外文文獻及翻譯-fpga實現(xiàn)實時適應(yīng)圖像閾值

1、1FPGA實現(xiàn)實時適應(yīng)圖像閾值Elham Ashari電氣與計算機工程系,滑鐵盧大學理查德 霍恩西計算機科學和工程系,紐約大學摘要：本文提出了一種基于實時閾值的通用 FPGA 結(jié)構(gòu)。硬件架構(gòu)是基于一種加權(quán)聚類算法的架構(gòu),這種算法的重點就在于聚類的前景和背景像素的閾值問題。該方法采用聚類的二值加權(quán)神經(jīng)網(wǎng)絡(luò)法找到兩個像素組的質(zhì)心。圖像的閾值是兩個質(zhì)心的平均值。因為對于每個輸入的像素，選定的最近的權(quán)值是用來更新的，因而推薦一種自適應(yīng)的閾值技術(shù)

2、。更新是基于輸入像素的灰度級和相關(guān)權(quán)值的差額的，通過學習快慢因素來衡量其速率。硬件系統(tǒng)是在 FPGA 平臺上實現(xiàn)的，它包含兩個功能模塊。第一個模塊獲得圖像框架閾值，另一個模塊將閾值應(yīng)用于圖像的框架。兩個模塊的并行性和簡單的硬件組成部分使其適用于實時應(yīng)用程序，并且，其性能可與經(jīng)常用于離線閾值技術(shù)相媲美。通過利用 FPGA 對無數(shù)的例子進行模擬和實驗，得到該算法的結(jié)果。這項工作的基本應(yīng)用是確定激光的質(zhì)心，但接下來將會討論它在其他方面的應(yīng)用。

3、關(guān)鍵詞:實時閾值,自適應(yīng)閾值,FPGA 實現(xiàn)、神經(jīng)網(wǎng)絡(luò)1 簡介圖像二值化是圖像處理的一個主要問題。如果要從一張圖像上提取有用的信息，我們需要將它分成不同的部分（例如背景色和前景色）來進行更為詳細的分析。一般來說，前景色的像素的灰度級與背景色的灰度級是不同的?，F(xiàn)在已有一些較好的使圖像二值化地算法，就性能而不是就速度而言，這些算法的主要目標在于高效率，然而對于一些應(yīng)用，尤其對是在那些定制的硬件和實時應(yīng)用程序來說，速度則是最關(guān)鍵的要求?？蓪崿F(xiàn)

4、的快速而簡單的閾值技術(shù)在實際成像系統(tǒng)中得到廣泛應(yīng)用。例如，結(jié)合了 CMOS 圖像傳感器的片上圖像處理技術(shù)普遍存在于各種各樣的成像系統(tǒng)當中。在這樣一個系統(tǒng)當中，圖像的實時處理及其得到的相關(guān)信息是至關(guān)重要的。實時閾值技術(shù)的應(yīng)用領(lǐng)域包括機器人、汽車、目標追蹤以及激光測距。在激光測距，即確定目標的運動范圍的過程中，所捕獲的圖像為二值圖像。閾值技術(shù)被用來從背景色中分離耀斑以及質(zhì)心的定位。本文接下來將重點描述該技術(shù)的應(yīng)用。實時閾值的另一個應(yīng)用是文件

5、處理及光學字符識別（OCR） 。例如，一個高速的掃描儀每分鐘可掃描并處理大約超過 100 頁的文件。這個系統(tǒng)中，為達到速度的要求，利用一種專用硬件對圖像進行處理和二值化。其中，最為典型的例子就是，通過 CMOS 或 CCD 相機，由掃描儀捕獲的圖像，都被轉(zhuǎn)換為二值圖像。再由文本文檔來儲存這些相對統(tǒng)一的背景色信息。由于將圖像轉(zhuǎn)換為二值圖像，可以在不丟失圖像的重要數(shù)據(jù)信息的基礎(chǔ)之上，明顯減少圖像的存儲空間，因此，更適合輸出和存儲。以上所提到

6、的所有的應(yīng)用都有一個共同點，就是都是利用高性能、高精度的系統(tǒng)，通過快速算法來完成閾值的轉(zhuǎn)換。此外，在對圖像做進一步的處理之前，都將圖像的二值化作為預處理步36.局部法，根據(jù)局部圖像的特征，計算出每一像素點的閾值，例如局部對比度的方法(White[14]),表面濾波閾值法(Yaowitz[15])。為定量性能評估,Sezgin[1]對以上所述方法進行了具有比較性的調(diào)查研究，針對兩種不同的環(huán)境提出一些有用的閾值的標準,即文檔圖像無損檢測和無

7、損檢測的圖像。采用了五種平均性能準則:分類錯誤、邊緣匹配錯誤、相對前景區(qū)域的誤差,改進的距離,以及區(qū)域的非均勻性聚類方法和基于聚類的閾值方法都是最常用的方法。這個排名同時也被認為是對提取對象的視覺輪廓的主觀評價。從硬件實現(xiàn)的角度來看,一個閾值方法的有效性也可以用其他參數(shù)來衡量，例如速度和復雜性。這些在實時圖像處理應(yīng)用過程中，都是非常重要的。所有的高素質(zhì)技術(shù)集群在進行閾值計算之前，先對圖像的一些屬性進行估算,例如,直方圖、最大/最小灰度值

8、或者圖像方差。因此,圖片進行逐像素的預處理。對數(shù)計算在基于熵的技術(shù)復雜的計算程序中也是必需的。硬件對數(shù)實現(xiàn)和標準偏差計算使這些方法對硬件的要求復雜化。此外,在獲得足以計算閾值的圖片之后，這種方法仍需要大量的處理時間。雖然我們所討論的這些方法都具有良好的性能,但他們一般不適合實時實現(xiàn)?；蛘呶覀兛梢栽鰪娀蛐薷倪@些技術(shù)。對于閾值法最基本的要求就是其適應(yīng)性和高效性。它應(yīng)該也對圖像的與處理存在一定的依賴性。3 提出的方法Clustering-ba

9、sed方法仍是一個很常用的閾值技術(shù)[1]。在該方法中,圖像的灰度像素被分為兩個集群，即前景和背景。有幾種方法可得到聚類的一組輸入灰度像素。人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)對解決分類和聚類問題是非常有用的。Talukdar 和Sridhar[18]使用一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為一個聚類技術(shù),稱為weighted-based WCT聚類閾值)。weighted-based聚類方法 使用的人工神經(jīng)網(wǎng)絡(luò)的聚類特性來計算一個閾值,其閾值為兩個聚類質(zhì)心的均值。