1. 项目缘起当树莓派Pico遇见无线电图像前阵子我一直在折腾业余无线电特别是慢扫描电视SSTV这个老古董技术。简单来说SSTV就是通过无线电波把一张图片的亮度信息转换成不同频率的音频信号发送出去接收端再把这个“唱歌”的音频信号解码还原成图片。这技术从上世纪五六十年代就有了现在依然是业余无线电爱好者之间分享天气图、现场照片甚至自拍的有趣方式。传统的SSTV解码要么用电脑声卡配合专用软件要么用一些现成的解码器模块。但作为一个喜欢“造轮子”的硬件玩家我总想着能不能用更小巧、更便宜、更“裸”的方案来实现。直到我看到了树莓派Pico——这款售价仅4美元的微控制器拥有双核ARM Cortex-M0处理器和可编程I/OPIO性能对付音频采样和解码绰绰有余。最关键的是它足够简单能让我从最底层理解SSTV解码的每一个环节。于是一个想法诞生了用树莓派Pico打造一个独立的、低成本的SSTV解码器。它可以直接连接电台的音频输出实时解码并将接收到的图片显示在一块小屏幕上或者通过USB串口发送到电脑。这不仅仅是复现一个功能更是一次深入信号处理、实时系统和硬件交互的绝佳实践。如果你也对无线电、嵌入式开发或者仅仅是“用简单硬件做有趣事”感兴趣那么这个项目会非常适合你。2. SSTV解码原理从“歌声”到像素的魔法在动手写代码之前我们必须彻底搞懂SSTV信号到底是怎么一回事。知其然更要知其所以然这样后面调试时遇到问题你才能知道该从哪里入手。2.1 SSTV信号的本质频率调制图像SSTV的核心思想非常直观用声音的频率来代表图像的亮度。想象一下一个纯黑色的像素亮度为0%可能对应1500赫兹的音频一个纯白色的像素亮度为100%可能对应2300赫兹的音频。那么一个灰色的像素亮度50%就可能对应1900赫兹。发送端按照一定的顺序通常是从左到右、从上到下扫描图像的每一个像素并将其亮度值实时转换为对应的频率信号通过电台发射出去。接收端做的事情正好相反它需要精确地测量出接收到的音频信号的瞬时频率然后将这个频率值映射回亮度值最后按照同样的顺序把亮度值排列起来就得到了一张图片。这里有几个关键参数决定了图片的质量和格式行同步脉冲在每一行像素数据开始之前会发送一个特定时长和频率的脉冲例如1200Hz持续9ms告诉接收端“新的一行开始了准备好计时”。帧同步脉冲在整张图片开始之前会发送一个更长的同步信号例如1200Hz持续30ms标志着一帧图像的起始。扫描时间发送一个像素所需的时间。这个时间直接决定了图像的分辨率。时间越短单位时间内能发送的像素越多图像横向分辨率就越高但对接收端频率测量的速度和精度要求也越高。常见的Scottie S1模式水平扫描时间大约是138.24毫秒/行。色度信号黑白SSTV只传输亮度。而彩色SSTV如Scottie DX, Martin M1会分时传输红、绿、蓝三个颜色通道的信息。解码器需要按顺序接收这三组数据再合成彩色图像。2.2 解码的核心挑战实时频率检测对于微控制器来说最大的挑战就是如何快速、准确地从输入的模拟音频信号中计算出其瞬时频率。这里有几个主流方法过零检测法这是最简单的方法。计算信号在单位时间内穿过零点的次数。对于纯净的正弦波这方法很有效。但实际接收的无线电信号充满了噪声会导致许多错误的过零点精度很差基本不可用。离散傅里叶变换DFT或快速傅里叶变换FFT这是更通用的频谱分析方法。通过对一小段音频信号进行FFT可以找到能量最强的频率分量。这种方法抗噪性好精度高但计算量较大。对于Pico的M0内核进行连续、实时的FFT运算会占用大量CPU资源可能难以维持高采样率下的解码。戈泽尔算法Goertzel Algorithm这是本项目推荐的核心算法。你可以把它理解为一个“针对特定频率的简化版FFT”。我们并不需要知道整个频谱我们只关心信号在SSTV频率范围例如1500-2300Hz内某个特定点的能量。Goertzel算法正是为这种“检测特定频率是否存在及其强度”的场景而优化的它的计算量比FFT小一个数量级非常适合在Pico这样的资源受限设备上实现实时单频点跟踪。我们的策略是使用Pico的ADC模数转换器以固定的采样率例如8kHz对输入音频进行采样。然后对采样到的数据块例如每1024个样本运行Goertzel算法计算其在目标频率例如从1500Hz开始以步进扫描上的能量。能量最大的那个频率点就对应了当前时刻音频所代表的亮度值。通过不断重复这个过程我们就能得到一连串的亮度数据流。2.3 同步是生命线如何抓住图像的头和尾即使频率检测再准如果同步乱了得到的也是一堆毫无意义的噪点。同步检测的逻辑相对独立我们持续监测计算出的频率。当检测到持续一段时间比如8ms以上的1200Hz信号时我们就认为这可能是一个同步脉冲。通过测量这个1200Hz脉冲的持续时间我们可以判断它是短的行同步~9ms还是长的帧同步~30ms。一旦检测到帧同步我们就复位行计数器开始准备接收第一行图像数据。之后每检测到一个行同步行计数器加一并重置该行的像素索引开始填充新的一行数据。这个状态机逻辑必须非常健壮要能容忍信号的微小抖动和噪声干扰否则图像很容易错行或撕裂。3. 硬件搭建从电台到屏幕的连接图有了理论武装我们来看看需要哪些硬件以及如何把它们连接起来。整个系统的信号流是这样的电台音频输出 - 音频接口与调理电路 - 树莓派Pico ADC引脚 - Pico 处理 - SPI/I2C 屏幕或USB串口。3.1 核心元件清单与选型理由树莓派Pico主角无需多言。建议选择带有预焊排针的版本方便插接。音频输入接口你需要一个方式将电台的音频信号引入Pico。最简单的是使用一个3.5mm音频插孔模块。电台的扬声器或耳机输出口通常可以连接到这里。注意电台的输出电平可能较高直接接入可能损坏Pico的ADC。通常需要在信号线上串联一个大约10kΩ的电阻进行衰减并最好添加一个电压钳位保护电路如使用两个反向并联的二极管到地和3.3V确保输入电压始终在0-3.3V之间。显示设备可选为了独立显示一块SPI或I2C接口的小型OLED或LCD屏幕是很好的选择。我选用的是128x64像素的SSD1306 OLED屏I2C接口因为它功耗低、对比度高且驱动简单。电源Pico可以通过Micro USB口供电。如果希望设备完全独立可以使用一个USB充电宝或者通过Pico的VSYS引脚接入5V电源。面包板与杜邦线用于原型搭建。3.2 电路连接详解下图展示了关键的连接方式文字描述电台音频线 ---(通过衰减/保护电路)--- Pico GPIO 26 (ADC0) | Pico GPIO 0 (I2C SDA) --------------- OLED SDA Pico GPIO 1 (I2C SCL) --------------- OLED SCL | Pico VBUS (5V) ---------------------- OLED VCC Pico GND ---------------------------- OLED GND连接要点与避坑指南ADC参考电压Pico的ADC参考电压是3.3V。确保你的音频信号经过调理后峰值电压不超过3.3V理想情况下应在1.0V - 2.5V之间摆动以充分利用ADC的动态范围。共地务必确保电台、Pico和屏幕如果有的GND地线连接在一起这是信号稳定的基础。I2C上拉电阻Pico的内部上拉电阻可能较弱。如果OLED屏幕本身没有上拉电阻最好在SDA和SCL线上各接一个4.7kΩ的电阻上拉到3.3V以保证通信稳定。避免干扰尽量让信号线远离Pico的晶振、开关电源等噪声源。如果使用面包板注意电源走线的布局。3.3 软件环境准备在开始编程前需要在你的电脑上搭建开发环境安装Thonny IDE这是树莓派官方推荐的Pico开发环境跨平台且对MicroPython支持友好。刷写MicroPython固件按住Pico板上的BOOTSEL按钮同时通过USB连接到电脑。电脑上会出现一个名为RPI-RP2的U盘。将下载好的micropython.uf2固件文件拖入该U盘Pico会自动重启并成为MicroPython设备。配置Thonny在Thonny中选择解释器为“MicroPython (Raspberry Pi Pico)”并指定正确的串口。连接成功后你可以在Shell界面与Pico交互。4. 核心代码实现Goertzel算法与状态机现在进入最核心的编码部分。我们将把整个解码器分解成几个模块来构建。4.1 音频采样与ADC配置首先我们需要以固定速率读取ADC引脚的值。MicroPython提供了简单易用的接口。from machine import ADC, Pin, I2C, Timer import array import math # 初始化ADC连接到GPIO26 (ADC0) adc ADC(Pin(26)) # 采样率由定时器中断控制这里先定义采样缓冲区 SAMPLE_RATE 8000 # 8 kHz采样率 SAMPLE_BUFFER_SIZE 256 # 每次处理256个样本 samples array.array(H, [0] * SAMPLE_BUFFER_SIZE) # 无符号短整型数组 sample_index 0 def sample_callback(timer): 定时器中断服务程序读取ADC样本 global sample_index, samples if sample_index SAMPLE_BUFFER_SIZE: # ADC读数是0-65535对应0-3.3V samples[sample_index] adc.read_u16() sample_index 1 # 设置一个定时器以SAMPLE_RATE的频率触发采样 sampling_timer Timer() sampling_timer.init(freqSAMPLE_RATE, modeTimer.PERIODIC, callbacksample_callback)这里的关键是SAMPLE_RATE的选择。根据奈奎斯特采样定理要无失真地采样2300Hz的信号采样率必须大于4600Hz。选择8kHz提供了足够的裕量同时计算量也在可控范围内。SAMPLE_BUFFER_SIZE的大小需要权衡缓冲区越大频率检测的频率分辨率越高但延迟也越大。256个样本在8kHz下对应32ms对于SSTV一行上百毫秒的扫描时间来说这个延迟是可以接受的。4.2 Goertzel算法实现接下来我们实现一个针对特定目标频率target_freq的Goertzel检测函数。def goertzel(samples, sample_rate, target_freq): 计算给定样本数组中特定频率的能量。 返回一个能量值浮点数。 n len(samples) # 归一化角频率 k int(0.5 n * target_freq / sample_rate) omega 2.0 * math.pi * k / n cos_omega math.cos(omega) coeff 2.0 * cos_omega # Goertzel迭代计算 q0 q1 q2 0.0 # 将ADC值转换为有符号浮点数并去除直流偏置假设信号以中间值振荡 mid_value 32768.0 # ADC范围0-65535的中值 for sample in samples: # 转换为带符号的浮点样本减去中值以去除直流分量 x (sample - mid_value) / mid_value # 归一化到大约[-1, 1] q0 coeff * q1 - q2 x q2 q1 q1 q0 # 计算实部和虚部进而得到能量 real q1 - q2 * cos_omega imag q2 * math.sin(omega) energy real*real imag*imag return energy这个函数接收一批样本、采样率和想要检测的目标频率。它通过迭代计算最终返回该频率在样本中的能量强度。注意样本预处理中减去了中值mid_value这步至关重要目的是消除信号中的直流偏置否则会严重影响低频分量如同步信号的检测精度。4.3 频率扫描与亮度映射SSTV的有效频率范围是固定的例如在Robot 36模式下是1500Hz到2300Hz。我们需要在这个范围内找出当前样本块中能量最强的频率。def find_dominant_freq(samples, sample_rate, start_freq1500, end_freq2300, step10): 在频率范围内扫描找到能量最大的频率。 返回频率 能量元组。 max_energy 0 dominant_freq start_freq freq start_freq while freq end_freq: energy goertzel(samples, sample_rate, freq) if energy max_energy: max_energy energy dominant_freq freq freq step # 将频率映射为亮度值 (0-255) # 假设线性映射1500Hz - 0, 2300Hz - 255 brightness int((dominant_freq - 1500) * 255 / (2300 - 1500)) brightness max(0, min(255, brightness)) # 钳位到0-255 return dominant_freq, brightnessstep参数决定了频率扫描的步进。步进越小频率检测精度越高但计算量呈线性增长。10Hz的步进对于SSTV解码通常足够因为人眼对亮度的细微变化不敏感。这里的线性映射是一个简化模型某些SSTV模式可能使用非线性的频率-亮度曲线需要根据具体模式调整公式。4.4 解码状态机与同步检测这是整个解码器的“大脑”它管理着侦听、同步、解码像素、换行等状态。class SSTVDecoder: def __init__(self, sample_rate, buffer_size): self.sample_rate sample_rate self.buffer_size buffer_size self.state LISTENING # 状态 LISTENING, SYNC_DETECTED, DECODING_LINE self.current_line 0 self.pixel_index 0 self.image_width 320 # 假设的图像宽度根据模式而定 self.image_height 256 self.image_buffer [[0 for _ in range(self.image_width)] for _ in range(self.image_height)] self.sync_counter_ms 0 self.last_dominant_freq 0 def process_buffer(self, samples): 处理新采集到的一批样本 # 1. 检测当前缓冲区的主导频率 dom_freq, brightness find_dominant_freq(samples, self.sample_rate) # 2. 状态机逻辑 if self.state LISTENING: # 寻找同步脉冲~1200Hz if 1180 dom_freq 1220: self.sync_counter_ms (self.buffer_size * 1000) // self.sample_rate if self.sync_counter_ms 5: # 持续5ms以上认为是有效同步 # 判断同步脉冲长度 if self.sync_counter_ms 20: # 长同步帧开始 print(Frame Sync Detected!) self.current_line 0 self.state DECODING_LINE else: # 短同步行开始 if self.current_line self.image_height: print(fLine Sync for line {self.current_line}) self.pixel_index 0 self.state DECODING_LINE else: # 图像已满复位 self.state LISTENING self.sync_counter_ms 0 else: self.sync_counter_ms 0 # 频率偏离重置计数器 elif self.state DECODING_LINE: # 解码像素亮度 if self.pixel_index self.image_width: self.image_buffer[self.current_line][self.pixel_index] brightness self.pixel_index 1 else: # 一行解码完成等待下一个行同步 self.current_line 1 self.state LISTENING # 可以在这里将一行数据发送到屏幕或存储 # self.output_line(self.current_line - 1)这个状态机是一个简化版本但清晰地勾勒出了逻辑。在实际实现中你需要考虑更多细节比如噪声阈值find_dominant_freq返回的能量值如果低于某个阈值可能只是噪声此时不应更新像素。模式识别不同的SSTV模式Robot, Scottie, Martin有不同的同步时长、扫描时间和颜色顺序。更完善的解码器需要先自动识别模式。缓冲区管理确保process_buffer函数的执行时间远小于采集一个缓冲区的时间否则会丢失数据。如果计算太慢需要降低SAMPLE_RATE或buffer_size或者优化Goertzel算法例如使用定点数运算。5. 图像显示与输出让结果可视化解码出来的亮度数据存储在二维数组image_buffer里我们需要把它展示出来。5.1 驱动OLED屏幕显示以SSD1306 I2C OLED为例我们需要先安装驱动库或者自己实现基本的绘图函数。# 假设使用micropython的ssd1306库 import ssd1306 # 初始化I2C和屏幕 i2c I2C(0, sclPin(1), sdaPin(0), freq400_000) oled ssd1306.SSD1306_I2C(128, 64, i2c) def display_line_on_oled(decoder, line_num, oled): 将解码器的一行数据显示在OLED上缩放以适应屏幕宽度 oled.fill(0) # 清屏 line_data decoder.image_buffer[line_num] target_width oled.width scale len(line_data) / target_width for x in range(target_width): # 从原行数据中取样 src_idx int(x * scale) brightness line_data[src_idx] # 将亮度(0-255)转换为屏幕高度上的一个点 y_height int((brightness / 255.0) * (oled.height - 1)) y_pos oled.height - 1 - y_height # 屏幕坐标系左上角为(0,0) oled.pixel(x, y_pos, 1) oled.show() # 在状态机解码完一行后调用 # self.output_line lambda ln: display_line_on_oled(self, ln, oled)由于OLED屏幕分辨率128x64远低于典型的SSTV图像分辨率320x240以上我们只能显示缩放后的单行波形或者极低分辨率的缩略图。这对于调试和监控信号质量非常有用。要显示完整图片需要换用分辨率更高的LCD屏或者将图片数据通过串口发送到电脑处理。5.2 通过USB串口发送到PC这是更灵活的方式。Pico通过USB连接电脑后会虚拟出一个串口COMx或/dev/ttyACMx。我们可以将解码出的像素数据按照一定格式发送出去然后在电脑上用Python使用pyserial库或任何其他串口工具接收并重建图像。import uos import uselect # 设置标准输出为USB串口在Thonny中print默认就是这里 # 我们可以直接使用print或者使用sys.stdout.write def send_line_via_serial(decoder, line_num): line_data decoder.image_buffer[line_num] # 发送一个简单的协议行号数据长度数据 # 例如: “LINE,10,245,200,123,...\n” data_str ,.join(str(p) for p in line_data) print(fLINE,{line_num},{data_str}) # 这行数据会被发送到USB串口在电脑端你可以编写一个Python脚本监听这个串口解析每一行数据并使用PILPillow库来创建和显示图片。# PC端Python脚本示例 (需要 pyserial 和 Pillow 库) import serial from PIL import Image ser serial.Serial(COM3, 115200) # 端口号和波特率根据实际情况修改 image_width 320 image_height 256 img Image.new(L, (image_width, image_height)) # L 表示8位灰度图 current_line 0 while current_line image_height: line_data ser.readline().decode(ascii).strip() if line_data.startswith(LINE,): parts line_data.split(,) line_num int(parts[1]) pixels list(map(int, parts[2:])) if len(pixels) image_width: for x, brightness in enumerate(pixels): img.putpixel((x, line_num), brightness) current_line 1 print(fReceived line {line_num}) if current_line image_height: img.save(received_sstv.png) img.show() print(Image saved and displayed!) break这种方式将计算密集型的图像显示任务交给了性能更强的PCPico只负责最核心的信号解码和数据转发架构更合理。6. 实测调试与性能优化从理论到可用的距离将代码烧录进Pico连接好硬件打开电台调到有SSTV信号的频率例如14.230 MHz USB模式你可能会发现第一次尝试并不顺利。以下是几个关键的调试和优化环节。6.1 信号质量诊断先“听”后“看”在尝试解码完整图像前先确保你能“听到”正确的信号。最直接的诊断方法是让Pico将计算出的实时主导频率通过串口打印出来。# 在主循环或process_buffer函数中添加 print(fFreq: {dom_freq} Hz, Energy: {max_energy})当有SSTV信号时你应该看到频率在1500-2300Hz之间有规律地、平滑地变化。如果频率读数乱跳或者始终停留在某个值说明信号太弱、噪声太大或者ADC输入电路有问题。检查音频连接确保电台音量适中既不过载导致ADC饱和也不过小。检查直流偏置用print(sum(samples)/len(samples))查看ADC采样的平均值。它应该在32768中点附近波动。如果严重偏离说明你的衰减/保护电路引入了直流偏置需要调整。观察同步信号当同步脉冲1200Hz到来时打印出的频率应该稳定在1200附近并且sync_counter_ms应该累加。这是同步逻辑能否工作的前提。6.2 优化Goertzel算法速度如果发现解码速度跟不上丢帧严重首要优化目标就是Goertzel算法。MicroPython的浮点运算相对较慢。使用定点数将goertzel函数中的浮点数运算转换为定点数整数运算。例如将math.cos(omega)和math.sin(omega)预先计算成Q格式的定点数。这能大幅提升速度但会引入一些精度损失需要仔细测试。减少扫描频率点如果信号质量很好可以增大find_dominant_freq函数中的step参数比如从10Hz增加到20Hz。调整缓冲区大小SAMPLE_BUFFER_SIZE越小处理延迟越低但频率分辨率也越低。可以尝试128或64看看能否在速度和精度间找到平衡。6.3 处理噪声与误码无线电信号中不可避免存在噪声可能导致错误的像素值或同步丢失。添加能量阈值在find_dominant_freq函数中如果返回的max_energy低于一个经验阈值则认为当前是噪声不更新像素亮度或者使用上一个有效值填充。软件滤波对解码出的亮度值进行简单的滑动平均滤波。例如每个像素的最终值取其自身和前两个像素值的平均。这会使图像稍微模糊但能抑制孤立的噪点。同步容错在状态机中不要要求同步脉冲的频率和时长完全精确。允许一定的误差范围如频率1150-1250Hz时长7ms-12ms都算行同步。同时在解码行数据时如果长时间如超过一行理论时间的120%未检测到下一个行同步应强制复位状态机到LISTENING等待下一个帧同步避免错误累积。6.4 内存管理与显示优化Pico的RAM有限264KB存储一整张320x256的灰度图每个像素1字节需要约80KB是可行的。但如果使用彩色或更高分辨率内存可能紧张。流式处理解码一行就通过串口发送一行或显示一行然后覆盖缓冲区中的该行数据而不是存储整张图。降低显示刷新率OLED全屏刷新较慢。如果实时显示每一行导致系统卡顿可以改为每解码5行或10行再刷新一次屏幕。7. 进阶探索从黑白到彩色从解码到编码当你的黑白SSTV解码器稳定工作后可以尝试以下更有挑战性的扩展。7.1 解码彩色SSTV模式彩色模式如Scottie 1 (SC1) 或 Martin 1 (M1) 的原理是分时传输。以SC1为例其一行信号的构成大致为行同步脉冲 - 绿色通道扫描 - 短同步脉冲 - 蓝色通道扫描 - 短同步脉冲 - 红色通道扫描。解码器需要正确识别模式通过帧同步和行同步的特定时序模式。在解码每一行时严格计时将不同时间段接收到的亮度数据分别存入R、G、B三个通道的缓冲区。最后将三个通道的数据合并成一幅彩色图像。 这需要对状态机进行大幅扩展并引入高精度的定时器来区分行内的不同色段。7.2 实现SSTV编码器既然能解码何不尝试编码让Pico变成一台SSTV发射机在法规允许的频段和功率下。思路是反其道而行之将一张图片的RGB值转换为亮度值对于彩色模式则分离通道。根据目标SSTV模式的时序规范生成一个包含同步脉冲和频率调制亮度信号的音频样本数组。通过Pico的PWM脉冲宽度调制输出功能或者连接一个简单的R-2R电阻网络DAC到GPIO将这个音频数组播放出来。将这个音频信号连接到电台的麦克风输入就可以发射出去了。 这涉及到数字音频合成、精确的定时控制是对Pico能力的更深层次挖掘。7.3 集成更友好的用户界面目前的操作还比较“极客”。可以增加一些硬件交互来提升易用性添加按钮用于开始解码、切换模式、保存图片。添加旋钮或电位器通过ADC读取用于实时调整音量增益或对比度。使用更大的彩色LCD屏直接显示解码出的彩色图片和信号状态信息。设计PCB将衰减电路、电平转换电路、屏幕接口等集成在一块定制PCB上做一个真正“成品化”的设备。这个基于树莓派Pico的SSTV解码器项目从最基础的无线电原理出发贯穿了模拟信号采集、数字信号处理DSP、实时系统编程和硬件交互等多个领域。调试过程中你会遇到信号失真、同步丢失、内存不足等各种问题每一个问题的解决都是对理论知识的巩固和实战能力的提升。当你第一次从嘈杂的无线电波中清晰地解码出一张来自远方火腿友台的图片时那种成就感是无可比拟的。它不仅仅是一个解码器更是一个通往业余无线电和嵌入式系统深水区的绝佳跳板。