基于STM32F417的图像采集系统设计实现-本文所设计的基于STM32F417的图像采集系统具有采集图像质量无损、实时性好、功耗低、成本低等优势，适合在对信息采集的实时性和图像质量方面有较高要求的系统中应用。
基于FPGA ZYNQ7000的高帧频智能目标检测系统的设计方案-高速相机一般通过GigE、Camera Link、USB3.0等接口将图像采集后传输到图像处理器上，这种方式把大量时间消耗到信息传输通道。为了解决这个问题，最好的方式是直接在近端对传感器芯片采集的图像进行处理。FPGA凭借其硬件并行运算的优势，越来越多地应用于高速相机以及高速运动检测系统中，极大地提高了图像处理速度，保证了系统的高速、实时性与准确性。通过FPGA对图像传感器进行近端处理，可以做到采集图像与智能处理同步进行。其最需要解决的问题是优化智能算法，使得运算更加简单高效，并占用更少的资源。
关于机器视觉的一些事-机器视觉系统利用机器代替人眼来做测量和判断，通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
基于FPGA的视频图像画面分割器的软硬件设计与实现-随着计算机、DSP、超大规模集成电路等技术的发展，画面分割器开始采用硬件设计。首先，将各路视频信号转换成数字视频信号;然后，在数字领域对各路视频信号进行处理。使电路的设计、调试得到了很大的改善。但是，设计中所使用的独立的逻辑电路较多，有的甚至使用专用的DSP芯片去处理视频画面的分割。虽然可以满足对视频图像数据处理速度的要求，但是还需要外加CPU去协调系统工作，使得整个系统仍显得体积较大，而且系统成本较高。随着半导体加工工艺的不断发展，FPGA在结构、速度、工艺、集成度和性能方面都取得了很大的进步和提高。本文将详细介绍基于FPGA开发技术的视频图像画面分割器的软硬件设计与实现。
基于FPGA的指纹识别模块设计方案-本模块采用xilinx公司的 Spartan 3E 系列XC3S500E型FPGA作为核心控制芯片，通过富士通公司的MFS300滑动式电容指纹传感器对指纹图象进行提取，然后对提取的指纹图像进行灰度滤波、图像增强、二值化、二值去噪、细化等预处理，得到清晰的指纹图象，再从清晰的指纹图象中提取指纹特征点，存入外部FLASH作为建档模板。
一种采用像素积分单元阵列结构的FPGA实现与性能分析-Adaboost 算法是Freund 和Schapire 于1995 年提出的，全称为Adaptive Boosting。它是 Boosting 算法的改进，意为该算法通过机器训练与学习不断自适应地调整假设的错误率，这 种灵活性使得Adaboost 算法很容易与实际应用联系起来。2001 年，微软研究院的P.Viola 提出了基于Haar 特征的Adaboost 算法，创造性地将积分图的概念引入到人脸检测的特征 计算当中，由于此算法使用了大量尺寸不一的矩形作用来表征人脸。并且该算法中用以检测 人脸的分类器是采用的级联结构，按照由弱到强的顺序组织的，其优点在于按照统计概率， 在图像检测的一开始就能够将大部分不包含人脸的区域排除在外，省去了后面计算负载更重 的检测步骤，以此达到检测速度提升的目的。经过实际测试，P3 700MHz 的处理器对352*288 的图像进行检测的速度为15 帧/秒。但是如果在嵌入式平台上运行的话
中值滤波的原理和快速算法及利用FPGA技术实现-现代图像处理系统对实时性的要求愈来愈高，但图像的前端采集往往会受器件或环境影响而使获得的图像含有噪声，因而需要在对图像处理前进行去噪声处理。若使用通用的软件方法，由于处理过程需要进行大量的简单计算，因此会消耗不少时间而影响系统的实时性。随着现代电子技术的发展，用FPGA来完成中值滤波这类运算简单但数据量巨大的处理，无疑是一种理想的选择。
基于FPGA的8比特图像的可比特平面分层-像素是由比特组成的数字。例如，在256级灰度图像中，每个像素的灰度是由8比特（也就是1个字节）组成。一幅8比特图像可以认为由8个1比特平面组成，如图1所示，其中平面1包含图像中所有像素的最低阶比特，而平面8包含图像中所有像素的最高阶比特。
FPGA二值图像边界提取算法实现-我们使用3×3模板进行边界提取，所以当3×3九个点都是‘1’的时候，输出为‘1’，当九个点都是‘0’的时候，输出为‘1’，其他情况输出均为‘0’。
