噪声传感器

锵锵锵！新一期的真相系列又和大家见面啦~~~ 在之前的文章中，我们向大家介绍了信噪比及其计算方法，还记得这个公式么？ 大家都想要获得信噪比高的图像，但是噪声就像一个如影随形的幽灵，总是出来捣乱。尤其在一些高端显微成像应用中，如转盘式共聚焦、TIRF、单分子荧光成像等，由于信号弱，这时更低的噪声尤为重要。俗话说，知己知彼，方能百战百胜。在接下来的两期文章中，小编就来和大家详细的聊一聊噪声——这个我们无法摆脱的讨厌鬼。 先来明确一下噪声的概念。实际生活中的噪声多种多样，比如声音的噪声、电信号传输的噪声以及相机的噪声等等。噪声是围绕着信号上下波动的不确定性，从统计学上来说，就是标准差。让我们先来看看在成像过程中都会遇到哪些“不确定性”。 散粒噪声 (Photo shot noise) 入射到相机的光子在硅层内被转换成光电子，由于光信号的量子特性，相机捕获到的信号存在一定的不确定性。这就是 散粒噪声。 大家还记得在信噪比1中我们说过它的值等于信号的平方根： 这里要告诉大家的坏消息是：散粒噪声的存在是一种物理现象，是不能通过相机的设计来减少的，但它却是信噪比中重要的影响因素。想象一下，如果有一个没有任何噪声的理想相机，它拍摄的图像信噪比也不是无穷大的。其图像的信噪比随信号强度变化的曲线如下。 读出噪声 (Read noise) 读出噪声，顾名思义就是相机在读出信号时产生的噪声

图像传感器与信号处理——详解图像传感器噪声 图像传感器与信号处理——详解图像传感器噪声 1 图像传感器噪声分类 2 图像传感器噪声描述 3 图像传感器噪声原理 3.1 热噪声（Thermal Noise） 3.2 散粒噪声（Shot Noise） 3.3 1/f噪声（Flicker Noise） 3.4 重置噪声（Reset Noise） 3.5 本底噪声（Noise Floor） 3.6 固定模式噪声（Fixed Pattern Noise） 3.7 光照响应非均匀性 4. 图像传感器降噪方法 4.1 热噪声降噪 4.2 散粒噪声降噪 4.3 1/f噪声降噪 4.4 CDS和DDS噪声抑制电路 图像传感器与信号处理——详解图像传感器噪声 本文主要是结合《Noise in Image Sensors》和《Image Sensors And Signal Processing for Digital Still Cameras》两本参考文献对图像传感器噪声进行总结，值得注意的是，本文介绍的图像传感器噪声，并不是图像噪声。图像传感器噪声的讨论中涉及到更多硬件等基础知识，而图像噪声产生的一个很重要的源头正是图像噪声， 只有彻底了解噪声的来源后才能更好地考虑如何去消除噪声 。此外，信号电荷数量随光照强度的响应如下图所示： 其中横坐标是光照强度，纵坐标是信号电荷数量，由图可知

1.参考资料 2.相关定义 3.IMU 的噪声模型 3.1噪声的建模 3.2白噪声和随机游走噪声的离散化 3.3如何获取传感器噪声参数 4.随机噪声和扰动的积分 4.1建立模型 4.2噪声的离散化模型推导 4.3系统的状态误差方程 4.4状态误差方程的积分 4.4.1 第一项-状态误差 4.4.2 第二项-测量白噪声 4.4.3 第三项-扰动噪声离散化（随机游走噪声) 4.5 离散的系统误差方程 4.6 误差状态方程的其他说明 4.7 Full IMU example 1.参考资料 <1>Kalibr IMU Noise Model： https://github.com/ethz-asl/kalibr/wiki/IMU-Noise-Model <2>高斯白噪声: http://blog.csdn.net/ZSZ_shsf/article/details/46914853 <3>随机游走： http://blog.sina.com.cn/s/blog_5c2cfefb0100emyi.html <4>泡泡机器人IMU状态模型(2) http://mp.weixin.qq.com/s/_ElpcSkMaGEIFd3bmwGa_Q <5>泡泡机器人IMU状态模型(1) http://mp.weixin.qq.com/s/PD4cOqVE3oMhyW4A2N02xQ <6>

一个算法并不是能适用于任何场景，在使用线性卡尔曼滤波器前，它有两个假设限定了它的应用场景，即： 系统是线性的 系统和测量噪声是高斯白噪声 什么是高斯白噪声？即噪声满足正态分布，表述如下： 高斯白噪声在时间尺度上是互不相关的，即上一时刻的噪声状态并不能决定下一时刻的噪声状态； 噪声在所有频率上具有相等的功率，即功率谱密度服从均匀分布； 4. 分析过程 4.1 基本方程 先直接扔出卡尔曼滤波的经典5个方程（来自于参考文献）： 预测（估计）状态方程 更新方程 以上5个方程以矩阵运算形式代表了线性卡尔曼滤波算法的一般形式（不同文献的数学表达方式略有不同）。第一眼看到这几个方程里面的F、K、H之类的变量以及符号肯定是蒙圈的，即使了解了符号代表的意义，在实际过程中怎么使用可能也不是很清楚。 ### 4.2 方程的解释 【注：此节不会完整的再验算一次推导过程，因为篇幅有限，我只能根据我的理解，解释捋清推导过程的一个基本脉络，并解释参考文献中稍微有点绕的地方】 上述算法的一般方程来自于参考文献3，文中以获取机器人的位置和速度这两个变量为例，推导出了（二维）矩阵形式的一般方程，所以结合案例，总结一下方程中各变量符合所代表的意义。 #### 4.2.1 预测（估计）状态方程 【注：以下表述中“预测”和“估计”表示一个意思】 预测状态方程是依据被测对象的数据模型建立的，如例子中所示