0 引言

    圖像邊沿是圖像的基本特征，是圖像分割、特征提取等圖像分析的重要依據(jù)，目前已廣泛應(yīng)用于目標(biāo)識別、機(jī)器視覺和運動目標(biāo)跟蹤等領(lǐng)域。現(xiàn)今已有多種邊沿檢測算法以及一些改進(jìn)方式，但各種算法都有各自的優(yōu)缺點和適用領(lǐng)域。在實時圖像處理系統(tǒng)中，通常采用Sobel算子來實現(xiàn)圖像的邊沿檢測。然而傳統(tǒng)的Sobel邊沿檢測算法存在抗噪能力弱、邊沿信息較粗等問題，不能滿足實際工程應(yīng)用的要求。如何實時地獲取清晰的圖像邊沿對工程實踐和科學(xué)研究都具有重大意義。

    設(shè)計中，基于圖像處理的相關(guān)理論對Sobel邊沿檢測算法進(jìn)行了改進(jìn)，在傳統(tǒng)的Sobel算法的基礎(chǔ)上增加了快速中值濾波模塊，提高了系統(tǒng)的抗噪能力，并采用非極大值抑制的方式對圖像邊沿進(jìn)行了細(xì)化，既有效地保留了圖像邊沿，又保證了圖像邊沿的清晰。

1 Sobel圖像邊沿檢測優(yōu)化設(shè)計

    Sobel算法雖然在圖像邊沿檢測方面具有諸多優(yōu)勢，然而對于圖像實時處理還是存在抗噪能力弱、邊沿信息較粗等問題，所以需進(jìn)一步改進(jìn)。優(yōu)化后的邊沿檢測模塊主要由快速中值濾波模塊、邊沿檢測模塊和非極大值抑制模塊構(gòu)成。檢測模塊總體設(shè)計如圖1所示。

    當(dāng)圖像數(shù)據(jù)輸入時，首先進(jìn)行快速中值濾波處理，平滑圖像噪聲，然后通過Sobel算子得到圖像的梯度值，最后應(yīng)用閾值比較和非極大值抑制的方式提取圖像邊沿，進(jìn)行二值化處理，從而得到清晰的圖像邊沿。

1.1 快速中值濾波

    在圖像采集傳輸過程中，不可避免地出現(xiàn)各種各樣的噪聲，這些噪聲不僅降低了圖像的質(zhì)量，而且會影響后續(xù)圖像的處理。中值濾波能夠有效濾除椒鹽噪聲和脈沖噪聲，有效地保持圖像邊沿的細(xì)節(jié)，是一種比較理想的圖像濾波算法。它通過對相鄰區(qū)域內(nèi)的像素進(jìn)行排序，取中間值作為輸出像素，以達(dá)到濾波的效果。基本的中值濾波算法運算量大，不利于實時圖像處理。設(shè)計采用快速中值濾波算法，提高了圖像處理的效率，實現(xiàn)方法如圖2所示，其中MAXi、MIDi、MINi分別代表每行數(shù)據(jù)的最大值、中間值與最小值。依據(jù)圖2所示，通過多次比較(CMP)就可以得到最終的濾波結(jié)果。

1.2 Sobel邊沿檢測

    Sobel算子是一階導(dǎo)數(shù)的邊緣檢測算子，包含水平和垂直2組3×3的矩陣，將之與圖像中的每個像素點做卷積和運算，即得到圖像的水平和垂直梯度值，再根據(jù)梯度計算公式算出圖像梯度值，將此梯度值與設(shè)定的閾值進(jìn)行比較，若大于閾值，則認(rèn)為該像素點為邊緣部分，把3×3二維圖像中央的灰度值設(shè)為255，若小于閾值，就不是邊緣部分，相應(yīng)的灰度值設(shè)為0。

    圖3(a)為一幀圖像的3×3窗口，Pi為各點的灰度值，圖3(b)和圖3(c)分別為Sobel算子水平和垂直方向梯度算子。針對圖像中3×3的像素空間，Sobel算子采用式(1)和式(2)計算中間像素點P₅處的水平梯度P_x與垂直梯度Py。

Px=(P6+2P7+P8)-(P0+2P1+P2)(1)

1.3 非極大值抑制

    Soble邊沿檢測算法通過選取合適的閾值能夠細(xì)化圖像邊沿，然而閾值的選取往往比較困難。如果閾值過低，則無法達(dá)到細(xì)化的效果，反之則會丟失部分圖像邊沿。通常Soble算法檢測得到的圖像邊沿會出現(xiàn)邊沿較粗的問題，從而影響圖像處理的效果。故優(yōu)化設(shè)計采用非極大值抑制的方式對圖像梯度幅值的屋脊帶進(jìn)行了細(xì)化，只保留了幅值局部變化的最大的點。在非極大值抑制過程中，使用3×3的移動窗口對圖進(jìn)行處理，中心像素梯度值與鄰域內(nèi)的其他像素梯度值進(jìn)行比較，如果中心像素值不是鄰域像素的極大值，則把該像素點賦值為0，反之則把該像素點視為圖像的邊緣。其具體的數(shù)學(xué)表達(dá)式如式(3)：

    非極大值抑制既有效保留了圖像邊緣的梯度，又達(dá)到了圖像細(xì)化的目的，有效地解決了Sobel算子出現(xiàn)的邊沿較粗的問題，有利于圖像分割和特征提取等圖像后期處理的實現(xiàn)。

2 圖像邊沿檢測硬件設(shè)計與實現(xiàn)

2.1 硬件系統(tǒng)結(jié)構(gòu)設(shè)計

    基于FPGA的實時圖像邊沿檢測系統(tǒng)主要由圖像采集單元、數(shù)據(jù)存儲單元、邊沿檢測單元和圖像顯示單元四部分組成。具體的硬件系統(tǒng)結(jié)構(gòu)如圖4所示。

    系統(tǒng)基于FPGA(EP3C40F484)開發(fā)平臺，選用500萬像素CMOS攝像頭進(jìn)行圖像采集，圖像信息經(jīng)采集、灰度化等處理，再經(jīng)過優(yōu)化的基于Sobel圖像邊緣檢測處理，最后由液晶顯示器顯示。算法采用了可編程宏功能模塊與VHDL語言相結(jié)合的方法實現(xiàn)。

2.2 快速中值濾波算法硬件實現(xiàn)

    中值濾波算法的核心是排序，算法的優(yōu)劣直接決定求取中間值的效率，從而決定濾波器的性能。快速中值濾波采用并行處理和流水線的設(shè)計，避免了大量的比較操作，相比于傳統(tǒng)的中值濾波算法，不僅運算量大大減少，在FPGA硬件實現(xiàn)上所占用的硬件資源也更少，因此它對圖像數(shù)據(jù)處理的速度比傳統(tǒng)的中值濾波更快。快速中值濾波硬件實現(xiàn)頂層原理圖如圖5所示，其中移位寄存器(linebuffer)模塊能夠依次輸出3行的圖像數(shù)據(jù)。Compare模塊帶有鎖存功能，能夠比較同一行像素的3個數(shù)據(jù)的大小，Compare3模塊比較不同行圖像像素的大小，并輸出相應(yīng)的結(jié)果。

2.3 Soble邊沿檢測算法硬件實現(xiàn)

    基于Soble算子的邊沿檢測算法不僅計算簡單，而且容易在硬件上實現(xiàn)。算法主要包括梯度計算和閾值比較兩個部分，用VHDL代碼實現(xiàn)閾值比較相對簡單，所以梯度計算算法的實現(xiàn)為本模塊的重點。

    設(shè)計中梯度計算采用3-Line Buffer結(jié)構(gòu)，相鄰3行3列的9個圖像像素點(P₁，P₂…P₉)利用3個行緩沖器進(jìn)行緩沖，然后再同步讀取3行數(shù)據(jù)進(jìn)行分級寄存，利用乘法器實現(xiàn)寄存結(jié)果與Sobel算子X_n的相乘，再利用3個加法器實現(xiàn)式(1)或式(2)，即得到水平方向或垂直方向的梯度值，最后再利用一個加法器實現(xiàn)梯度計算公式得到梯度值|G|。

2.4 非極大值抑制算法硬件實現(xiàn)

    設(shè)計中在Soble邊沿檢測的基礎(chǔ)上增加了非極大值抑制功能，非極大值抑制算法RTL級結(jié)構(gòu)如圖6所示。

    為了實現(xiàn)非極大值抑制算法，需再次構(gòu)建3×3的移動窗口并確定中心像素梯度值是否為鄰域內(nèi)的最大值，設(shè)計中采用LineBuffer_3和sort3來構(gòu)建3×3移動窗口。LineBuffer_3能夠緩存3行480列的像素梯度值，一個時鐘周期可以并行輸出1列像素梯度值。前兩個周期sort3模塊接收并緩存LineBuffer_3模塊輸出的兩列像素梯度值，在第三個周期得到第三列像素梯度值時，也同時構(gòu)成了3×3的梯度窗口，輸出如圖中的data1～data9，最后在comper模塊內(nèi)對9個像素梯度值進(jìn)行比較，從而確定中心像素是否為鄰域內(nèi)的最大值。若為最大值就保留并進(jìn)入閾值模塊進(jìn)行比較，否則將中心梯度值置零。

3 實驗結(jié)果與分析

    為了驗證系統(tǒng)優(yōu)化設(shè)計后的性能，采用MT9M001相機(jī)對圖像進(jìn)行采集，將優(yōu)化后得到行的邊沿圖像與優(yōu)化前的邊沿圖像進(jìn)行比較，得到了不同的檢測結(jié)果，結(jié)果如圖7所示。圖7(a)為相機(jī)采集到的原始圖像，圖7(b)為傳統(tǒng)的Soble邊沿檢測算法得到的圖像，由于受室內(nèi)日光燈的影響，采集到的圖像噪聲大且邊沿較粗。圖7(c)為通過濾波后得到的圖像邊沿，濾波效果明顯。圖7(d)為優(yōu)化后的邊沿檢測算法得到的圖像，圖像受噪聲影響小，且邊沿較細(xì)，能夠有效地識別圖像的邊沿。

4 結(jié)論

    該系統(tǒng)針對Sobel算法用于圖像邊沿檢測時出現(xiàn)的噪聲大、邊沿較粗等問題，在傳統(tǒng)的Sobel算法的基礎(chǔ)上增加了快速中值濾波模塊和非極大值抑制模塊，提高了系統(tǒng)的抗噪能力，保證了圖像邊沿的清晰度，并在EP3C40F484 FPGA平臺上對硬件電路進(jìn)行了驗證。實驗結(jié)果表明，優(yōu)化后的邊沿檢測方案不僅能夠有效地抑制噪聲，而且得到的圖像邊沿更細(xì)，增強(qiáng)了實時圖像處理的效果。

參考文獻(xiàn)

[1] 謝鳳英.數(shù)字圖像處理及應(yīng)用[M].北京：電子工業(yè)出版社，2014.

[2] 朱秀昌，劉峰.數(shù)字圖像處理與圖像通信[M].北京：北京郵電大學(xué)出版社，2014.

[3] 孫敏.圖像處理并行算法研究與實現(xiàn)[D].綿陽：西南科技大學(xué)，2011.

[4] 張利平，潘宏俠，黃晉英.智能車輛視覺系統(tǒng)的障礙物邊緣檢測[J].測試與校準(zhǔn)，2006，26(4)：30-31.

[5] 尹業(yè)宏，王濤，陳穎.基于FPGA的圖像與處理濾波算法[J].光學(xué)與光電技術(shù)，2004，2(5)：61-63.

[6] 楊新華，寇為剛.基于FPGA的Soble算子圖像邊緣檢測算法[J].儀表技術(shù)與傳感器，2013(1)：102-104.

[7] 朱偉超，萬新軍，楊波，等.模糊圖像邊緣精確定位的濾波算法[J].光學(xué)儀器，2015，37(1)：46-48.