史豪斌, 胡航语

(西北工业大学 计算机学院, 陕西 西安 710072)

座舱人机交互系统是人员与装备的人机接口，在低能见度条件下，人员通过判读座舱显示器中呈现的红外视频画面，获得舱外视觉感知信息，进一步下达操作指令。红外视频传感器能够突破人类对光谱感知的范围，获得更加丰富的环境反射和辐射信息，使得人员获得等效目视能力，扩展其低能见度条件下的任务能力。然而，红外传感器因为成像频谱、成像方式以及大气衰减等众多原因，图像画面相对可见光较为模糊，不利于人员的判读理解，因此在送显之前通常需要进行红外图像细节增强处理。

根据FAA等相关规定，座舱显示系统的显示延迟必须小于100 ms。随着红外传感器分辨率的不断提升，处理的像素规模成几何倍数增加，这对以同构CPU为主要处理单元的嵌入式计算平台处理能力提出了巨大挑战。CPU在处理数据的过程中，需要读取总线后把数据在内存中进行缓存，然后通过指令和数据指令逐个进行像素处理。虽然通过Cache缓存机制可以隐藏一定的计算过程中的内存读写，然而总线到内存的数据缓存无法在计算过程中进行隐藏。

本文针对FPGA特定领域处理架构，提出基于FPGA的红外图像增强算法。该算法通过基于视频流处理模型和局部相关特征，通过缓冲线(buffer line)和缓冲窗(window line)机制，进行图像细节增强。进一步结合空域查找表(space table)和值域查找表(range table)的方式，降低滤波过程中的计算量，实现处理和传输过程中的数据延迟，达到实时处理性能。最后，基于Xilinx HLS高层次综合工具，通过C++语言实现算法，结合FPGA硬件特征，实现性能优化。通过对比本文算法在FPGA端和CPU端算法的表现，以及能够获得最为高效的并行图像增强算法，验证本文算法的低延迟、高帧率的相关处理性能。

1 图像细节增强

图像细节增强分为传统方法和神经网络方法，其中传统方法通过空域滤波或者频域滤波的方式增强特定区域图像细节，而神经网络方法则是通过训练深度学习网络模型参数，探索输入图像和增强后图像的映射关系。

在传统图像细节增强领域，基于导向滤波的增强方法[1]和基于双边滤波[2]的增强方法较为流行。后续的方法大多数基于此类方法进行改进。在加速计算方法方面，基于图像上采样和下采样的方式降低像素规模，极大提升了算法的速度。但是需要对图像进行多次盒函数滤波(box filter)，因此必须进行多次图像缓存，增加了计算延迟。基于双边滤波的方法，对滤波半径R内的像素进行空域权重(space weight)和值域权重(range weight)的加权平均，以获得边缘保持滤波效果。但随着滤波半径的增长，计算量呈现几何倍数增长。为了加速基于双边滤波的方法，Yang[3]对双边滤波器进行了数值近似，使得计算复杂度下降到O(N)。然而数值近似必然牺牲一定的精度，在对画面要求不高的情况下可以接受。Cheng等[4]通过map-reduce的并行计算思想以及定点数替代浮点数计算方法，进一步加速了迭代双边滤波的图像细节增强方法。然而，该算法基于通用多核CPU的计算架构，所有数据必须先进行缓存，然后才能参与计算，这是通用CPU体系架构的固有缺陷。本文算法基于FPGA的特定领域架构，可以在读取总线数据时不进行全局缓存，直接计算后输出，从而实现零存储延迟计算。

在基于深度学习的图像细节增强领域，研究人员分别针对低照度、水下图像颜色校正、红外图像增强等需求都提出了对应的解决方法[5-7]。Qi等[8]提出一种异构Rybak神经网络模型(HRYNN)，该算法更加接近神经生理模型，具有较好的主观评价效果。为了加速计算过程，Gharbi等[9]提出的HDRnet充分融合了神经网络的特征表示能力与双边滤波器的加速计算能力，能够拟合任意参数的滤波器。然而，大量的仿射参数需要预先存储在局部缓存中，必然引起较大的访存延迟。

虽然深度神经网络类算法在大多数情况下效果相对传统算法更加优秀，但是其存在：①训练数据问题；②模型解释问题；③处理性能问题。限制了其在座舱显示交互类应用的部署。因此，目前来说，在座舱显示交互领域，还是倾向于传统的处理方法。

本文针对FPGA的软硬件处理特性，改造经典的双边滤波图像增强方法，实现特定领域红外图像细节增强算法。该算法通过建立局部缓存机制和查表机制实现FPGA端传输处理一体化的计算架构。算法仅缓存必须的局部像素，少量延迟即可输出计算结果，不需要进行全局图像缓存，极大地加速了计算过程。经过加速优化的红外细节增强算法，能够对4k分辨率图像实现实时处理，几乎不会增加额外的缓存延迟，满足座舱显示应用需求。

2 红外图像细节增强加速算法

2.1 基于双边滤波的细节增强

单幅图像I可以分解为低频分量IL与高频分量IH两部分，即

I(p)=IL(p)+IH(p)

(1)

式中,p=[row,col]T为像素位置索引。任意位置的图像低频分量可以通过空域平滑滤波得到，即

IL(p)=f(I(p))

(2)

式中，f(·)为空间域滤波函数，通常表示对图像I的邻域像素进行加权平均。在得到图像低频分量之后，高频分量直接通过公式(1)得到，即IH(p)=I(p)-IL(p)。图像的细节部分体现在图像的高频分量中，通过对图像高频分量进行适当增益即可实现图像的细节增强，即

IE(p)=IL(p)+γ·IH(p)

(3)

式中：IE为细节增强后的图像；γ>1为细节增强系数，通过对IH分量的增益实现图像细节的放大。

如果f(·)为高斯滤波器等各向同性滤波器，会使得图像边缘部分模糊化，无法保持细节，造成所谓的光晕(halo)现象。基于性能和加速潜力，本文选用双边滤波器进行图像低频分量的提取，即

式中：S为q的滤波半径覆盖的邻域像素位置；‖·‖为距离范数，通常采用2次范数，Gσs(·)和Gσr(·)分别为空域高斯(spatial Gaussian)和值域高斯(range Gaussian)滤波函数，Wp为归一化系数

(5)

双边滤波器过程中空间距离和像素值同时相近的像素点才能具有更强的相似性和较大的滤波权重。在图像边缘位置，即使图像空间位置相近，但是像素值差异较大，其对应的滤波权重较低，因此能够实现边缘保持滤波，避免光晕现象。

虽然双边滤波具有较好的图像低频分量提取效果，但是对每一个像素，假设滤波半径为R，则需要进行(2×R+1)2次加权计算。当R>1时，计算复杂度呈几何倍数增加，急剧增加了算法处理的数据量。

2.2 基于FPGA的并行加速方法

在基于FPGA的图像处理系统中，像素数据通常按照顺序从左上角像素到右下角像素逐个传输，通常一个时钟周期能够读取一个像素值到局部缓存中。而图像细节增强算法具有局部性，对于处理过的像素，局部缓存的相邻像素值就可以抛弃，这就避免了对整个图像的缓存，形成典型的处理数据流。同时对单个像素的操作过程中，整个逻辑电路组成pipeline，以保证每个时钟周期内可以输出一个像素。本文提出一种基于局部缓存的图像细节增强方法(buffer based image detail enhancement,BIDE)，通过采用少量局部缓存以及相应的查找表进行加速，实现了大分辨率红外图像细节增强。

图1 图像细节增强加速算法图示

如图1所示，假设滤波半径R=1, 输出像素只与输入3×3邻域像素相关。加速过程仅需维护line-buffer和window-buffer 2个缓冲区。其中line-buffer保存前2行输入像素值，window-buffer则维护当前需要滤波像素的邻域像素值。通过不断更新输入像素，并舍弃不参与计算的像素值，利用最小的缓存实现增强像素的输出。具体的BIDE加速算法如下所示：

algorithm 1: buffer based image detail enhancement

input: current pixelI(p); window bufferbwin; line bufferbline; filter radiusR=1; scale factorγ=2.

output: detail enhanced pixelIE(p).

1 for each input pixelI(p),p=[row,col]T

2 step(1): left shift window buffer:

3bwin(i,j)=bwin(i,j-1), 0

and 1

4 step(2): read right column:

5bwin(0,0)=I(p) ;

6bwin(1,0)=bline(0,col);

7bwin(2,0)=bline(1,col);

8 step(3): up shift line buffer

9bline(2,col)=bline(1,col)；

10bline(1,col)=bline(0,col)；

11bline(0,col)=I(p);

12 step(4): apply image detail enhancement for each pixel

13IE(p)=f(I(p))+γ(I(p)-f(I(p))), local filter rangeS=bwin.

在遍历像素时，可以通过Xilinx HLS中的#Pragma HLS PIPELINE指令来指导综合过程，使得一个时钟周期能够处理一个像素，降低算法延迟。算法step(4)中，主要计算量为局部双边滤波函数f(I(p))。此时参与局部滤波的像素值已经全部读入window-buffer中，需要逐像素加权平均space weight和range weight后即可输出滤波值。而局部图像之间的相对位置关系已经确定，因此可以采用图2的space table提前存储空域权重。同样，图像的之间的亮度差值范围确定后，可以提前计算并存储range table，在计算的过程中仅需查找表即可实现滤波输出，极大地降低计算量。space table和range table 可以通过Xilinx HLS中的#pragma HLS ARRAY_PARTITION指令指定为寄存器变量，以增加其访问速度。

图2 基于查找表的局部双边滤波加速

2.3 边界条件

如图3所示，在上述BIDE算法中，假设R=1，则输入像素扫描到第3行时，才输出第2行像素。同样，当输入像素扫描到最后1行时，输出倒数第2行像素。此时，对于边界像素如果进行复杂的逻辑判断，则会极大地提升延迟，本文算法直接输出输入像素，对结果影响不大。同样起始列和末尾列像素的计算过程中，window buffer跨行填充，无法保证参与计算的邻域像素值完全正确，此时也不必进行复杂逻辑判断，仅需正常window buffer计算，实现循环滤波，对结果影响也不大。

图3 BIDE算法的边界条件

3 实验对比与分析

3.1 实验条件

为了验证本文提出的BIDE算法的有效性，采用Xilinx V7 690T FPGA芯片进行算法部署(BIDE-FPGA)，采用Xilinx HLS 高层次综合环境进行综合，编程语言采用HLS C++。为了验证算法相对嵌入式通用处理器的优势，采用Nvidia TX2多核ARM计算平台对C++算法进行部署(BIDE-CPU)。同时，在TX2平台实现了基于迭代双边滤波器的图像细节增强算法(PIDE)[5]，并采用单核、双核和四核版本进行算法对比，验证本文提出算法的性能。

3.2 实验结果

如图4所示，通过对红外光谱图像进行BIDE细节增强，能够提升整个画面的细节呈现度。在一些较暗区域显著提升了对比度，凸显了增强细节，提升人员对传感画面的辨识程度。

图4 BIDE算法图像增强结果

如表1所示，验证了BIDE算法在FPGA平台上综合后的性能表现。滤波半径R=3的情况下，HLS综合工具给出相应的Latency和Interval。在4k分辨率(4 096×2 160)下所需Interval仅为9 333 362。对比4k分辨率的像素数量(8 847 360)，近似达到一个时钟周期输出一个滤波值的极限加速性能。在250 MHz(时钟周期4 ns)下对应运行时间仅为37.3 ms，帧率26.8 frame/s。Latency时钟周期仅比Interval多3 061，对应12.24 us，几乎可以忽略。因此，BIDE-FPGA 算法具有实时的计算性能，同时缓存延迟接近于0。

表1 多个分辨率下算法指标 (时钟周期)

表2对比了不同分辨率下本文算法在FPGA端(BIDE-FPGA)和CPU端(BIDE-CPU)的性能表现，同时对比PIDE算法在不同运行核数的表现。为了保持一致性，本文算法按照250 MHz运行频率换算为对应的图像处理时间。可以看出，BIDE算法在FPGA进行部署后，算法处理时间效率提升50倍以上，满足实时处理需求。对比CPU端优化的PIDE算法，BIDE-FPGA算法相对4核算法减少5%左右运行时间。

表2 不同算法的处理时间对比 ms

本文处理算法的数据缓存延迟几乎可以忽略。对于CPU端算法，以嵌入式计算系统中常用的ARINC818视频总线速度4.25 Gb/s，对于4k分辨率红外数据进行缓存，至少需要24 ms的缓存时间。缓存过程中无法进行计算，因此该延迟无法隐藏在计算中。本文的BIDE算法缓存时间(12.24 μs)对比CPU端算法延迟几乎可以忽略。

同样对于不同的滤波半径R，单像素处理数据量按照滤波半径R的平方增加，处理时间在CPU端也急剧增加，如图5所示。然而在FPGA端，处理时间增加非常有限，如图6所示。这是因为在FPGA端，额外的计算量只是增加了部分逻辑电路，对于形成流水并行的图像处理队列，还能保持一个周期输出一个滤波像素的优异性能。

图5 BIDE-CPU性能表现

图6 BIDE-FPGA表现

4 结 论

本文面向座舱显示领域低延迟、高帧率的红外图像细节增强处理需求，对传统基于双边滤波器的图像细节增强算法进行加速。针对FPGA平台的软硬件特性，提出基于line buffer和window buffer的并行加速方案。通过FPGA的pipeline机制，结合space table和range table等方式实现红外细节增强算法的极限加速。对4k分辨率图像达到37.3 ms的处理性能，并且附加的存储延迟几乎为0，极大地满足了座舱显控系统大分辨率红外图像细节增强的需求。