【正文】 adjacent regions should have significantly different values。 4 FPGA Implementation of RealTime Adaptive Image Thresholding Elham Ashari Department of Electrical and Computer Engineering, University of Waterloo Richard Hornsey Department of Computer Science amp。網(wǎng)絡的處理能力儲存在層間連接處 ,稱為權、是通過從一組訓練模式中學習獲得的每個節(jié)點的輸入都乘以了一個連接的權值。 Talukdar 和 Sridhar[18]使用一種神經(jīng)網(wǎng)絡結(jié)構(gòu)作為一個聚類技術 ,稱為weightedbased WCT聚類閾值 )。 3 提出的方法 Clusteringbased方法仍是一個很常用的閾值技術 [1]。雖然我們所討論的這些方法都具有良好的性能 ,但他們一般不適合實時實現(xiàn)。因此 ,圖片進行逐像素的預處理。這個排名同時也被認為是對提取對象的視覺輪廓的主觀評價。 ,使用高階概率分布和 /或像素之間的相關性 ,如高階熵閾值 (Abutaleb[13])?；蛘?，作為兩種高斯的交替混合模型， 如迭代閾值 (Riddler[5])、聚類的閾值 (Otsu[6]),最小誤差閾值 (Kittler[7]),應用模糊聚類的閾值 (Jawaher[8])。 自適應算法基于圖像的特點，例如，圖像統(tǒng)計和圖像的亮度，計算出圖像的閾值。例如，對比度差、物體和背景大小的不一致、背景不均勻，以及相關噪聲等?；陬A定義的測量，閾值技術確定一個最佳值為 T。閾值處理的輸出是一個二值圖像，該二值圖像是通過給不同的像素賦值得到的，小于閾值的像素賦值為 0，其余像素的賦值為 1。對研究的結(jié)果進行了總結(jié)，同時對該算法的優(yōu)缺點進行了重點闡述。第四節(jié)給出了算法的 FPGA實現(xiàn)。第二節(jié) 2 對圖像的二 值化進行了概述。此外，在對圖像做進一步的處理之前，都將圖像的二值化作為預處理步驟。其中，最為典型的例子就是，通過 CMOS或 CCD相機，由掃描儀捕獲的圖像，都被轉(zhuǎn)換為二值圖像。本文接下來將重點描述該技術的應用。在這樣一個系統(tǒng)當中，圖像的實時處理及其得到的相關信息是至關重要的。一般來說，前景色的像素的灰度級與背景色的灰度級是不同的。通過利用 FPGA對無數(shù)的例子進行模擬和實驗，得到該算法的結(jié)果。更新是基于輸入像素的灰度級和相關權值的差額的，通過學習快慢因素來衡 量其速率。 硬件架構(gòu)是基于一種加權聚類算法的架構(gòu) ,這種算法的重點就在于聚類的前景和背景像素的閾值問題。該方法采用聚類的 二值加權神經(jīng)網(wǎng)絡法 找到兩個像素組的質(zhì)心 。 硬件系統(tǒng)是在 FPGA 平臺上實現(xiàn)的，它包含兩個功能模塊。這項工作的基本應用是確定激光的質(zhì)心，但接下來將會討論它在其他方面的應用。現(xiàn)在已有一些較好的使圖像二值化地算法，就性能而不是就速度而言， 這些算法的主要目標在于高效率，然而對于一些應用，尤其對是在那些定制的硬件和實時應用程序來說，速度則是最關鍵的要求。實時閾值技術的 應用領域包括機器人、汽車、目標追蹤以及激光測距。 實時閾值的另一個應用是文件處理及光學字符識別（ OCR）。再由文本文檔來儲存這些相對統(tǒng)一的 背景色信息。因此，它們要將目標從背景色中分離出來，就必須先進行最佳閾值的計算，以免丟失重要的數(shù)據(jù)信息（例如，物體的尺寸或形狀）。針對著名的圖像閾值技術以及它們各自的性能進行了討論。重點討論了硬件實現(xiàn)的功能性能的實驗結(jié)果。 2 陳述問題 圖像二值化的目的就是將圖像分成兩個部分，即前景色和后景色。讓我們來看一下，大小為 MxN(M行和 N列），灰度級為 L，即灰度級范圍為 [0， L1]的圖像。因而有： g( i, j)=??? ??Tjifor f Tjifor f ),(1 ),(0 (1) g(i,j)是二值圖像的像素。有時，二值圖像會丟失很多區(qū)域而捕獲很多不相干的背景像素。 基于對文獻的全面調(diào)查 [1]，對閾值技術進行了分類，共分 6種，如下： ，圖像的直方圖被視為兩種類型的與物體和背景相關的高斯分布的混合， 例如凸殼閾值 ( ，例如 熵閾值 (Kapur[9]),和熵閾值 (Shanbag[10])。 ，根據(jù)局部圖像的特征，計算出每一像素點的閾值，例如局部對比度的方法 (White[14]),表面 濾波 閾值法 (Yaowitz[15])。 從硬件實現(xiàn)的角度來看 ,一個閾值方法的有效性也可以用其他參數(shù)來衡量，例如速度和復雜性。對數(shù)計算在基于熵的技術復雜的計算程序中也是必需的?；蛘呶覀兛梢栽鰪娀蛐薷倪@些技術。在該方法中 ,圖像的灰度像素被分為兩個集群，即前景和背景。 weightedbased聚類方法 使用的人工神經(jīng)網(wǎng)絡的聚類特性來計算一個閾值 ,其閾值為兩個聚類質(zhì)心的均值。 在最近幾十年里 ,研究人員提出了不同的類別神經(jīng)網(wǎng)絡。 Engineering, York University ABSTRACT： A general purpose FPGA architecture for realtime thresholding is proposed in this paper. The hardware architecture is based on a weightbased clustering threshold algorithm thattakes the thresholding as a problem of clustering background and foreground pixels. This method employs the clustering capability of a twoweight neural work to find the centriods of the two pixel groups. The image threshold is the average of these two centriods. The proposed method is an adaptive thresholding technique because for every input pixel the closest weight is selected for updating. Updating is based on the difference between the input pixel gray level and the associated weight, scaled by a learning rate factor. The hardware system is implemented on a FPGA platform and consists of two functional blocks. The first block is obtaining the threshold value for the image frame, another block applies the threshold value to the frame. This paralle