016</author><pubDate>Wed, 30 Sep 2026 11:04:26 +0800</pubDate><description><![CDATA[日志一：113000ns开始-------------------------》26522318000ns仿真结束。日志二：5304439个clock完成整个仿真，耗时5304439*5ns。]]></description><category></category></item><item><title><![CDATA[Q格式定点化]]></title><link>https://blog.csdn.net/dong6016/article/details/166787823</link><guid>https://blog.csdn.net/dong6016/article/details/166787823</guid><author>dong6016</author><pubDate>Mon, 28 Sep 2026 14:48:40 +0800</pubDate><description><![CDATA[Qm.n中的m表示整数位数，n表示小数位数，还有一位作为符号位，共需要m+n+1位来表示这个数据。Q1.14表示m=1,n=14,符号位为1位，那么m+n+1=1+14+1=16。浮点数据转成Q15，就乘以2^15。Q15转成浮点数据，就除以2^15。Q格式（Q15、Q1.15）与浮点数据的转换很简单就是放大和缩小。]]></description><category></category></item><item><title><![CDATA[白平衡综述]]></title><link>https://blog.csdn.net/dong6016/article/details/166691400</link><guid>https://blog.csdn.net/dong6016/article/details/166691400</guid><author>dong6016</author><pubDate>Sat, 26 Sep 2026 18:22:27 +0800</pubDate><description><![CDATA[2.数码相机的传感器本质是硅光电二极管，它只对光子数量敏感，本身不区分颜色。可见光相机靠 Bayer CFA 在像素上覆盖红、绿、蓝滤色片，让不同像素主要响应不同波段。灰度世界、白点检测、 Shades of Gray、灰色边缘、色温曲线、色域映射、机器学习。6.算法类型：灰度世界法，白点/完美反射，色温估计法，Bayesian方法。7.RAW域，统计，估计光源，增益，色域转换，色调曲线。2.图像传感器对光的响应和人眼是不一样的。1.图像传感器只测光强，却不知颜色。3.人眼有颜色恒常性，相机没有。]]></description><category></category></item><item><title><![CDATA[色温 & 白平衡]]></title><link>https://blog.csdn.net/dong6016/article/details/166686168</link><guid>https://blog.csdn.net/dong6016/article/details/166686168</guid><author>dong6016</author><pubDate>Sat, 26 Sep 2026 10:40:39 +0800</pubDate><description><![CDATA[1.光线色温=相机色温(解决偏色问题)2.相机色温>光线色温，画面偏暖。3.相机色温<光纤色温，画面偏冷。1.日出左右色温2500k。2.中午色温5200k左右。3.日落色温7000k左右。]]></description><category></category></item></channel></rss>