圖像采集及處理的模塊算法設計

文/周利斌 劉茹 陳虎 熊光磊 滕雅欣

高噪聲圖像去噪時，基于深度卷積神經網絡，先求加噪圖像的卷積，進行批量標準化后圖像重構并輸出殘差圖像，計算函數損失值，最后反向更新和迭代，得到理想去噪模型。

圖像特征提取中，根據Moravec 算子，以上下左右及45°角方向上像素點灰度變化的最小方差點為核心，按圖像設定閾值作為判斷依據。讀取當前像素顏色，由計算灰度值，并計算4 個方向灰度差平方和的極值，求取特征點。

1 計算機圖像處理的背景及應用

在圖像處理過程中，首先進行圖像轉化，識別特征點等圖像數據信息存儲到計算機中；然后使用各種圖像處理算法處理存儲到計算機中的圖像；最后進行圖像識別，得到圖像中的有用信息，分析處理技術的好壞直接影響成像質量。計算機圖像處理技術應用十分廣泛，準確度高、再現性好，必將在眾多領域發揮更加重要的作用。

2 圖像采集系統設計

較大型圖像采集系統以基于PC 機的圖像視頻采集卡為主；較小型的則以ARM、DSP等嵌入式平臺為主。本文選取SoC 系統芯片，由圖像傳感器SONY IMX323、相機捕捉控制器、ARM9 I2C 控制器、神經網絡加速器以及控制器工作記憶內存組成。系統供電后，先利用I2C 模塊使用標準 SCCB（Serial Camera Control Bus）協議對圖像傳感器寄存器進行配置，設置工作方式；然后打開相機捕捉控制器，采集圖像數據信號；最后通過異步FIFO 進行數據緩沖，使兩側數據傳輸同步，圖像數據便以幀為單位存入工作記憶內存。

3 高噪聲圖像去噪算法設計

圖像采集設備質量、數據傳輸環境等都會影響成像質量。成像需有較好分辨度，為此圖像去噪必不可少。本文基于深度卷積神經網絡提出一種高噪聲圖像去噪新思路。

設輸入層是加噪圖像樣本Y=X+N，X 是原始無噪圖像，N是分布為N(0,σ2)的噪聲圖像，σ 為噪聲標準差，Y 是含噪圖像；輸出層是預測噪聲圖像R(Y)。

算法具體步驟如下：

（1）求加噪圖像卷積，設圖像矩陣f

設平均矩陣g

（2）批量標準化處理，避免卷積后出現網絡內部協變量轉移。樣本均值μ 和方差σ2如下：

正則化Znorm

為保證分母不為零，取ξ 值很??；Z 表示未激活前的神經元。加入可調參數α 和β，得標準化公式如下：

（3）對批量標準化后的圖像進行圖像重構，輸出殘差圖像。

（4）根據（3）中得到的殘差圖像計算函數損失值。如式（5）所示。

（5）根據圖像損失函數進行反向更新和迭代，得到理想去噪模型。迭代公式如下：

其中ω 為學習率，l 為所在層序數。

4 圖像特征提取算法設計

圖像處理關鍵是特征點提取。Moravec 算子以上下左右及45°角方向上像素點灰度變化的最小方差點為核心，根據圖像設定閾值作為判斷依據。該算子的計算簡單迅速，但抗噪能力差。在設計有高噪聲圖像去噪算法的基礎上，對Moravec 算子進行深度分析，算法具體步驟如下：

（1）設像素中心（x,y），計算4 個方向灰度差的平方和。

G 為灰度差平方和，k=int(M/2)，M 為像素矩陣，g 各點為灰度值。取G1、G2、G3、G4中最小值為核心點；

（2）將小于設定閾值的點作為待測點；

（3）選擇待測點中的極值點作為特征點，劃定窗口范圍，在待測點中留下灰度差平方和最大值點，確認該最大值為特征點。

5 評價及改進

本文初步給出了圖像采集、去噪及特征提取算法，減少了計算量，優化了圖像邊界的處理。此外，還可以在圖像清晰度、一般模式下的去噪做出改進。