龙迅LT9211D MIPI桥接到2 PORT LVDS,分辨率支持高达3840*2160*30HZ

embedded/2024/10/18 20:23:21/

龙迅LT9211D描述:

Lontium LT9211D是一款高性能的MIPI DSI/CSI- 2到双端口LVDS转换器。LT9211D反序列化输入的MIPI视频数据,解码数据包,并将格式化的视频数据流转换为AP和移动显示面板或摄像机之间的LVDS发射机输出。LT9211D支持最大14 dB输入均衡和可编程预强调,以提高性能。LT9211D采用先进的CMOS工艺制造,并在7.5x7.5mm QFN64封装中实现。此包符合RoHS标准,并指定从-40°C到+85°C运行。

双端口LVDS发射机:

兼容VESA和JEIDA标准

1~2可配置端口

1时钟通道和4数据通道每端口

两个端口同时显示支持

分辨率3840x2160 30Hz或任何其他分辨率的像素克隆6.25MHz到297MHz

支持DE模式

可编程预强调

支持输出SSC(30KHz±5%)

MIPI接收器:

符合DCS1.02,D-PHY1.2 ,DSI1.2和CSI-2 1.00

1时钟车道和1~4可配置数据通道

2.5Gb/s每数据车道

分辨率3840x2160 30Hz或任何其他分辨率的像素克隆6.25兆赫到297兆赫

非爆发和爆发视频模式支持

支持RGB666,松散RGB666,RGB888,RGB565,16位YCbCr4:2:2,24位YCbCr4:2:2视频格式


http://www.ppmy.cn/embedded/34828.html

相关文章

项目实战 | 如何恰当的处理 Vue 路由权限

前言 哈喽,小伙伴你好,我是 嘟老板。最近接了一个成本千万级的前端项目运维工作,本着 知己知彼 的态度,我将整个前端的大致设计思路过了一遍。不看不知道,一看…吓一跳。光是 路由权限 这块儿的设计,都让我…

【深度学习】概率图模型理论简介

概率图模型 1 概率图模型2 模型表示2.1 有向图模型(Bayesian networks 贝叶斯网络)2.2 无向图模型(Markov random fields 马尔可夫网络)参考概率图模型(Probabilistic Graphical Model,PGM)是一种用图结构来表示和推断多元随机变量之间条件独立性的概率模型。图模型提供…

QT Windows 实现调用Windows API获取ARP 表

简介 使用ping方式获取网络可访问或者存在的设备发现部分会无法ping通但实际网络上存在此设备, 但使用arp -a却可以显示出来, 所以现在使用windows API的方式获取arp 表。 实现 参考Windows提供的示例转化成Qt Qt .pro LIBS -liphlpapiLIBS -lws2_32…

如何使用Go语言进行基准测试(benchmark)?

文章目录 一、基准测试的基本概念二、编写基准测试函数三、运行基准测试四、优化代码性能五、注意事项总结 在Go语言中,基准测试(benchmark)是一种评估代码性能的有效方式。通过基准测试,我们可以测量代码执行的时间、内存使用情况…

亚马逊云科技AWS免费证书-EC2服务器设计(含题库)

亚马逊云AWS官方程序员专属免费证书又来了!这次证书是关于AWS EC2实例的设计和搭建,EC2作为AWS服务的核心,是学好AWS的第一步。强推没有任何AWS背景和转码的小伙伴去学!学完也能变成AWS开发大神! 证书名字叫Getting St…

Linux下网络编程-简易Epll服务器和客户端

Linux下网络编程-简易Epll服务器和客户端 简易Epll服务器: #include <stdio.h> #include <stdlib.h> #include <string.h> #include <unistd.h> #include <arpa/inet.h> #include <sys/socket.h> #include <sys/epoll.h>#define B…

【yolov8目标检测部署】TensorRT int8量化

原作者github&#xff1a;https://github.com/xuanandsix/Tensorrt-int8-quantization-pipline/tree/main 改进&#xff1a; 源代码支持的TensorRT版本为7.许多属性已经弃用&#xff1b; 在原有的代码上将支持的TensorRT版本从7改到8. &#xff01;&#xff01;不知道如何安装T…

【Python深度学习(第二版)(2)】深度学习之前:机器学习简史

文章目录 一. 深度学习的起源1. 概率建模--机器学习分类器2. 早期神经网络--反向传播算法的转折3. 核方法 -- 忽略神经网络4. 决策树、随机森林和梯度提升机5. 神经网络替代svm与决策树 二. 深度学习与机器学习有何不同 可以这样说&#xff0c;当前工业界所使用的大部分机器学习…