[发明专利]基于硬件平台实现的超分辨力图像复原方法

说明书

本发明公开了一种基于硬件平台实现的超分辨力图像复原方法。该方法是基于Zynq SOC硬件平台实现的，采用并行处理的思想。首先对原始图像进行图像拓展，然后将拓展图像缓存进入缓存buff，缓存buff利用SoC内BlockRAM实现，在缓存的同时进行图像复原算法中的一系列运算，运算结果也同时缓存进入相应的缓存buff。本发明的创新点在于算法中的运算步骤并非顺序执行，而是并行执行，并行运算的同时对运算中间值进行缓存，提高了算法的执行效率，硬件资源仅消耗了Zynq芯片PL部分的内部存储资源，大大降低了硬件存储资源的消耗，有利于小型化、低功耗、低成本设备的研发。

技术领域

本发明涉及超分辨力图像复原技术，具体涉及一种基于硬件平台实现的超分辨力图像复原技术。

背景技术

目前，各类成像器件正在广泛的应用于各大领域，但是由于各种条件的限制，成像质量往往不尽人意，因此人们迫切希望找到一种方法能够完善图像质量。由于光学系统受到光学系统衍射的影响，因此无法获取传递函数截止频率以外的图像信息。如何能观测到截止频率以外的图像信息成为了研究热潮。

目前，超分辨力图像复原方法主要有：频谱外推法、POCS法、神经网络复原法和Bayes分析法等。其中具有较强超分辨力复原能力的算法是基于Bayes分析的Poisson-ML图像复原方法，简称PML算法。但是该算法对噪声较大的图像不能取得良好的复原效果。有学者在PML算法的基础上提出基于Poisson-Markov场的超分辨力图像复原算法。该算法不仅具有较强的图像复原能力，又具有较好的去噪效果。但该方法涉及卷积运算、相关运算以及一些乘除运算，计算量较大，且想要获得质量较高的复原图像必须迭代多次，因此用软件实现该算法并不适用于需要实时处理的成像系统。要在实时性要求高的成像系统中使用该方法进行图像复原，则必须用硬件实现。但是由于多次迭代过程中需要存储大量的中间运算值，对硬件的存储资源又是一大考验。

本发明提出的图像复原方法是在硬件平台上实现的基于Poisson-Markov场的超分辨力图像复原算法，利用并行处理的思想，对部分运算以及运算结果的存储做了并行处理，不仅可以提高算法的执行效率，还大大降低了迭代过程中对硬件存储资源的消耗。有利于设备的低功耗、小型化、低成本的研究。

发明内容

本发明的目的在于提供一种基于硬件平台实现的超分辨力图像复原方法，能够复原图像截止频率以外的信息，使图像获得更高的分辨率，提高图像的质量。本发明是基于Zynq硬件平台实现的，由Zynq芯片的PL部分完成图像复原算法，采用并行处理的方式，对算法中的计算步骤做并行处理，同时用PL内部的存储资源对计算中间值进行缓存。

实现本发明目的的技术解决方案为：基于硬件平台实现的超分辨力图像复原方法，用数学模型描述如公式(1)，其中运算符*为卷积运算符，运算符为相关运算符，h为卷积核函数，g(i,j)为拓展后的图像，f_n-1(i,j)为第n-1次迭代结果，f_n(i,j)为第n次迭代结果，n为迭代次数，i,j为图像行、列索引，A、B为浮点数整型化扩大系数,通常A可取14，B可取10。

由公式(1)可知，包括图像拓展、卷积运算和相关运算步骤，本发明的基于硬件平台实现的超分辨力图像复原方法，将图像拓展、卷积运算和相关运算步骤并行执行；其中，

图像拓展步骤包括：根据卷积核函数模版大小对原始图像边缘进行拓展；将拓展后的图像数据流缓存进图像缓存空间；

卷积运算步骤包括：

(a1)从迭代结果缓存空间读取上一次迭代结果，将上一次迭代结果与卷积核函数进行卷积运算；对于第一次迭代，上一次的迭代结果为拓展图像；

(a2)将拓展图像与步骤(a1)中所得到的结果相除得到本轮次的卷积运算结果，并缓存至卷积结果缓存空间；

相关运算步骤包括：