韓玉鑫，王曉凱，陸金旺

(山西大學(xué) 物理電子工程學(xué)院，太原 030006)

0 引言

數(shù)字圖像在采集、傳輸和處理的過程中，由于設(shè)備工作環(huán)境的惡劣，會引入一些隨機(jī)、離散噪點，降低了圖像質(zhì)量和視覺效果[1-2]?，F(xiàn)實環(huán)境中存在多種圖像噪聲，如高斯噪聲、隨機(jī)噪聲、瑞利噪聲等[3]，圖像降噪應(yīng)兼顧降噪效果和細(xì)節(jié)保留這兩方面。

目前對椒鹽噪聲的濾除，有加權(quán)中值濾波算法[4]、開關(guān)中值濾波算法[5]、自適應(yīng)中值濾波算法[6]和改進(jìn)型中值濾波算法[7-10]，自適應(yīng)中值濾波算法運算量大、復(fù)雜度高，雖然在PC端可以達(dá)到很好的濾波效果，但由于其串行計算的特點，很難滿足對高分辨率、高速圖像實時濾波的要求。FPGA (Field Programmable Gate Array)為半定制電路，可通過流水線等操作實現(xiàn)面積與速度的互換，可直接將算法映射為電路，從而可極大加快算法執(zhí)行的效率[11-13]。目前彩色圖像的中值濾波主要是將RGB彩色空間轉(zhuǎn)換到Y(jié)CbCr彩色空間，然后對Y分量進(jìn)行濾波。由于YCbCr色彩空間會損失掉色度信息，因此降噪后的圖像會產(chǎn)生失真。

鑒于此，結(jié)合HSI(Hue Saturation Intensity)色彩空間特點設(shè)計了一個基于FPGA的實時彩色圖像自適應(yīng)中值濾波系統(tǒng)，極大的增強了濾波的實時性。最終實驗結(jié)果表明該系統(tǒng)可對2 k(2 560×1 440) @60 Hz彩色視頻實時處理，且濾波后圖像色彩還原度高，具有廣闊的應(yīng)用前景。

1 RGB-HSI模塊

本節(jié)將介紹HSI彩色模型，并將幾何推導(dǎo)算法和分段定義算法在FPGA硬件上實現(xiàn)。

1.1 HSI彩色模型

我們觀察物體時，用其色調(diào)、飽和度和亮度來描述這個物體。HSI彩色模型可從攜帶彩色信息(色調(diào)和飽和度)的圖像中去除強度分量的影響。因此，HSI模型是開發(fā)基于彩色描述圖像算法的理想工具。如圖1所示圖(a)為基于圓形彩色平面的HSI彩色模型，圖(b)為基于三角形彩色平面的HSI彩色模型。以圖(a)為例，白色頂點與黑色頂點相連的軸為亮度軸，飽和度為像素點與亮度軸的距離，色調(diào)為像素點與紅色軸的夾角，在亮度軸上飽和度為0且無色調(diào)。常見的RGB-HSI轉(zhuǎn)換算法共有5種，算法的具體推導(dǎo)和公式可查閱文獻(xiàn)[14]獲得。由于HSI各分量間相對獨立，故可以根據(jù)具體應(yīng)用，將不同算法的HSI公式交叉使用。下節(jié)分別在FPGA上實現(xiàn)幾何推導(dǎo)算法和分段定義算法，通過對兩種方法轉(zhuǎn)化后圖像的質(zhì)量進(jìn)行對比，在轉(zhuǎn)化精度與消耗硬件資源之間進(jìn)行權(quán)衡，選擇合適的算法。

圖1 HSI彩色模型

1.2 幾何推導(dǎo)法硬件實現(xiàn)

由于FPGA只能進(jìn)行整數(shù)計算，所以將浮點數(shù)轉(zhuǎn)換為整數(shù)進(jìn)行計算，由8位2進(jìn)制數(shù)表示[0,1]，量化精度為0.003 921。給定一幅RGB彩色圖像，每個RGB像素的H分量可由下式得到：

(1)

式中，

(2)

飽和度分量由下式給出：

(3)

最后強度分量由下式給出：

(4)

在硬件中計算arccos(x)比較困難，主要有以下幾種計算方式：

1)通過Xilinx官方提供的CORDIC IP核，該IP核可計算arctan(x)，利用arctan(x)與arccos(x)轉(zhuǎn)換關(guān)系即可完成對arccos(x)的計算。由于在原公式的基礎(chǔ)上加入了開方和除法等復(fù)雜運算，而IP核直接計算arctan(x)需要20個時鐘周期的延遲，所以增大了硬件資源的消耗和處理時延；

2)通過下式：

arccos(x)=

(5)

上式為arccos(x)的泰勒展開式，可通過上式選取合適的n逼近arccos(x)，但是當(dāng)|x|接近1時，上式收斂速度很慢，所需硬件乘法器、除法器和加法器急劇增加，處理時延也會進(jìn)一步加大，無法滿足圖像地實時處理；

3)使用ROM查找表的方式實現(xiàn)，將提前計算好的數(shù)值從ROM中讀取出來，只需要2個時鐘周期就可以完成運算，可滿足實時圖像處理。

為符合處理實時圖像的要求，選取ROM查找表方式。當(dāng)x趨近于1時，由于arccos(x)的導(dǎo)數(shù)趨于無窮大，所以arccos(x)會產(chǎn)生較大誤差。將x分別量化到[0,255]和[0,4 095]，通過這兩種量化精度之間的對比，說明上述誤差對H分量的影響。

乘法器實現(xiàn)主要分兩種情況：在乘一個定值時，為節(jié)約硬件資源，采用FPGA擅長的移位運算；在乘一個變量時，為保證系統(tǒng)性能，采用Multiplier IP核實現(xiàn)。除法器實現(xiàn)也分為兩種情況，當(dāng)除數(shù)是一個定值時，采用下式實現(xiàn)：

(6)

其中:2n為大于除數(shù)的最小整數(shù)，m控制計算的精度，m越大精度越高。例如，計算x/3，我們?nèi)?n為4，m為8，公式就變?yōu)閤×341÷1024，乘法采用上述左移方式實現(xiàn)，由于除數(shù)為2的整數(shù)次冪，除法采用右移相應(yīng)的位數(shù)即可實現(xiàn)。當(dāng)除數(shù)是變量時，采用Divider IP核計算，計算結(jié)果將余數(shù)舍去，只取商即可。開平方的運算通過調(diào)用CORDIC IP核實現(xiàn)。

通過硬件轉(zhuǎn)換與軟件仿真結(jié)果對比發(fā)現(xiàn)，S分量和I分量的誤差均在±1以內(nèi)，而H分量在某些像素點的誤差達(dá)到20。這是由于硬件計算開平方、除法和反余弦均有誤差，而開平方的誤差會引入到除法計算中，加大除法計算的誤差，除法計算的誤差又會被引入到反余弦中，這樣會將誤差逐級放大。在1.4節(jié)會通過具體圖片的硬件仿真說明這種誤差對色彩空間轉(zhuǎn)換的影響。

1.3 分段定義法與幾何推導(dǎo)法相結(jié)合

由于HSI各分量相互獨立，所以可將分段定義算法與幾何推導(dǎo)算法相結(jié)合，即H分量通過分段定義法求得，S分量、I分量通過幾何推導(dǎo)算法求得，其中上節(jié)已完成幾何推導(dǎo)法S、I分量的計算，這節(jié)主要完成對分段定義算法中H分量的計算，H分量由下式給出：

(7)

式中,θ由下式給出：

(8)

其中:Max=max(R,G,B),Min=min(R,G,B)，由于分子的減法會存在負(fù)數(shù)的情況，所以使用補碼進(jìn)行減法運算。為節(jié)約硬件資源，將Divider IP核配置為無符號除法器，這就需要求一個補碼的絕對值。當(dāng)補碼的符號位為0時，絕對值為其自身。當(dāng)補碼符號位為1時，可通過2n-complement進(jìn)行計算，其中n為補碼的位寬。下一小節(jié)將通過具體圖像進(jìn)行硬件仿真，分別通過MSE(mean squared error)、PSNR (peak signal to noise rate)、SSIM(structural similarity)等評價指標(biāo)對3種方式生成的HSI進(jìn)行對比分析。

1.4 硬件仿真對比結(jié)果

本節(jié)將通過由軟件轉(zhuǎn)換后的HSI和FPGA硬件轉(zhuǎn)換后的HSI進(jìn)行對比，分析上述各種轉(zhuǎn)換方法的差異。如圖2所示，其中圖a、b、c分別為MATLAB使用幾何推導(dǎo)算法轉(zhuǎn)化后的H、S、I分量圖，圖d、e、f、g、h為通過Modeisim硬件仿真生成的HSI分量圖。其中圖d、g為幾何推導(dǎo)算法H分量的轉(zhuǎn)換結(jié)果，它們區(qū)別為圖d中arccos(x)的x量化精度為0.003 92，而圖g中arccos(x)的x量化精度為0.000 244 2。圖e、f分別為幾何推導(dǎo)算法S、I分量的轉(zhuǎn)換結(jié)果，圖h為分段定義算法H分量轉(zhuǎn)換結(jié)果。

圖2 HSI對比圖

為了分析硬件轉(zhuǎn)換的精度，分別計算軟件與硬件轉(zhuǎn)換結(jié)果之間的MSE、PSNR、SSIM[15-16]，如表1所示，其中H1為幾何推導(dǎo)算法(arccos(x)中x的量化精度為0.003 92) 的色度，H2為幾何推導(dǎo)算法(arccos(x)中x的量化精度為0.000 244 2) 的色度，H3為分段定義算法轉(zhuǎn)換的色度，S、I為幾何推導(dǎo)法轉(zhuǎn)換的飽和度和亮度。對比3個H分量，分段定義算法轉(zhuǎn)換較為精確，結(jié)構(gòu)相似性可達(dá)到99.9%。而幾何推導(dǎo)算法即使是將arccos(x)的x量化精度提升至0.000 244 2，相應(yīng)的結(jié)構(gòu)相似性僅僅從99.68%提升至99.72%，未達(dá)到分段定義算法的精度，不僅如此，幾何推導(dǎo)法在計算H分量時，進(jìn)行了復(fù)雜函數(shù)(開平方和反三角函數(shù))的計算，這些會消耗大量的硬件邏輯資源，而分段定義法最復(fù)雜的計算為除法運算，所需硬件邏輯資源較少。分段定義算法H分量結(jié)構(gòu)相似性達(dá)到99.9%，幾何推導(dǎo)算法S、I分量結(jié)構(gòu)相似性均達(dá)到了99.9%，因此本文采用分段定義法計算H分量，幾何推導(dǎo)法計算S分量和I分量。

表1 各評價標(biāo)準(zhǔn)對比

2 濾波窗口和排序模塊

本節(jié)將介紹3×3、5×5和7×7濾波窗口的獲取，以及窗口內(nèi)最小值、最大值和中值的獲取，并將其在硬件上實現(xiàn)。

2.1 自適應(yīng)濾波窗口的生成

本系統(tǒng)自適應(yīng)中值濾波支持最大濾波窗口為7×7，為實現(xiàn)實時圖像處理，此模塊直接生成7×7的濾波窗口，3×3、5×5濾波窗口可直接從7×7的濾波窗口得到。為保護(hù)圖像細(xì)節(jié)，我們采用擴(kuò)展鄰近像素點的方式對邊界進(jìn)行填充。

我們采用RAM存儲圖像前6行的數(shù)據(jù)，而輸入的數(shù)據(jù)作為第7行，這樣可以節(jié)省一行RAM硬件資源。由于圖像分辨率為400×480，HSI分量需要25 bit來存儲，其中H為9 bit、S為8 bit、I為8 bit，因此我們需要調(diào)用6個位寬為25 bit、存儲深度為400的Simple Dual Port RAM。RAM存儲時序如圖3所示，由于RAM讀取數(shù)據(jù)需要一個時鐘周期，所以要將輸入像素數(shù)據(jù)延時一個時鐘周期，延時后的像素數(shù)據(jù)與6個RAM讀出的數(shù)據(jù)構(gòu)成一個“七行一列”的像素數(shù)據(jù)。為防止RAM讀寫沖突，輸入的像素數(shù)據(jù)在RAM1讀出數(shù)據(jù)后寫入RAM1中，相應(yīng)的RAM1讀出的數(shù)據(jù)在RAM2讀出數(shù)據(jù)后寫入RAM2中，以此類推。連續(xù)緩存7個“七行一列”的像素數(shù)據(jù)就可以生成7×7的濾波窗口。因為需要等3行像素數(shù)據(jù)的緩存，所以第一個7×7的濾波窗口與第一個像素相差1 200個有效像素時鐘。

圖3 RAM存儲時序

2.2 排序模塊

FPGA是以并行計算為主，通過硬件描述語言實現(xiàn)電路的映射，與單片機(jī)順序操作有很大區(qū)別。FPGA實現(xiàn)算法通過觸發(fā)器和邏輯門電路組合形成電路，更加接近硬件底層的實現(xiàn)，其可在一個時鐘周期內(nèi)完成多個任務(wù)，達(dá)到并行加速的目的[17]。由于要達(dá)到處理實時圖像的目的，比較矩陣排序器[18]可以滿足實時的要求，該排序器原理為將每一個元素與序列中所有的元素進(jìn)行比較，大于被比較元素則得分為1，否則得分為0，當(dāng)所有元素比較完之后，將所得分?jǐn)?shù)進(jìn)行累加，獲得該元素在序列中最終索引值[18]。具體實現(xiàn)步驟為，將序列中的所有元素分別作為一個矩陣的行值和列值，除去對角線上的元素，將每列值分別與每個行值進(jìn)行比較，并記錄每對行列值的比較情況，比較完成后，對矩陣每一行的所得分進(jìn)行相加，即可得到該行對應(yīng)元素的最終索引值，但是隨著輸入元素的增加， FPGA硬件邏輯資源的消耗呈指數(shù)增加[18]。由于本文最大輸入元素為49，故本文將Priyadarshan Kolte和Roger Smith等人提出的快速中值濾波算法[19]與上述算法相結(jié)合，采用流水線方式設(shè)計，最大時延為9個時鐘周期。下面舉例說明該算法排序過程。

假設(shè)有一待排序數(shù)組{10,10,50,40,30}，設(shè)D0=10、D1=10、D2=50、D3=40、D4=30，考慮到數(shù)組中有相同元素，而且還要進(jìn)行累加運算。相同元素排序按照原數(shù)據(jù)誰在前誰優(yōu)先的原則，即在每個數(shù)據(jù)與其它數(shù)據(jù)比較時，根據(jù)數(shù)據(jù)在原數(shù)組中的位置，比較器的類型要發(fā)生變化[20]。例如Dm與Dn比較時，如果m>n，則選用“≥”比較器，如果m”比較器，這樣可以避免數(shù)組中存在相同元素時的排序問題。排序過程如表2所示，累加值為4、2、0分別為該數(shù)組的最大值、中值、最小值。用時序邏輯實現(xiàn)數(shù)據(jù)間的比較和輸出，組合邏輯實現(xiàn)得分的累加，需兩個時鐘周期完成數(shù)據(jù)排序。

表2 數(shù)據(jù)比較結(jié)果表

對于7×7濾波窗口計算過程如圖4所示(箭頭所指的方向為升序方向)。

圖4 7×7窗口中值獲取流程

(1)將7×7濾波窗口中每列像素按照箭頭方向做升序排列；

(2)在(1)的基礎(chǔ)上將每行像素按照箭頭方向做升序排列，則像素點11為最小值像素，像素點77為最大值像素；

(3)在(2)的基礎(chǔ)上把45度對角線方向上的5列像素按箭頭方向做升序排列；

(4)在(3)的基礎(chǔ)上，將像素點27、35、43、51(“+”所在位置的像素點)，像素點36、44、52(“-”所在位置的像素點)，像素點37、45、53、61(“*”所在位置的像素點)，按照箭頭方向做升序排列，形成新的7×7濾波窗口；

(5)在(4)處理后的7×7濾波窗口中，取像素點37、44、51的中值，即為7×7濾波窗口內(nèi)的中值。

其中sort5、sort6、sort7采用上述的比較矩陣排序法(sortx表示對x個元素進(jìn)行排序)，排序需要2個時鐘周期。sort3直接采用邏輯門實現(xiàn)，處理需要1個時鐘周期。sort4則通過調(diào)用sort3，然后將第4個元素插入到合適位置，處理需要2個時鐘周期。由于3×3、5×5窗口排序與7×7窗口類似，此處不再贅述。

3 自適應(yīng)中值濾波

自適應(yīng)中值濾波算法是根據(jù)不同噪聲濃度來自適應(yīng)地調(diào)節(jié)濾波窗口[21]，通過濾波窗口內(nèi)的極值點來判別噪聲與信號。此算法實現(xiàn)需要兩個進(jìn)程，將其中變量表示為：Mmax表示Mxy允許的最大濾波窗口，Imin表示Mxy中的最小亮度值，Imax表示Mxy中的最大亮度值，Imed表示Mxy中亮度值的中值，Ixy表示坐標(biāo)(x,y)處的亮度值。

自適應(yīng)中值濾波兩個進(jìn)程如下：

(1) 進(jìn)程A，A1=Imed-Imin,A2=Imed-Imax,如果A1>0且A2<0，則轉(zhuǎn)到進(jìn)程B判斷原像素點是否為噪聲點，否則增大窗口尺寸，如果當(dāng)前窗口尺寸≤Mmax，則重復(fù)進(jìn)程A，否則輸出Imed。

(2) 進(jìn)程B,B1=Ixy-Imin,B2=Ixy-Imax,如果B1>0且B2<0，則輸出Ixy，否則輸出Imed。

傳統(tǒng)自適應(yīng)中值濾波算法由于只將局部極值點作為噪聲的判定依據(jù)，所以此過程很容易造成噪聲的誤判。由于椒鹽噪聲集中在HSI彩色模型的亮度軸上，其飽和度是接近于0的，故本文在傳統(tǒng)自適應(yīng)中值濾波算法的基礎(chǔ)上，加入S分量進(jìn)行噪聲的判別，可以減少圖像細(xì)節(jié)的丟失。進(jìn)程A不變，進(jìn)程B調(diào)整為：如果B1=0或B2=0并且S接近0，則輸出Imed，否則輸出Ixy。

4 HSI-RGB模塊

本模塊的輸入為濾波后HSI分量，目的是實現(xiàn)彩色圖像的還原。本節(jié)包括了HSI-RGB的轉(zhuǎn)換公式，以及在硬件上的具體實現(xiàn)，同時結(jié)合RGB-HSI模塊，將一幅圖片通過RGB-HSI和HSI-RGB之后，與原圖像進(jìn)行對比，分析其還原精度以及硬件邏輯資源消耗情況。

4.1 HSI-RGB轉(zhuǎn)換公式

公式的選取取決于H的值，在原色分割中有3個相隔120。的扇區(qū)(見圖1)。當(dāng)H的值在RG扇區(qū)時，即0≤H<120，RGB分量由以下公式[22]給出：

(9)

(10)

G=3I-(R+B)

(11)

H值在GB扇區(qū)時，即120≤H<240，RGB分量由以下公式[22]給出：

H=H-120

(12)

(13)

(14)

B=3I-(R+G)

(15)

H值在BR扇區(qū)時，即240≤H<360，RGB分量由以下公式[22]給出：

H=H-240

(16)

(17)

(18)

R=3I-(B+G)

(19)

上述的公式具體實現(xiàn)將在下節(jié)詳細(xì)討論。

4.2 硬件實現(xiàn)

為減少硬件邏輯資源的消耗，可添加扇區(qū)標(biāo)志位，只需實現(xiàn)如下公式即可：

(20)

(21)

c=3I-(a+b)

(22)

通過扇區(qū)標(biāo)志位，根據(jù)不同扇區(qū)公式將結(jié)果分別賦值給RGB即可。對于三角函數(shù)的計算，我們采用1.2節(jié)中ROM查找表的方式實現(xiàn)。與之不同的是，由于分子分母同時存在余弦函數(shù)，可以使用串行方式分別計算兩個余弦函數(shù)，但是這樣會使輸出多延時兩個時鐘周期，所以我們采用同時計算的方式。通過使用Dual Port ROM，這樣不僅可以同時完成兩個余弦函數(shù)的計算，而且所用的ROM資源與計算單個余弦函數(shù)相同，可節(jié)省一半的ROM資源?？梢岳糜嘞液瘮?shù)的性質(zhì)，僅僅需要計算[0,90]即可，將計算結(jié)果量化到[0,255]，這樣只需要一個存儲寬度為8 bit、 存儲深度為91的ROM即可。下節(jié)將1.4節(jié)中生成的HSI分量通過本模塊進(jìn)行圖像的還原，并與原圖像進(jìn)行比較，分析其還原準(zhǔn)確度。

4.3 還原精度分析

本節(jié)將1.4節(jié)中生成的HSI圖像通過硬件進(jìn)行還原，將生成圖像與原圖進(jìn)行對比，進(jìn)一步說明分段定義算法和幾何推導(dǎo)算法相結(jié)合的轉(zhuǎn)換精度。如圖5所示，其中圖a為原始圖像，圖b(arccos(x)中x的量化精度為0.003 92)和圖c(arccos(x)中x的量化精度為0.000 244 2)為經(jīng)過幾何推導(dǎo)算法轉(zhuǎn)換后復(fù)原的圖像，圖d為經(jīng)過幾何推導(dǎo)算法和分段定義算法相結(jié)合轉(zhuǎn)換后復(fù)原的圖像，從視覺上難以分辨差別。我們將從MSE、PSNR、SSIM分析復(fù)原圖像與原始圖像之間的差別。

圖5 原圖與復(fù)原的圖像

如表3所示，c圖的還原精度較b圖而言有所提升，但是這種提升是以犧牲較多邏輯資源為代價得到的，結(jié)構(gòu)相似度提高了大約0.7%。相比之下，d圖的結(jié)構(gòu)相似度為99.859%，比b圖提升了2.872%，比c圖提升了2.254%。d圖的峰值信噪比為46.87，比b圖高9.6，比c圖高8.38。不僅如此，幾何推導(dǎo)算法和分段定義算法相結(jié)合所用硬件邏輯資源比幾何推導(dǎo)算法少的多，具體如表3所示，其中LUT減少了37.2%，LUTRAM減少了82%，F(xiàn)F減少了59%，DSP減少了100%。進(jìn)一步說明了該方法不僅轉(zhuǎn)換精度高，而且硬件邏輯資源消耗較少，適合在FPGA硬件中實現(xiàn)。

表3 復(fù)原圖像質(zhì)量以及所用硬件資源

5 系統(tǒng)性能分析

系統(tǒng)結(jié)構(gòu)框圖如圖6所示，RGB格式數(shù)據(jù)先經(jīng)過RGB2HSI模塊，將RGB格式轉(zhuǎn)化為HSI格式，處理所需14個時鐘周期，其次通過濾波窗口生成模塊，處理所需1 200個(以400×480分辨率為例，延時3行像素數(shù)據(jù)400×3=1 200)時鐘周期，接著經(jīng)過比較排序模塊，處理所需9個時鐘周期，然后通過自適應(yīng)中值濾波模塊，處理所需1個時鐘周期，最后將處理后的HSI數(shù)據(jù)通過HSI2RGB模塊將HSI格式轉(zhuǎn)化為RGB格式，完成對原彩色圖像的還原，處理所需27個時鐘周期。由于多個模塊采用面積換取速度的思想，使用流水線方式實現(xiàn)各模塊，故系統(tǒng)處理時間達(dá)到了1 251個時鐘周期，但這也使得系統(tǒng)支持時鐘頻率更高。以Xilinx公司的xc7a100tfgg484-2芯片為例，當(dāng)系統(tǒng)時鐘為222 MHz時，Worst Negative Slack(WNS)為0.025 ns，Worst Hold Slack(WHS)為0.043 ns，Worst Pulse Width Slack(WPWS)為1.446 ns，所有的端點都滿足時序要求，該系統(tǒng)可以穩(wěn)定運行。系統(tǒng)最高可對2 k(2 560×1 440)@60 Hz視頻進(jìn)行實時處理，所需像素時鐘為2 560(1 440×60=221 MHz，滿足系統(tǒng)要求，此時系統(tǒng)時延為14+2 560×3+9+1+27=7 731個時鐘周期(1×10-6/222 s)，處理時延為347 90 ns。

圖6 系統(tǒng)結(jié)構(gòu)框圖

通過MATLAB將原圖像分別添加不同概率的椒鹽噪聲，分別將不同概率噪聲的圖像通過硬件仿真，觀察其降噪效果。硬件仿真通過Modelsim進(jìn)行仿真，在激勵文件中，按照bmp文件格式將圖片數(shù)據(jù)讀入，并且按照RGB時序輸入到系統(tǒng)中，將處理后的圖像數(shù)據(jù)以bmp文件的格式寫入。如圖7所示，第一行為添加不同概率椒鹽噪聲的原圖像，第二行圖為YCbCr彩色空間自適應(yīng)中值濾波后的圖像，第三行為HSI彩色空間自適應(yīng)中值濾波后的圖像。椒鹽噪聲的概率分別為20%、30%、40%、50%、60%、70%。從中可得出，HSI彩色空間自適應(yīng)濾波后的圖像色彩較為鮮艷，色彩還原度好。當(dāng)噪聲概率小于60%時，降噪后的圖像細(xì)節(jié)保留完整，且無明顯的噪聲點，當(dāng)噪聲達(dá)到70%時，降噪后的圖像出現(xiàn)明顯的噪聲點。

圖7 降噪前后圖像對比

為了對比不同噪聲密度降噪效果，分別計算兩種色彩空間濾波后圖像與原圖像之間的MSE、PSNR、SSIM。如圖8所示，當(dāng)椒鹽噪聲概率達(dá)到70%時，降噪效果明顯下降，HSI色彩空間降噪后圖像與原圖的結(jié)構(gòu)相似度為76.7%。在噪聲概率小于60%時，HSI色彩空間降噪后圖像與原圖的結(jié)構(gòu)相似度均可達(dá)到90%以上，而YCbCr色彩空間降噪后圖像與原圖的結(jié)構(gòu)相似度僅達(dá)到80%以上。當(dāng)噪聲概率為10%時，HSI色彩空間降噪后圖像與原圖的結(jié)構(gòu)相似度可達(dá)到99%，而YCbCr僅為86%。當(dāng)噪聲概率小于90%時，HSI彩色空間的各項指標(biāo)(MSE、PSNR、SSIM)均優(yōu)于YCbCr彩色空間。HSI彩色空間降噪后圖像細(xì)節(jié)保留完好，未出現(xiàn)圖像模糊，達(dá)到了在濾除噪聲的同時減少細(xì)節(jié)損失的目的。如表4，為2種不同的彩色空間(YCbCr和HSI)采用相同自適應(yīng)濾波所消耗的硬件資源，由于HSI為非線性轉(zhuǎn)換，而YCbCr為線性轉(zhuǎn)換，故HSI所消耗硬件資源會更多。但是HSI彩色空間濾波效果提升較大，很好地保留了圖像細(xì)節(jié)，對后續(xù)的圖像處理影響較小。

圖8 濾波后圖像MSE、PSNR、SSIM

表4 消耗硬件資源對比

6 結(jié)束語

實時彩色圖像自適應(yīng)中值濾波的FPGA實現(xiàn)具有重大的實踐意義和研究價值。本文在深入研究HSI彩色空間的基礎(chǔ)上，結(jié)合兩種不同的RGB-HSI轉(zhuǎn)換算法，在硬件上達(dá)到RGB-HSI高精度的轉(zhuǎn)換與還原。結(jié)合并行排序算法和快速中值濾波算法，在減少硬件資源消耗的同時，完成對7×7窗口內(nèi)元素的快速排序。該系統(tǒng)在硬件資源、精度和速度等方面滿足FPGA的設(shè)計理念，可廣泛應(yīng)用于光學(xué)條紋圖像的相位分析、智能監(jiān)控等領(lǐng)域。