动态范围

http://hi.baidu.com/hieda/blog/item/6afab113b8985127dc540179.html 1 引言 　　OFDM（正交频分复用）是一种多载波数字调制技术，被公认为是一种实现高速双向无线数据通信的良好方法。在OFDM系统中，各子载波上数据的调制和解调是采用FFT（快速傅里叶变换）算法来实现的。因此在OFDM系统中，FFT的实现方案是一个关键因素。其运算精度和速度必须能够达到系统指标。对于一个有512个子载波，子载波带宽20 kHz的OFDM系统中，要求在50 μs内完成512点的FFT运算。 　　硬件实现FFT算法的主要方案有：DSP（通用数字信号处理器）；FFT专用芯片；FPGA（现场可编程门阵列）。DSP具有纯软件实现的灵活性，适合用于流程复杂的算法，例如在通信系统中的信道编、解码，QAM映射等算法。如果在DSP中完成FFT运算，不仅要占用大量D SP的运算时间，使整个系统的数据吞吐率降低，也无法发挥DSP软件实现的灵活性。因此，前端的FFT运算应由ASIC或FPGA完成。采用专用的FFT处理芯片，虽然速度能达到要求，但其可扩展性差。FPGA具有硬件结构可重构的特点。适合于算法结构固定、运算量大的前端数字信号处理。新近推出的FPGA产品都采用多层布线结构，更低的核心电压，更丰富的IO管脚，容量可达到100 k个逻辑单元（LES）

EMVA1288动态范围的整理 1.动态范围 1.1 动态范围的定义： 信号饱和值与绝对灵敏度阈值的比值被定义为 DR （dynamic range）。 1.2 动态范围的表示： 有两种表示方法，一种是倍数X，另一种是dB。 两者间的转换关系为： dB=20 log(X);* 注：log 是以10为底。 1.3 动态范围的分类： 分为两种，最大值与线性值。 2.饱和输出： 2.1 饱和输出的定义 (μe.sat) 2.2 饱和输出的表示： 有两种表示方法，一种是DN值，另一种是ke-(电子数目)。 按照EMVA1288中定义是光子数目。 2.3 饱和输出的分类： 分为两种，最大值与线性值。 3.绝对灵敏度阈值 3.1 绝对灵敏度阈值的定义 最小可探测辐射量或者绝对灵敏度阈值，可以用信噪比（SNR）进行定义，该值即为满足 SNR=1 时的光子数均值。 3.2 绝对灵敏度阈值的表示 3.3 绝对灵敏度阈值的分类 只有一种，没有最大值与线性值之说。 EMVA1288有关内容原文 2.4 信号饱和与绝对灵敏度阈值 对于一个 k 比特的数字相机，其输出的数字灰度值在 0 到2^k − 1范围以内。但是实际上的可用灰度范围要小一些。暗场灰度平均值u.y.dark必须高于 0，以防因为时域噪声和暗信号的非均匀性（第 6.5 节有更精确的定义）而导致的明显的向下截止。 类似的，可知

图像的增强与复原 一、图像的灰度直方图 1、灰度直方图的定义 　　 灰度直方图是灰度级的函数，描述的是图像中该灰度级的像素个数。即：横坐标表示灰度级，纵坐标表示图像中该灰度级出现的个数。 2、数字图像的描述 1）黑白图像 　 　 是指图像的每个像素只能是黑或者白，没有中间的过渡，故又称为２值图像。2值图像的像素值为0、1 2）灰度图像 灰度图像是指每个像素的信息由一个量化的灰度级来描述的图像，没有彩色信息 3）彩色图像是指每个像素的信息由RGB三原色构成的图像，其中RBG是由不同的灰度级来描述的 3、直方图的性质 (１．所有的空间信息全部丢失。 (２．每一灰度级的像素个数可直接得到。 4、直方图的用途 （1 . 数字化参数 　　 直方图给出了一个简单可见的指示，用来判断一幅图象是否合理的利用了全部被允许的灰度级范围。一般一幅图应该利用全部或几乎全部可能的灰度级，否则等于增加了量化间隔。丢失的信息将不能恢复。 （２. 边界阈值选取 　　 假设某图象的灰度直方图具有 二峰性，则表明这个图象的较亮的区域和较暗的区域可以较好地分离，去这一点为阈值点，可以得到好的２值处理的效果。 二、图像的灰度变换（灰度变换的目的是为了改善画质，使图像的显示效果更加清晰。） 1、输入图像的r校正（我们知道，数字图像信息的获取来自于图像传感器。但是输入输出特性不是线性的，所以如果不进行校正处理的话

每天一分钟，带你读遍机器人顶级会议文章 标题：Learning High Dynamic Range from Outdoor Panoramas 来源：International Conference on Computer Vision (ICCV 2017) 编译：博主 欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权 ժҪ 众所周知，由于室外照明具有非常大的动态范围，所以必须使用特殊的设备采集影像，这使得室外图像的处理非常具有挑战性。在本文中，作者提出了一个新的方法，首先使用常规的LDR全景相机拍摄，然后使用一个基于深度学习的逆色调映射方法将其转化成HDR图像；其核心思路是使用一个深度自编码架构从非线性、饱和、低动态范围全景照片中回归出线性、高动态范围的全景照片。 本文在大量的模拟数据和一个具有真实值的真实数据集上进行了测试。本文提出的算法具有非常广泛的应用，例如室外光场估计和图像匹配。 图1 本文的网络框架 图2 基于单张图像的光场估计，其中第一行是原始照片，第二行是基于真实值的渲染，第三行是基于估计光场的渲染 图3 基于Google街景的光场估计和渲染 图4 基于太阳亮度和高度的图像匹配 文章来源: 基于室外全景获取高动态范围

1、概述 说到EF那我们不得不谈谈HDR。高动态范围（HDR）图像可以表示动态范围跨度很大的真实场景。图像的动态范围（dynamic range）是指一幅图像中可见区域最大亮度与最小亮度的比值。同样的，场景中最大光度与最小光度的比值被称为场景的动态范围。现实场景中光度值的分布范围是非常宽广的，而且人眼能够观察的动态范围也是很广的，比如强烈阳光照射下的光度超过１００，０００ｃｄ／ｍ２，而夜晚人们能够看到微弱星光的光度值会低于０．０００１ｃｄ／ｍ２，真实场景的动态范围已经超过了10９：１。人的视觉系统在同一固定场景内不需要适应性调节能观察的动态范围也可达到1５：１。而目前泛使用的ＣＣＤ／ＣＭＯＳ图像传感器的动态范围远远小于现实场景和人眼所能观察到的动态范围。 EF根据拍摄场景不同分为静态场景和动态场景。前者是指场景中所有的物体都是静的，融脊目标只是如何更多更好的显示颜色和细节信息，而后者是指场景中存在移动的物体或者相机发生抖动，这样会使融合图像产生明显的鬼影，所以需要解决如何去除鬼影的问题。 数字相机在拍摄宽亮度范围场景时，受其动态范围限制，捕获的单幅图像往往存在灰暗或饱和的区域，细节丢失严重．利用一系列不同曝光度的低动态范围(low dynamic range, LDR)图像扩展成像动态范围、增强细节是近年来快速发展的一项技术，称为高动态范围成像(high dynamic

http://hi.baidu.com/hieda/blog/item/6afab113b8985127dc540179.html 1 引言 　　OFDM（正交频分复用）是一种多载波数字调制技术，被公认为是一种实现高速双向无线数据通信的良好方法。在OFDM系统中，各子载波上数据的调制和解调是采用FFT（快速傅里叶变换）算法来实现的。因此在OFDM系统中，FFT的实现方案是一个关键因素。其运算精度和速度必须能够达到系统指标。对于一个有512个子载波，子载波带宽20 kHz的OFDM系统中，要求在50 μs内完成512点的FFT运算。 　　硬件实现FFT算法的主要方案有：DSP（通用数字信号处理器）；FFT专用芯片；FPGA（现场可编程门阵列）。DSP具有纯软件实现的灵活性，适合用于流程复杂的算法，例如在通信系统中的信道编、解码，QAM映射等算法。如果在DSP中完成FFT运算，不仅要占用大量D SP的运算时间，使整个系统的数据吞吐率降低，也无法发挥DSP软件实现的灵活性。因此，前端的FFT运算应由ASIC或FPGA完成。采用专用的FFT处理芯片，虽然速度能达到要求，但其可扩展性差。FPGA具有硬件结构可重构的特点。适合于算法结构固定、运算量大的前端数字信号处理。新近推出的FPGA产品都采用多层布线结构，更低的核心电压，更丰富的IO管脚，容量可达到100 k个逻辑单元（LES）

Spring Data JPA提供了Query by Example (QBE) 查询技术，实现了动态条件查询，不必再写烦琐的条件判断。但QBE不支持范围查询，本文结合QBE和Specification实现了动态范围查询。 本文以 汪云飞-Spring Data JPA实现动态条件与范围查询实例代码 为基础修改，利用org.springframework.data.domain.Range替换了自定义实现，支持Matching Any，保持了原代码的基本结构。 源码地址 https://github.com/sunjc/heroes-api 实现代码 FieldRange import org.springframework.data.domain.Range; import org.springframework.data.domain.Range.Bound; import static org.springframework.data.domain.Range.Bound.inclusive; public class FieldRange<T extends Comparable<T>> { private String field; private Range<T> range; public FieldRange(String field, T lower, T