图像采集及处理的模块算法设计

文/周利斌 刘茹 陈虎 熊光磊 滕雅欣

高噪声图像去噪时，基于深度卷积神经网络，先求加噪图像的卷积，进行批量标准化后图像重构并输出残差图像，计算函数损失值，最后反向更新和迭代，得到理想去噪模型。

图像特征提取中，根据Moravec 算子，以上下左右及45°角方向上像素点灰度变化的最小方差点为核心，按图像设定阈值作为判断依据。读取当前像素颜色，由计算灰度值，并计算4 个方向灰度差平方和的极值，求取特征点。

1 计算机图像处理的背景及应用

在图像处理过程中，首先进行图像转化，识别特征点等图像数据信息存储到计算机中；然后使用各种图像处理算法处理存储到计算机中的图像；最后进行图像识别，得到图像中的有用信息，分析处理技术的好坏直接影响成像质量。计算机图像处理技术应用十分广泛，准确度高、再现性好，必将在众多领域发挥更加重要的作用。

2 图像采集系统设计

较大型图像采集系统以基于PC 机的图像视频采集卡为主；较小型的则以ARM、DSP等嵌入式平台为主。本文选取SoC 系统芯片，由图像传感器SONY IMX323、相机捕捉控制器、ARM9 I2C 控制器、神经网络加速器以及控制器工作记忆内存组成。系统供电后，先利用I2C 模块使用标准 SCCB（Serial Camera Control Bus）协议对图像传感器寄存器进行配置，设置工作方式；然后打开相机捕捉控制器，采集图像数据信号；最后通过异步FIFO 进行数据缓冲，使两侧数据传输同步，图像数据便以帧为单位存入工作记忆内存。

3 高噪声图像去噪算法设计

图像采集设备质量、数据传输环境等都会影响成像质量。成像需有较好分辨度，为此图像去噪必不可少。本文基于深度卷积神经网络提出一种高噪声图像去噪新思路。

设输入层是加噪图像样本Y=X+N，X 是原始无噪图像，N是分布为N(0,σ2)的噪声图像，σ 为噪声标准差，Y 是含噪图像；输出层是预测噪声图像R(Y)。

算法具体步骤如下：

（1）求加噪图像卷积，设图像矩阵f

设平均矩阵g

（2）批量标准化处理，避免卷积后出现网络内部协变量转移。样本均值μ 和方差σ2如下：

正则化Znorm

为保证分母不为零，取ξ 值很小；Z 表示未激活前的神经元。加入可调参数α 和β，得标准化公式如下：

（3）对批量标准化后的图像进行图像重构，输出残差图像。

（4）根据（3）中得到的残差图像计算函数损失值。如式（5）所示。

（5）根据图像损失函数进行反向更新和迭代，得到理想去噪模型。迭代公式如下：

其中ω 为学习率，l 为所在层序数。

4 图像特征提取算法设计

图像处理关键是特征点提取。Moravec 算子以上下左右及45°角方向上像素点灰度变化的最小方差点为核心，根据图像设定阈值作为判断依据。该算子的计算简单迅速，但抗噪能力差。在设计有高噪声图像去噪算法的基础上，对Moravec 算子进行深度分析，算法具体步骤如下：

（1）设像素中心（x,y），计算4 个方向灰度差的平方和。

G 为灰度差平方和，k=int(M/2)，M 为像素矩阵，g 各点为灰度值。取G1、G2、G3、G4中最小值为核心点；

（2）将小于设定阈值的点作为待测点；

（3）选择待测点中的极值点作为特征点，划定窗口范围，在待测点中留下灰度差平方和最大值点，确认该最大值为特征点。

5 评价及改进

本文初步给出了图像采集、去噪及特征提取算法，减少了计算量，优化了图像边界的处理。此外，还可以在图像清晰度、一般模式下的去噪做出改进。