用Chromatix进行tuning流程

##一、基本调试
###1、工程初始配置:
这个工具就是一个图形化的参数编辑器,其实所有tuning中的效果参数直接改文件参数酒醒,工具的好处是:带有检查错误和模拟的功能以及一些校验工具和脚本。
初始化可以中需要的配置:target(硬件MSM8x16等),version(ISP的版本),driver info(sensor的驱动信息:fps,line cnt,gain,bayer patern,crop和black level等),image info(图像信息:宽高等)
这些基本信息是sensor固化的属性,有的直接进行写isp参数,有的用来生成曝光表等参数。
###2、生成曝光表:
直接通过工具生成,需要设置的参数是fixed fps max line和gain,linear afr max line和gain,表示最高fps和最大帧率情况下的最大曝光行和最大增益。这些都是sensor可控状态下的极限值。所有这些都用通过sensor的datasheet获得。
其实按照算法和限制条件,也可以用excel手动生成曝光表。
3、准本raw照片:
生成的曝光表编译成so导入到手机中之后,就可以拍tuning中需要的所有照片了:
MCC卡:不同色温和亮度下拍(色彩矫正矩阵,线性化,ABF噪声分析,WNR噪声分析,AWB Bayer调试)
18%灰卡:不同色温和亮度(AWB参考点,AWB Lowlight LUT)
柔光镜/毛玻璃:不同亮度和色温(镜头Rolloff,线性化)
ISO12233表:不同亮度(ASF锐度)
照片拍摄要点:
a、BLC照片:全黑场景用黑色物体遮住镜头拍。如果chromatix light可用于开/关AEC,在1000lux、200lux、20lux下分别开启AEC,然后通过chromatix light关闭AEC,再关掉灯光拍raw图。
b、rolloff照片:D65、TL84、A光1000lux或最亮,打开Anti-banding选项,Exposure设为+1,拍raw图。柔光镜的磨砂册紧贴相机镜头。
c、MCC照片:70%视野,D65、D50、TL84、CWF、A、室外1000lux或最亮各拍一张,TL84在500lux、200lux、100lux、50lux、10lux,D65在10lux各一张。室外选择晴天中午。
d、FlatField照片:D65、TL84、A光1000lux或最亮,不改变光源亮度和相机位置,拍MCC去掉MCC的灯箱壁。FOV还是70%
e、灰卡照片:和MCC照片的环境一样,让会开填满预览屏幕。
f、ISO12233图:TL84 光1000lux或最亮、200lux、10lux,要对齐标线
g、flash照片:灰卡或非反射面,一米以外放置相机,灰卡或非反射面填满整个预览,开LED关全黑场景拍。
###3、AEC调试:
先调试AEC Trigger Tuning,镜头对准100% FOV 的MCC 卡,记录lux leve、lux index和gain,在TL84光下,点击Calculate会显示各个模块的AEC 触发点列表。
###4、BLC、linear和Rolloff调试:
按照提示加载对应的照片即可,线性化建议是跳过,必须情况下再调试。线性化加载了照片后,如果图像过暗,可以在工具张直接调节亮度后再进行Optimize,线性化之后的曲线应该要比院士曲线更平。low light和normal light的rolloff可以使用同一组图片,chromatix会自动应用不同校准比例来生成镜头rolloff补偿表。纵轴是矫正百分比,横轴是径向位置,如果矫正目标曲线的重点接近100%,则拐角阴影较少,不过噪声水平会上升。
###5、ABF调试:
Adaptive Bayer Filter按照提示进行载入照片操作几个,可以点击Calculate查看个通道的噪声标准偏差。
###6、CCM和高级色度增强ACE调试:
CCM之前先要确定好gamma,按照提示载入对应的照片选好饱和度酒醒,Optimize之后看最有的色彩矫正矩阵。调试的两个参数:
Noise weight:拉大可以降低噪声水平,不过色彩准确度也可能降低。通常该滑块用来调节lowlight条件下的高噪声,其他光源下设为0。
Target Saturation:拉大可以使颜色更加饱和,这个会改变所有颜色的饱和度,如果要改变特定颜色的饱和度,可以通过Advanced安就进行高级调试。
如果某个光源下该了MCC,对应光源下的ACE也必须跟着重新调。
###7、降噪调试:
按照提示load不同亮度的TL84 MCC 照片框选倒数第二个色块,然后calculate进行分析。ASF根据提示信息载入不同亮度的ISO12233照片图进行计算分析。
###8、AWB调试:
先调AWB Reference Points,按照提示在入对应光源的照片会计算出参考点的之,下面的几个参考点可以替代:U30=A,Custom Daylight=D50,Custom A=A,Custom fluorescent=TL84。所有的参考点计算完后要看下图里的位置。
##二、高级调试
对比上面的就是主观调试了,添加或删除对应的场景,设置偏好。一般主要的场景就分为:阳光只是、阴影、半阴影、夜晚、日光灯、白炽灯、混合光线、闪光灯等。
###1、照片参数信息分析:
用Chromatix工具打开拍摄的照片后会有一个3A Debug Info的标志,可以查看3A信息。里面包含AWB、AEC、AF、ASD和3A Stat信息,这个需要在拍照之前打开记录3A信息的开关,通过adb命令行进行设置:
adb
adb
adb
###2、用Raw照片进行仿真:
在Simulation页面中点击Configure,设置仿真目录和仿真类型,仿真类型分为两种:、
1、Trigger controlled:需要lux index、gain、color temperature和awb gain信息。
2、Fixed condition:徐啊哟light level和color temperature信息。
Set AWB gain信息时,不要勾选Use gain from color correction。
Light Level共有刘中,小波降噪的regions1~6。
然后Run就可完成仿真,各个接管的仿真输出照片都可一看到,选在其中某一个模块,会现实应用了该模块及之前所有模块参数的图片。
###3、让CCM更接近target:
用参考机在相同环境下拍一张CCM照片,在CCM模块中点Reference Phone打开照片选MCC JPEG Image,然后按照提示进行MCC计算
###4、提高颜色鲜艳度:
在CCM模块中打开Advanced部分,可以拉中体和RGB各分量的饱和度。结合仿真一起使用。这种方法一次会让3到4个色块的饱和度提高。调整单色的饱和度用CCM模块中的Fine Tune,载入target jpeg和当前手机拍摄CCM Raw照片,框选要改的色块,会自动出来两组RGB值。设置Degree of hue match表示颜色和吻合度,tune之后会生成对应的矩阵和前后对比照片。
###5、gamma对比度调试:
一般两种方式:一是Fine tune中滑对比度的滑快,二是生成新的gamma曲线。新的gamma曲线一般也不会自己手动通过关键点控制,会用平台提供的几组默认的,要改也要一边改一边用仿真工具看。CCM中会用到gamma,所以在修改完gamma之后要重新tune下CCM。
也可以用参考图jpeg来生成gamma,可以把参考图(灰卡)载入,然后会自动选择灰块,计算生成gamma曲线。
###6、小波降噪调试:
主要是四个参数,这些参数通过MCC Raw图片计算出来。
Noise Profile:噪声标准偏差,客观计算的,不建议修改
Denoise Scale:结合了噪声标准偏差的比例因子,用于确定降噪范围。
Denoise edge softness:控制要从rraw图片中提取多少噪声,可以柔化边缘。
Denoise weight:决定降噪的强度。
降噪原理图降噪规模:去顶可以降低的噪声范围,值越大降噪程度越强。0表示无降噪。
边缘柔化:确定了要从输入图像中提取多少噪声,之月到提取的噪声越多边缘也会越柔化。0表示无噪声提取。
降噪权重:1表示无降噪,0表示最大限度降噪。
主观调试就是在不同的亮度级别下调整这几个参数。
###7、锐度调试:
ASF模块进行锐度调试,点击里面的Fine tune打开图片,调节Sharpness Scale和Detail滑块,饭后simulate进行仿真。
Detail控制坐标图中滤波器左右移动,向左图像出现更多细节,向右减少细节,种植细节锐度。
Sharpness scale控制滤波器上下移动,越大向上移动强锐化,可以控制整体锐度水平,可能产生强边缘。
锐化同时可以通过Manual fixed clamping level来控制强边缘的光晕量,即白边现象。
###8、其他:
要调试lowlihgt AWB,矫正暗光下的白平衡。还有awb bayer模块,也是对暗光下白平衡。还有outdoor index=indoor index - 100。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/767427.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

基于Java的音乐网站系统01239

目 录 摘要 1 绪论 1.1 研究背景 1.2系统开发目标、意义 1.3研究内容 2 相关技术介绍 2.1 MySQL数据库 2.2 Java编程语言 2.3 SpringBoot框架介绍 3 系统需求分析与设计 3.1 可行性分析 3.1.1 技术可行性分析 3.1.2 经济可行性分析 3.1.3 法律可行性分析 3.2 需…

IP地址定位中多源数据融合的应用

IP地址定位如今在诸如网络安全、地理信息服务、智能交通等领域发挥着关键作用。然而,传统的基于单一数据源(如IP数据库)的定位方法往往存在精度有限、可靠性不足等问题。多源数据融合技术的出现为解决这些问题提供了新的思路和方法。今天我们…

【机器学习】在【Pycharm】中的实践教程:使用【逻辑回归模型】进行【乳腺癌检测】

目录 案例背景 具体问题 1. 环境准备 小李的理解 知识点 2. 数据准备 2.1 导入必要的库和数据集 小李的理解 知识点 2.2 数据集基本信息 小李的理解 知识点 注意事项 3. 数据预处理 3.1 划分训练集和测试集 小李的理解 知识点 注意事项 3.2 数据标准化 小李…

北京app开发与小程序开发相比较下的优势

随着互联网科技与移动技术的不断成熟,app与小程序的使用也越来越频繁。作为现如今人们日常生活中不可或缺的辅助工具,各企业也开始探索、开发自己的小程序或app。那么,这两者的区别是什么呢?两者相比,北京app开发又具有…

Android平台崩溃和 ANR 问题进行符号化解析、解析崩溃日志的内存地址

使用Android Logcat Stacktrace Utility | Android Logcat | 1.2.3 1.设置so库路径 2.打开Stacktrace Utility工具 3.在Original粘贴报错内存地址 4.点击Resolve Stacktraces,就会解析出内存地址 如果是红色,解析失败了,缺少原生so库,可以在第一步添加so库文件再次尝试…

未公开 GeoServer开源服务器wfs远程命令执行漏洞 已复现(CVE-2024-36401)

0x01 阅读须知 技术文章仅供参考,此文所提供的信息只为网络安全人员对自己所负责的网站、服务器等(包括但不限于)进行检测或维护参考,未经授权请勿利用文章中的技术资料对任何计算机系统进行入侵操作。利用此文所提供的信息而造成…

【进阶篇】Java 项目中对使用递归的理解分享

前言 笔者在最近的项目开发中,遇到了两个父子关系紧密相关的场景:评论树结构、部门树结构。具体的需求如:找出某条评论下的所有子评论id集合,找出某个部门下所有的子部门id集合。 在之前的项目开发经验中,递归使用得是…

win10下Python的安装和卸载

前言 之前电脑上安装了python3.9版本,因为工作需要使用3.6版本的Python,需要将3.9版本卸载,重新安装3.6版本。下面就是具体的操作步骤: 1. 卸载 在我的电脑中搜索到3.9版本的安装文件,如下图: 双击该应用程序&#xf…

数据结构历年考研真题对应知识点(树的基本概念)

目录 5.1树的基本概念 5.1.2基本术语 【森林中树的数量、边数和结点数的关系(2016)】 5.1.3树的性质 【树中结点数和度数的关系的应用(2010、2016)】 【指定结点数的三叉树的最小高度分析(2022)】 5.1…

win10显示毫秒-上午-下午及星期几,24小时制

关于毫秒 winr regedit 计算机\HKEY_CURRENT_USER\SOFTWARE\Microsoft\Windows\CurrentVersion\Explorer\Advanced 新建ShowSecondsInSystemClock,编辑1显示,不显示就删了它 然后重启 资源管理器可能有多个全部重启,就可以啦 根据自己喜好…

【MySQL】表的操作{创建/查看/修改/删除}

文章目录 1.创建表1.1comment:注释信息1.2存储引擎 2.查看表3.修改表3.1add添加列,对原数据无影响3.2drop删除列3.3modify修改列类型3.4change修改列名3.5rename [to]修改表名 4.删除表5.总结 1.创建表 CREATE TABLE table_name (field1 datatype,field…

昇思MindSpore学习笔记3-02热门LLM及其他AI应用--K近邻算法实现红酒聚类

摘要: 介绍了K近邻算法,记录了MindSporeAI框架使用部分wine数据集进行KNN实验的步聚和方法。包括环境准备、下载红酒数据集、加载数据和预处理、搭建模型、进行预测等。 一、KNN概念 1. K近邻算法K-Nearest-Neighbor(KNN) 用于分类和回归的非参数统计…

2024年下半年系统集成项目管理工程师使用新版教材,该如何备考?

2024年下半年,新版的《系统集成项目管理工程师教程》(第3版)将被系统集成项目管理工程师使用。许多考生可能会感到迷茫,不知道该如何复习。毕竟教材更新后,以往的资料和真题都变得无用,重点内容和考试方向也…

llm学习-3(向量数据库的使用)

1:数据读取和加载 接着上面的常规操作 加载环境变量---》获取所有路径---》加载文档---》切分文档 代码如下: import os from dotenv import load_dotenv, find_dotenvload_dotenv(find_dotenv()) # 获取folder_path下所有文件路径,储存在…

OV SSL证书年度成本概览:为企业安全护航的经济之选

在当今数字化时代,企业网站不仅是品牌展示的窗口,更是与客户沟通的桥梁。然而,随着网络威胁的不断升级,保护网站安全成为了企业不可忽视的任务。SSL证书,特别是OV SSL证书,因其对企业身份的严格验证&#x…

Halcon OCR字符识别(极坐标转换,字符识别)

Halcon OCR字符识别(极坐标转换,字符识别) 代码 * 1.加载图片 *************************************************** dev_close_window () read_image (Image, ./img) get_image_size (Image, Width, Height) dev_get_window (WindowHandle…

聚鼎贸易:装饰画开店教程新手入门

当艺术遇上商业,每一幕交易皆是文化的交流。本篇将引领有志于开设装饰画店铺的新手们,迈入创业的门槛,以独特的视角和步骤,探索如何成功经营一家装饰画店。 精选货源乃基石。货源的选取不仅反映店主的品味,更直接影响到…

NPDP|产品经理的沟通协调能力:塑造产品成功的核心力量

在快速发展的商业环境中,产品经理的角色愈发重要。他们不仅要负责产品的战略规划、需求管理、项目管理,更要与团队内外各方进行有效的沟通协调。那么,产品经理的沟通协调能力到底有多重要呢?本文将深入探讨这一话题。 沟通是产品成…

使用css做一个旋转的八卦图

使用css做一个旋转的八卦图 1, html部分 <div class"tai"><div class"bai"></div><div class"hei"></div> </div>2, css部分 .tai{width: 200px;height: 200px;border: 1px solid #000;background: linea…

【Python机器学习】模型评估与改进——回归指标

对于回归问题&#xff0c;可以像分类问题一样进行详细评估&#xff0c;例如&#xff0c;对目标值估计过高与目标值估计过低进行对比分析。 但是&#xff0c;对于我们见过的大多数应用来说&#xff0c;使用默认就足够了&#xff0c;它由所有回归器的score方法给出。业务决策有时…