一種帶有連續變化分辨率的中央凹視覺處理方法研究

李金倫，崔少輝，徐 帥

（軍械工程學院導彈工程系，河北 石家莊 050003）

0 引 言

近年來，單個圖像傳感器的分辨率已達幾億像素。在采集如此高分辨率圖像的同時對計算機實時處理的性能就會產生明顯的影響。因此，對于圖像處理系統而言，面臨著如何解決實時處理高分辨率圖像的問題。事實上，在一些應用中，例如跟蹤和模式識別、圖像傳感器傳輸進來的寬視角、大范圍、高分辨率圖像并不是需要利用圖像的所有的區域，更多的僅僅是對圖像中某一部分要求較高的分辨率；因此，就產生了高分辨率圖像采集與實時處理能力不足之間的矛盾。

為解決以上問題，常采用多分辨率處理技術，如中央凹傳感器，這種傳感器的表面分布著分辨率不均勻的感光元件。應用該傳感器時，需要確保最有用的區域被放在高分辨率范圍內，一般該范圍為傳感器的中心區域[1]。

模式識別與跟蹤是中央凹傳感器成功應用的兩個領域。文獻[2]在解決模式識別問題，以及文獻[3-4]在解決跟蹤問題時都應用了中央凹傳感器。但是，中央凹傳感器的一大缺點就是不可以動態重構，為了保持高分辨率區域始終對準目標，不得不應用機械裝置來實時控制傳感器的朝向，顯然對于快速移動目標，該方法難以滿足實時性。目前，應用電子元器件構造嵌入式系統進行中央凹的動態重構成為較為普遍的方法。

本文基于后一種解決方案，提出了一種可以適用于非定制CMOS單一分辨率圖像傳感器的中央凹視覺處理方法。實驗表明：該方法可以提供更大的中央凹區域。

1 相關工作

許多文獻都介紹過多分辨處理技術，靈感大多來源于人類視覺，即人眼視網膜中的光感受器單元和神經節細胞的分布是非均勻的，在中央凹部分高度密集而周邊稀疏，這種特性使視覺信息的獲取是非均勻的。中央凹部分具有很高的視敏度，但稍微偏離一點，視敏度就會急劇下降，離開中央凹5°，視敏度將下降50%。文獻[1]基于人類視網膜原理提出對數極坐標映射的方法，文獻[5]在分析比較的基礎上設計了一種晶格形狀，可以在晶格內應用對數極坐標進行映射。

雖然對數極坐標原理已經廣泛地應用于多分辨映射中，但采用極坐標系統描述的中央凹區域，因其具有非線性缺陷，并不能很好的匹配視網膜，而且在中心位置會產生盲點。

文獻[6]采用了一種基于多分辨技術的小波變換方法，這種方法通過使用低通和高通濾波器使得在數據傳輸過程中可以良好地保持線性。

相對于有固定分辨率的圖像傳感器，研究更傾向于提供更多中央凹區域，文獻[7]提出了一種多分辨結構，其中央凹區域可以像眼球一樣掃視。文獻[8]在這種方法的基礎上構建了多個中央凹區域來進行移動物體的識別。

在總結前人工作的基礎上，本文基于可分離映射，提出了一種帶有連續變化分辨率的中央凹視覺處理方法。

2 基本原理

為了避免使用全景遙感攝像頭，可以采用帶有寬視角的高分辨率CMOS傳感器。然而，僅僅需要讀取其中很小的一部分窗口區域，而且這個窗口可以在程序的控制下移動，這就提供了一種全景搖感的等價方式，因為窗口可以從一個位置很快地移動到另一個位置。由于攝像頭并沒有移動，因此，不會出現由攝像頭的移動所帶來的圖像模糊等問題。

雖然在使用流水處理時，一幅高分辨率的圖像很容易在FPGA上進行實時處理。然而，任何需要多幀圖像的算法都需要相當多的片外存儲器和很大的存儲器帶寬。為了使能片內存儲器，必須減少數據的體積和圖像的尺寸。

簡單地通過降低分辨率來減小數據規模會導致嚴重的信息丟失。在很多應用領域中（例如跟蹤與模式識別），只有圖像的一個小區域中要求高分辨率。解決該問題的一個方法是使用中央凹窗口。受人類視覺系統啟發，這種方法在視網膜中央凹保持高分辨率，同時可降低周圍的分辨率。

基于該機制的視網膜中央凹視覺系統如圖1所示。該系統對窗口中的像素進行了中央凹映射，以得到降低了分辨率的圖像。此后該圖像得到處理，從而得到需要的數據并為下一幀圖像確定最佳位置，以便在CMOS傳感器中重新對窗口進行定位。

圖1 使用中央凹映射的結構

3 中央凹映射方法

相對于使用基于極坐標系統下的對數極坐標映射，更主張在笛卡爾坐標系下進行圖像變換。設u為到輸入圖像中心的距離，f為到中央凹圖像中心的距離。此時的中央凹映射也可以認為是前向映射的一種。

其逆向映射為

放大率M，被定義為輸入與輸出像素距中心距離的比率

與放大率相關的要素是像素有效分辨率A，其由映射斜率的大小決定

因為映射方程必須是單調的，所以得出

映射一個N×N的輸入圖像到w×w的輸出圖像時，需要滿足如下關系：

盡管中央凹圖像的分辨率與輸入圖像不同，而且最高分辨率的圖像也不一定在圖像中心。但是為了方便說明，本文以中央凹在圖像中心為例，此時需要滿足：

另一個需要考慮的問題就是如何來定義距離u和f，因為不同的定義會產生不同程度的圖像變形。以圖像中心為原點，可以得到輸入和輸出圖像的坐標（xu，yu），（xf，yf）。

采用De距離時，可以得到

因為在徑向映射中，每個像素點關于坐標軸的角度是不變的，這就意味著x、y與放大率之間存在以下關系

采用D8距離時，可以得到計算更簡單的轉換方法：

考慮到可分解映射時，可以得到一個更加簡單的轉換方法，并且可以對x和y進行單獨映射

在每一種坐標系中，可分解映射都會有不同的放大率[1]。

圖3比較了N=512，w=64，M=1/8時3種映射的差別，其中（c）、（d）、（e）有相同的放大率，這里為了便于觀察，對64×64的圖像進行了放大。

通過觀察可以發現，采用D8距離變換的圖像（c），畫面明顯帶有錐度感，這與D8距離的定義是分不開的：

圖像（e）的變換采用了De距離變換，由于De距離的定義為

圖像（e）的變換明顯帶有弧度感。

雖然（f）與（d）都是基于可分解映射，但明顯圖像（f）提供了更大的中央凹區域：

公式中系數的確定是為了使映射后圖像的尺寸固定。

圖2顯示了兩種不同靈敏度的映射，可以看出4次方和6次方分量的采用增大了中央凹區域面積，并且6次方可以帶來更明顯的變化，而且其外圍無效數據的分辨率更低。但是在實際應用中，并不需要如此大的中央凹區域，采用式（14）的同時也會帶來6次方分量計算數據較大等問題。所以，本文更傾向于選擇式（13）的方法。

在中央凹圖像中，雖然圖像邊緣的橫向或縱向輪廓產生了明顯扭曲，但中央凹區域變形卻很少。因此，映射后，由于邊緣圖像數據的丟失，整個圖像的數據量下降了。

4 應用領域

本文提出的方法可以應用在一些計算機視覺領域，例如跟蹤、模式識別和圖像壓縮等。應用于前兩種領域時，中央凹區域應對準感興趣的目標，以便后期的識別與跟蹤。當目標從中央凹區域內開始移動時，系統就可以很快的察覺，并根據目標所在位置進行算法的快速重構以保證具有高分辨率的中央凹區域始終對準目標。

圖2 不同中央凹映射的有效分辨率變化曲線

圖3 中央凹映射舉例

另外，在移動物體捕獲方面也可以應用中央凹視覺映射[10]。這種方法同樣是模擬了人類，即人類的視網膜周邊部分雖然對識別細小的物體不起作用，但對給光撤光以及物體運動等刺激是敏感的，如果外界的一部分急速發生變化，則與此對應的視網膜周邊部分就會迅速起反應，眼球隨之產生運動，使視軸朝向那個感興趣的方向。

5 結束語

本文介紹了幾種帶有連續變化分辨率的中央凹映射，通過對比，得出一種較優化的解決方法。該方法可以提供更大的中央凹范圍，并在保持中心有效區域分辨率的同時，通過降低圖像邊緣無效區域的分辨率來達到減少圖像數據量的目的，進而可以達到縮小存儲量、減少圖像處理時間，以更好的滿足實時性處理要求。本方法在模式識別、跟蹤等領域有良好地應用前景，未來的研究將會聚焦于中央凹圖像處理技術。

[1] Donald G B.基于FPGA的嵌入式圖像處理系統設計[M].原魁，何文浩，譯.北京：電子工業出版社，2013.

[2]Wilson J C，Hodgson R M.A pattern recognition system based on models of aspects of the human visual system[C]∥International Conference on Image Processing and its Applications.Maastricht，1992：258-261.

[3] Xue Y，Morrell D.Adaptive foveal sensor for target tracking[C]∥Thirty-Sixth Asilomar Conference on Signals Systems and Computers Pacific Grove，2002：848-852.

[4] Cui Y， Samarasekera S， Huang Q， et al.Indoor monitoring via the collaboration between a peripheral sensor and a foveal sensor[C]∥IEEE Workshop on Visual Surveillance Bombay，1998：2-9.

[5] Traver V J，Pla F.Designing the lattice for log-polar images[C]∥11th International Conference on Discrete Geometry for Computer Imagery Naples，2003：164-173.

[6] Wei J，Li Z N.On active camera control and camera motion recovery with foveate wavelet transform[C]∥IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，23（8）：896-903.

[7]Camacho P， Arrebola F， SadovalF.Shifted fovea multiresolution geometries[C]∥International Conference on Image Processing Lausanne，1996（1）：307-310.

[8] Camacho P， Arrebola F， Sadoval F. Multiresolution sensors with adaptive structure[C]∥24th Annual Conference of the IEEE Industrial Electronics Society Aachen，1998（2）：1230-1235.

[9] Rafael C G.數字圖像處理[M].2版.阮秋琦，阮宇智，譯.北京：電子工業出版社，2007.

[10]Liu Y， Bouganis C S， Cheung P Y K.A spatiotemporal saliency framework[C]∥EEE International Conference on Image Processing Atlanta， 2006：437-440.