基于DSP的雙層流水線在弱小目標檢測中的應用

王忍寶，許四祥，翟健健，侍海東

?

基于DSP的雙層流水線在弱小目標檢測中的應用

王忍寶，許四祥，翟健健，侍海東

（安徽工業(yè)大學 機械工程學院，安徽 馬鞍山 243032）

針對工業(yè)現場中復雜背景下弱小目標檢測的難題，提出了一種基于DSP的雙層流水線的弱小目標檢測新方法。該方法以雙層流水線算法為背景，以半因果支持域背景預測為輔助，以DSP硬件圖像處理系統平臺為核心。利用C語言編寫檢測弱小目標的雙層流水線算法，通過DSP集成開發(fā)軟件Code Composer Studio 3.3進行移植、編譯、調試及優(yōu)化，將調試無誤的算法程序燒寫到DSP中，應用于高溫鎂熔液中弱小目標的檢測。實驗結果表明基于DSP的雙層流水線方法可以有效檢測出弱小目標，為實現工業(yè)現場弱小目標的實時檢測奠定了基礎。

DSP；雙層流水線；弱小目標；Code Composer Studio 3.3

0 引言

弱小目標的檢測一直是圖像處理領域的熱點和難點，在復雜背景下，因其目標成像面積小，缺乏結構紋理特征，信噪比小，故極易淹沒在背景雜波中[1-3]。近年來國內外學者對其研究也越來越多，文獻[4]采用形態(tài)學帶通濾波器對紅外圖像進行預處理并提取弱小目標的RoI；侯旺等人[5]提出了一種基于分塊速度域RMTI算法，解決了弱小目標檢測實時性的難題；此外，文獻[6]中運用改進的背景預測和雙層流水線算法實現了鎂熔液表面第一氣泡的實時檢測。然而，前人對弱小目標研究較多局限于Matlab軟件仿真，與工程化應用存在一定的距離；而隨著數字信號處理（DSP）技術的不斷發(fā)展，其由于多集成、實時性、并行處理能力強等優(yōu)勢，克服了Matlab在工程應用上的局限性，在工業(yè)現場弱小目標的實時檢測發(fā)揮重大作用。如采用改進的形態(tài)濾波算法和Top-hat濾波算法進行信息融合，結合硬件DSP較好實現了低信噪比下弱小目標圖像的檢測[7-8]；王克勇[9]等人也采用DSP芯片和局部紋理分析檢測方法有效地檢測出了占極少像素的弱小目標。因此，本文利用構建的DSP系統平臺，設計一種快速的雙層流水線檢測算法，用于工業(yè)現場鑄造鎂合金液態(tài)質量檢測中鎂熔液復雜背景下的弱小目標檢測，為工業(yè)現場鎂熔液含氫量的實時檢測奠定基礎。

1 DSP檢測平臺及流水線算法原理

1.1 圖像檢測平臺

DSP圖像檢測平臺所使用的芯片是TMS320DM642（簡稱DM642），它是TI公司推出的一款高性能數字信號處理，與其他芯片相比，具有開發(fā)周期短，芯片功耗低，產品穩(wěn)定性高[10]等特點，且包括一個新的C編譯器，1個簡化程序和調度的組裝優(yōu)化器，1個具有執(zhí)行代碼可見性的Windows調試窗口的完整發(fā)展工具[11]，是目前定點DSP領域里性能較高的一款。其檢測系統平臺如圖1所示。

該平臺以Code Composer Studio 3.3（簡稱CCS3.3）為編程載體，以XDS560仿真器為媒介，以DM642為核心。首先根據硬件結構和控制寄存器設置，初始化系統并編寫算法程序，在CCS3.3開發(fā)環(huán)境下利用Profiler工具進行程序優(yōu)化產生.OUT文件；其次利用Load Program將產生的.OUT文件通過USB口連接的XDS560仿真器，將其燒寫到DSP中，并在CCS3.3中運行Main程序；最后根據運行結果，分析程序性能，對其反復改進優(yōu)化，直到獲得滿足性能要求的程序。

1.2 半因果支持域最大化背景預測

最大化背景預測能有效抑制背景噪聲，適用于復雜背景中弱小目標的檢測；然而其預測窗口選取的背景點數多，計算量較大，存在運算速度慢的缺點[12]，不利于實時檢測。支持域有因果支持域、半因果支持域和非因果支持域3種基本形式；半因果支持域不僅兼顧了因果支持域弱小目標檢測的優(yōu)異性能，而且具備非因果支持域對雜波抑制的優(yōu)勢[13]。比較7×7的背景預測窗口，半支持域背景預測僅選用其預測窗口中的17個點，在處理時間上有著其他算法不可比擬的優(yōu)勢。

因此，本文通過半因果支持域對最大化背景預測的預測窗口進行改進，進而達到改進最大化背景預測算法的目的，改進的最大化背景預測模型如式(1)到式(6)所示：

式中：1(,)和2(,)為預測灰度值；1(,)和2(,)為×支持域的等權重權值矩陣；(＋,＋)為領域內以被測點為中心的像素點灰度值；max(,)為最終預測值；(,)為預測殘差圖像；1和2為－45°方向的半因果支持域對。

1.3 雙層流水線結構

流水線結構是一種并行技術，也稱為管道，是一個由幀組成的先進先出的隊列，在每個幀周期，從隊列的底部刪除1幀而在隊列的頂部添加1幀，用來更新管道。該技術在各個領域已得到廣泛應用，并且已證實，采用流水線技術檢測序列圖像中弱小目標能夠加快運算速度[14]。本文設計的雙層流水線結構示意圖如圖2所示。

圖1 DSP檢測平臺

圖2 雙層流水線結構示意圖

Fig.2 Double-pipeline architecture schematic diagram

2 算法設計與檢測

弱小目標檢測算法多種多樣，本文在構建的DSP檢測系統平臺上，設計了一種基于DM642的雙層流水線算法，能有效檢測出鎂熔液中的弱小目標。該算法原理主要是先對序列圖像進行背景預測處理，同時初始化雙層流水線管道；然后采用自適應閾值分割和形態(tài)學開運算去除噪聲點，獲得真正的目標。此檢測算法流程如圖3所示。

圖3 檢測算法流程圖

1）圖像A、圖像B和圖像C分別為弱小目標析出前的連續(xù)3幀圖像，圖像D為析出后的第一幀圖像。

2）預處理采用7×7半因果支持域最大化背景預測模型，利用該模型先對A圖像進行處理，去除圖像中的噪聲點，將獲得的圖像與A圖作差分運算，得到預處理圖像；然后依次處理B、C和D圖像，得到三幀預處理圖像；將所得四幀圖像進行交叉差分運算，得到兩幀殘差圖像。

3）經過交叉差分處理后，圖像中除了包含目標點外，還包含一些類目標干擾信息和噪聲點。為消除干擾信息和噪聲點，對圖像進行自適應閾值分割，選取閾值分割加權系數＝16，并初步分離出目標點。對分割后的二值圖像再進行差分運算和自適應閾值分割，獲得含有目標點的圖像。

4）形態(tài)學運算是用來去除比結構元素小的亮點，同時保持所有的灰度級和較大的亮區(qū)特性相對不變[15]。選用結構元素為3×3垂直結構元素，參數為1，對經過自適應閾值分割處理后的圖像作腐蝕運算，去除噪點，獲得檢測結果。

其中，自適應閾值分割算法的數學表達式如式(7)和式(8)所示：

式中：(,)、(,)分別表示預處理圖像的灰度值和閾值分割處理后圖像的灰度值，其中閾值表示自適應閾值法確定的閾值：

＝mean＋(8)

式中：mean、、分別表示預處理圖像的灰度均值、閾值分割加權系數和預處理圖像的灰度均方差。

3 實驗結果分析

本實驗中圖像大小為560×530，實現檢測目標的程序主要包括主程序main.c、命令文件.cmd、庫文件img64.lib、rts6400.lib、cslDM642.lib以及.gel文件等幾部分。

通過C語言進行編程，在CCS下進行編譯、調試、優(yōu)化、運行，實現了弱小目標的檢測。在算法設計過程中，采用半因果支持域最大背景預測，同時在檢測過程中采用了數據邊讀邊丟的策略，這樣無需分配整幅圖像空間的中間變量，提高了數據訪問速度和圖像處理速度。利用編寫好的C程序，讀取弱小目標析出前的連續(xù)三幀圖像A，B，C和析出后的一幀圖像D。其循環(huán)函數讀取的程序如下：

for(m=t; m<=j; m+=2)

{

int i, j, k;

unsigned char *pWork;

FILE *fp;

switch(m)

{case t:if ( fp=fopen("t.bmp","rb" ) )

{

fseek(fp,1078L,SEEK_SET);

pWork=dbImagee+(IMAGEHEIGHT-1)*IMAGEWIDTH;

……

}

}

}

圖4為弱小目標檢測算法圖像，其中白色方框內為弱小目標。

4 結論

本文提出了一種基于DSP的雙層流水線弱小目標檢測方法，利用構建的圖像處理檢測平臺，并設計基于半因果支持域最大化背景預測的雙層流水線算法，通過CCS3.3移植到檢測平臺上，應用于鎂熔液中弱小目標的檢測，檢測結果良好。驗證了此弱小目標檢測方法在實際應用中的可行性，同時彌補了Matlab軟件仿真在工程應用上的不足，為后續(xù)工業(yè)現場進行鎂熔液含氫量的實時檢測奠定了重要基礎。

圖4 弱小目標檢測算法圖像

[1] 管志強, 陳錢, 錢惟賢, 等. 一種基于算法融合的紅外目標跟蹤方法[J]. 光學學報, 2008, 28(5): 860-865.

GUAN Zhiqiang, CHEN Qian, QIAN Weixian, et al. Infrared target tracking algorithm based on algorithm fusion[J]., 2008, 28(5): 860-865.

[2] 楊琳娜, 安瑋, 林再平, 等. 基于空間距離改進的視覺顯著性弱小目標檢測[J]. 光學學報, 2015, 35(7): 0715004.

YANG Linna, AN Wei, LIN Zaiping, et al. Small target detection based on visual saliency improved by spatial distance[J]., 2015, 35(7): 0715004.

[3] MA Ke, PENG Zhenming, HE Yangmin, et al. An improved method for dim infrared target detection with nonsub sampled Contourlet transform[J]., 2013, 25(11): 2811-2815.

[4] 程塨, 郭雷, 韓軍偉, 等. 基于形態(tài)學帶通濾波和尺度空間理論的紅外弱小目標檢測[J]. 光學學報, 2012, 32(10): 1015001.

CHENG Gong, GUO Lei, HAN Junwei, et al. Infrared dim small target detection based on morphological band-pass filtering and scale space theory[J]., 2012, 32(10): 1015001.

[5] 侯旺, 于起峰, 雷志輝, 等. 基于分塊速度域改進迭代運動目標檢測算法的紅外弱小目標檢測[J]. 物理學報, 2014, 63(7): 074208.

HOU Wang, YU Qifeng, Lei Zhihui, et al. A block-based improved recursive moving-target-indication algorithm[J]., 2014, 63(7): 074208.

[6] 許四祥, 孫杰, 郭宏晨. 基于改進背景預測和流水線的弱小目標檢測[J]. 華中科技大學學報: 自然科學版, 2012, 40(8): 129-132.

XU Sixiang, SUN Jie, GUO Hongchen.Detecting weak and small targets by modified background prediction and pipeline[J].:, 2012, 40(8):129-132.

[7] 徐江豐, 張涌, 湯心溢. 紅外目標檢測的形態(tài)濾波改進算法及其DSP實現[J]. 激光與紅外, 2006, 36(8): 715-717.

XU Jiangfeng, ZHANG Yong, TANG Xinyi. An improved morphology filtering algorithm for infrared target detection and realization on DSP[J]., 2006, 36(8):715-717.

[8] 周成, 季云松, 趙毅. 一種單幀圖像紅外弱小目標檢測算法及DSP實現[J]. 激光與紅外, 2009, 39(12): 1356-1359.

ZHOU Cheng, JI Yunsong, ZHAO Yi. Algorithm of infrared small target detection and application of DSP chip[J]., 2009, 39(12):1356-1359.

[9] 王克勇, 宋承天, 鄭鏈. 基于局部文理分析的紅外小目標檢測及其DSP實現[J]. 光學技術, 2008, 34(s1): 167-169.

WANG Keyong, SONG Chengtian, ZHENG Lian. Dim target detection system based on local texture analysis and hardware implementation with DSP[J]., 2008, 34(s1):167-169.

[10] 高潮, 李天長, 郭永彩. 基于DM642的嵌入式實時多路圖像采集處理系統[J]. 微計算機信息, 2008, 24(30): 282-283.

GAO Chao, LI Tianchang, GUO Yongcai. Embedded image system based on DM642[J]., 2008, 24(30): 282-283.

[11] 趙小強. DSP原理及圖像處理應用[M]. 北京: 人民郵電出版社, 2013: 26.

ZHAO Xiaoqiang.[M]. Beijing: Posts & Telecom Press, 2013: 26.

[12] 徐軍. 紅外圖像中弱小目標檢測技術研究[D]. 西安: 西安電子科技大學, 2001.

XU Jun. Research on the detection of small and dim targets in infrared images[D]. Xian:Xidian University, 2001.

[13] 劉志軍, 陳朝陽, 沈緒榜, 等. 基于卡爾曼濾波器的背景抑制及小目標檢測[J]. 華中科技大學報: 自然科學版, 2004, 32(12): 7-9.

LIU Zhijun, CHEN Chaoyang, SHEN Xubang, et al. Background suppression and small targets detection based on Kalman filter[J].:, 2004, 32(12): 7-9.

[14] 韓客松, 王永成. 紅外序列圖像中緩動點目標的流水線檢測算法[J]. 系統工程與電子技術, 2000, 22(8): 66-67.

HAN Kesong, WANG Yongcheng. A pipeline algorithm for detecting slowly moving targets in infrared sequence images[J]., 2000, 22(8):66-67.

[15] 岡薩雷斯. 數字圖像處理（MATLAB版）[M]. 阮秋奇, 譯. 北京: 電子工業(yè)出版社, 2005: 178.

Gonzale. Translated by RUAN Qiuqi.[M]. Beijing: Electronic Industry Press, 2005: 178.

Application of Double-pipeline on Dim and Weak Target Detection Based on DSP

WANG Renbao，XU Sixiang，ZHAI Jianjian，SHI Haidong

(,,243032,)

It is difficult to detect dim and weak target in complex background on industrial scene, a new method with double-pipeline based on DSP was proposed in order to solve the problem. It was set in double-pipeline algorithm, based on semi causal support domain background prediction and centered on DSP image processing system platform. Firstly, a double-pipeline algorithm used for dim and weak target detection was programmed with C language. Then, it was operated by transplantation, compilation, debugging and optimization on Code Composer Studio 3.3，which was an integrated development environment for DSP. Lastly, debugged algorithm program was rewritten into DSP, which was applied on the dim and weak target detection in magnesium melt. Experimental result shows that double-pipeline algorithm based on DSP could detect the dim and weak target. It also lays the foundation of real-time detection of dim and weak target on industrial scene.

DSP，dim and weak target，double-pipeline，Code Composer Studio 3.3

TP391

A

1001-8891(2016)07-0587-05

2015-12-17；

2016-02-03.

王忍寶（1987-），男，安徽省臨泉人，碩士研究生，主要研究方向為機器視覺與人工智能。E-mail：wangrenbao912@163.com。

國家自然科學基金資助項目（51374007）；安徽省自然科學基金資助項目（11040606M104）。