图像自适应分段线性拉伸算法的FPGA设计

文章摘要：2．2．1 双端口RAMXC4VLXl5芯片具有丰富的BlockRAM资源，用它构成双端口RAM，进行灰度直方图统计。像素的灰度值作为双端口RAM的地址，对应空间存储此灰度值在1帧图像里的频数。以320×256帧大小、灰度值为14 b的红外图像为例，在每个像素灰度值都相同的极限情况下，每个地址空间需要的存储的值为81 920，转换为二进制有17 b，故所需存储空间大小为17 b×214。对双端口RAM的操作分为三个阶段：(1)在帧正程时，只需对A端口进行读／写操作。根据接收到的像素灰度值，先读出RAM中对应地址空间的储值，加“1”后回写入原来的地址空间，这样在每帧正程结束时，就统计完了每个灰度

图像自适应分段线性拉伸算法的FPGA设计,标签：eda技术,eda技术实用教程,http://www.88dzw.com

2．2．1 双端口RAM

　　XC4VLXl5芯片具有丰富的BlockRAM资源，用它构成双端口RAM，进行灰度直方图统计。像素的灰度值作为双端口RAM的地址，对应空间存储此灰度值在1帧图像里的频数。以320×256帧大小、灰度值为14 b的红外图像为例，在每个像素灰度值都相同的极限情况下，每个地址空间需要的存储的值为81 920，转换为二进制有17 b，故所需存储空间大小为17 b×214。对双端口RAM的操作分为三个阶段：

　　(1)在帧正程时，只需对A端口进行读／写操作。根据接收到的像素灰度值，先读出RAM中对应地址空间的储值，加“1”后回写入原来的地址空间，这样在每帧正程结束时，就统计完了每个灰度值出现的频数，即完成了灰度直方图统计。

　　(2)帧逆程时，要同时对A，B端口进行读操作。对于A端口，依次从高地址读取RAM中的数，将读取的数进行累加，当和大于帧像素个数的5％时，此时对应的地址值即为Xmax；类似地对B端口操作，从0地址开始读RAM，可找到Xmin。将得到的灰度值Xmin和Xmax存入寄存器，作为除法器和下一帧图像拉伸运算的输入。

　　(3)每帧最后将双端口RAM清零，为下一帧灰度直方图统计做准备。由于双端口RAM没有整体清零功能，设计中采用从“O”地址开始。依次往高地址写零的方式清零。

2．2．2 除法器

　　除法运算通过调用ISE IP Core Generator生成的15位定点除法器来实现，满足高精度要求，而不采用逼近法。一帧图像的拉伸只需调用一次除法器，提高了运算的效率。在帧逆程计算 Q：=16 384／(Xmax-Xmin)的值，对于15位输入，除法器有18个时钟周期的延时，而这并不会影响图像处理的实时性。

2．2．3 控制时钟

　　在1个像素时钟周期内要完成读RAM、加法计算和回写RAM的操作，RAM的控制时钟至少必须是像素时钟的4倍。控制时钟的选取还要考虑帧逆程的时间长度，要在逆程里访问RAM查找到Xmin和Xmax，还要完成RAM清零操作。FPGA系统时钟为96 MHz，分频后产生48 MHz，为像素时钟8倍，用它作为双端口RAM和除法器的控制时钟，可满足要求。

2．2．4 拉伸运算

　　将式(1)进行简单变换，可以记为：

　　Q值在上帧结束前已经得到，根据式(2)拉伸运算得到简化，只需1次减法和乘法运算，得到积的小数点左移6位后，截取低8位就得到拉伸后的灰度值。需要注意的是，截取前要判定乘法是否溢出，如果溢出，结果置为最大灰度值255。

3 系统验证

　　采用飞机高空采集的地面红外图像作为验证模板，灰度拉伸前的原始图像如图2所示，整幅图像对比度低，细节极不明显。最大、最小灰度值按5％的比例选取，拉伸后的图像如图3所示，拉伸后可明显看出河流、道路、汽车等地物的轮廓，但图像中较亮和较暗的部分层次不清晰。若减小灰度值压缩比例为2％，图像的主要轮廓变化不明显，较亮和较暗的部分将会显现出一定层次，这表明被压缩的区间相对变小，按比例拉伸的图像范围扩大。分段线性拉伸的结果可好可坏，分段区间的选择是关键，选取时要考虑原始图像的质量。噪声和盲元数目较少时，被压缩的区间可适当调小。

　　该设计充分利用Virtex-4 FPGA的逻辑资源，实现了红外图像的自适应分段线性拉伸，对FPGA芯片资源占用情况如表1所示。整个设计完全在FPGA中实现，能最大限度地减少分立元件的使用。降低了系统的整体功耗，设计周期和开发成本也就能随之减少。算法完全采用流水线设计思路，处理后的数据相对输入延时小于一个像素时钟周期，最高系统时钟可达128 MHz。设计的性能和实时性满足预期目标，可用于精确制导武器或导航系统。

4 结语

　　这里简要分析了图像自适应分段线性拉伸算法，利用Xilinx Virtex-4 FPGA丰富的片上资源实现了这一算法。通过实验对设计的有效性进行了验证，图像对比度有明显提高，噪声和盲元被抑制。但该算法具有局限性，仅适用于大目标的图像增强。在天文学、计算机视觉、动态景物分析、超声及声纳图像处理等领域中广泛存在着点目标红外图像，由于点目标无形状、尺寸等可利用的信息，处理时须存储多帧图像，数据处理量大。在做图像灰度级拉伸时，目标有可能被作为噪声而抑制掉，从而丢失有用信息，今后需要对点目标红外图像的增强方法做进一步研究。

上一页  [1] [2]