CN113052852A - 一种基于可编程逻辑电路的图像分割方法 - Google Patents

一种基于可编程逻辑电路的图像分割方法 Download PDF

Info

Publication number
CN113052852A
CN113052852A CN202110045335.5A CN202110045335A CN113052852A CN 113052852 A CN113052852 A CN 113052852A CN 202110045335 A CN202110045335 A CN 202110045335A CN 113052852 A CN113052852 A CN 113052852A
Authority
CN
China
Prior art keywords
image
original
original image
data
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110045335.5A
Other languages
English (en)
Other versions
CN113052852B (zh
Inventor
龙腾
李宗凌
赵保军
唐林波
瓢正泉
李震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110045335.5A priority Critical patent/CN113052852B/zh
Publication of CN113052852A publication Critical patent/CN113052852A/zh
Application granted granted Critical
Publication of CN113052852B publication Critical patent/CN113052852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开的基于可编程逻辑电路的图像分割方法,通过输入并存储原始图像数据,根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化分割图像。能够解决图像分割算法实时实现在精度高时处理速度慢和硬件开销大问题,同时消除利用FPGA实现时,处理速度提升和硬件开销降低后,处理精度低的问题。

Description

一种基于可编程逻辑电路的图像分割方法
技术领域
本公开属于图像处理技术领域,特别是涉及到一种基于可编程逻辑电路的图像分割方法。
背景技术
图像分割就是把图像分成若干个特定的、具有独特性质的区域。它是由图像处理到图像分析的关键步骤。在众多的分割方法中,阈值分割法因其简单、有效而被广泛应用于图像处理领域。
Otsu法因有模式识别的相关理论为基础且图像分割性能良好,而逐渐成为一种最为流行的阈值分割技术。但是Otsu图像分割法因其计算量大,数据动态范围与处理图像大小成正相关,给通过Otsu法求取阈值的实时实现带来较大挑战。目前通过Otsu法求取阈值通常采用FPGA或FPGA+软核或DSP+FPGA或 DSP的架构实现。
防空兵指挥学院红外与射频技术研究中心在《基于双NiosⅡ的红外图像实时otsu局部递归分割算法设计》文章中,利用OTSU算法实现红外图像的分割,并且依靠并行NiosⅡ软核和硬件逻辑结合的速度优势对算法实时实现。
宁波大学在《基于OTSU算法的FPGA实时绕距测量系统》文章中,利用 OTSU算法实现图像的分割,采用纯定点处理方式实现了OTSU求取阈值方法,设计并实现了一个基于OTSU算法的FPGA实时绕距测量系统。
但上述实现方法主要存在以下问题:(1)通过FPGA或FPGA加软核求取阈值计算精度与硬件开销不能兼顾。无论单纯采用整型或单/双精度浮点数据格式,计算精度高时,计算过程需要占用大量逻辑资源,硬件开销极大。如果采取截尾操作,会引入量化误差降低信号精度。同时,为保证计算速度需占用大量乘法器进行并行操作。(2)采用DSP处理,选用双精度浮点数据格式处理,精度可以保证,但是处理速度极慢,系统实时性大打折扣。(3)采用DSP+FPGA 架构处理,实时性较DSP处理好,但是运算流程繁杂,硬件开销也较大,不利于实时实现。
发明内容
有鉴于此,本公开提出了一种基于可编程逻辑电路的图像分割方法,解决图像分割算法实时实现在精度高时处理速度慢和硬件开销大问题,同时消除利用FPGA实现时,处理速度提升和硬件开销降低后,处理精度低的问题。
根据本公开的一方面,本公开提出了一种基于可编程逻辑电路的图像分割方法,所述方法包括:
输入并存储原始图像数据;
根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;
对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;
将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化分割图像。
在一种可能的实现方式中,所述对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值,包括:
对所述预处理方形图像进行直方图统计得到所述原始图像的直方图数据;
对所述直方图数据进行绘图统计和累积直方图统计得到所述原始图像的灰度统计值和累积直方图过程值;
根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值。
在一种可能的实现方式中,根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值,包括:
将原始图像的灰度统计值和累积直方图过程值的对应点相乘得到P0;
根据所述原始图像的数据位宽和尺寸宽度截取P0得到P1,将P1平方后转换为单精度浮点数据P2;
根据所述原始图像的尺寸宽度对累积直方图终值进行截取得到P3,取P1与 P3的差的绝对值为P4;
计算累积直方图过程值的平方值P5,将所述累积直方图过程值与所述原始图像的尺寸宽度相乘得到P6,计算所述P5与P6的差的绝对值P7;
计算所述P2和所述P7对应点的商的最大值的位置D;
根据所述位置D和首个非零灰度值位置计算所述原始数据的图像阈值。
在一种可能的实现方式中,所述原始数据的图像阈值为所述所述位置D和首个非零灰度值位置的和。
在一种可能的实现方式中,用于根据输入的原始图像的尺寸对所述原始图像进行截取得到预处理方形图像,包括:
如果原始图像的尺寸为[X,Y],以所述原始图像的行位置(X-N)/2作为所述预处理方形图像的起始行位置,以所述原始图像的列位置(Y-N)/2作为所述预处理方形图像的起始列位置,截取得到预处理方形图像的尺寸为N*N,其中, N≤X,N≤Y,N=2m,且X,Y,N,m均为正整数。
根据本公开的另一方面,提出了一种基于可编程逻辑电路的图像分割系统,所述系统包括:
图像存储模块,用于存储输入的原始图像数据;
图像预处理模块,用于根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;
阈值求取模块,用于对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;
二值化处理模块,用于将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化图像分割结果。
在一种可能的实现方式中,所述阈值求取模块包括:直方图统计模块、灰度统计模块、累积直方图统计模块、参数计算模块;
所述对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值,包括:
所述直方图统计模块,用于对所述预处理方形图像进行直方图统计得到所述原始图像的直方图数据;
所述灰度统计模块,用于对所述直方图数据进行计算得到灰度统计值;
所述累积直方图统计模块,用于对所述直方图数据进行计算得到累积直方图过程值;
所述参数计算模块,用于根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值。
通过输入并存储原始图像数据,根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化分割图像。能够解决图像分割算法实时实现在精度高时处理速度慢和硬件开销大问题,同时消除利用 FPGA实现时,处理速度提升和硬件开销降低后,处理精度低的问题。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出了根据本公开一实施例的基于可编程逻辑电路的图像分割方法流程图;
图2示出了根据本公开一实施例的截取原始图像示意图;
图3示出了根据本公开一实施例的步骤S3的进一步限定方法流程图;
图4示出了根据本公开一实施例的步骤S33的进一步限定方法流程图;
图5示出了根据本公开一实施例的阈值求取模块的数据结构流程图。
图6示出了根据本公开一实施例的基于可编程逻辑电路的图像分割系统原理图;
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出了根据本公开一实施例的基于可编程逻辑电路的图像分割方法流程图。如图1所示,该方法可以包括:
步骤S1:输入并存储原始图像数据。
其中,存储的原始图像数据用于二值化处理,根据其内存大小可以将其存储在外部存储器(SRAM或DDR3),也可以存储在内部存储器(Block ARM),在此不作限定。
步骤S2:根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像。
图2示出了根据本公开一实施例的截取原始图像示意图。
在一示例中,如图2所示,如果原始图像的尺寸为[X,Y],以所述原始图像的行位置(X-N)/2作为所述预处理方形图像的起始行位置,以所述原始图像的列位置(Y-N)/2作为所述预处理方形图像的起始列位置,截取得到尺寸为N*N 的预处理方形图像,其中,N≤X,N≤Y,N=2m,且X,Y,N,m均为正整数。
如图2所示,对原始图像进行有效像素点计数pix_count,图像行计数 hblank_cnt,提取同时满足((Y+N)/2+1)=>pix_count>=(Y-N)/2;((X+N)/2+1)=> hblank_cnt>=(X-N)/2的图像数据,截取得到图像预处理后的预处理方形图像大小为N*N,则该图像四个顶点分别为A((X-N)/2,(Y-N)/2)、B(X-N)/2,Y+N) /2-1)、C(X+N)/2-1,Y-N)/2)和D(X+N)/2-1,Y+N)/2-1)。其中,A点为截取N*N的预处理方形图像起始点。其中,N为满足N≤X,N≤Y,N=2m这三个条件的最大整数,能够根据输入原始图像大小提前确定,例如输入原始图像大小为256×256,则N=256;如国输入原始图像大小为640×512,则N=512。
步骤S3:对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值。
图3示出了根据本公开一实施例的步骤S3的进一步限定方法流程图。如图3 所示,步骤S3进一步包括:
步骤S31:对预处理方形图像进行直方图统计得到所述原始图像的直方图数据。
其中,将原始图像像素点作为灰度统计存储器的读地址,读出的数据加1后再写入该地址,直到该帧图像数据输入完成后,读取灰度统计表中的数据,即为直方图统计数据hist_count(i),其中,i为正整数,i=0,1,…,k,k=2w-st-1, w为图像数据位宽,st为首个非零灰度值位置。
步骤S32:对直方图数据进行绘图统计和累积直方图统计得到所述原始图像的灰度统计值和累积直方图过程值。
其中,利用直方图数据计算得到灰度统计值sum_f=∑hist_count(i),其中, i=0,1,…,k,k=2w-st-1,w为图像数据位宽。利用直方图数据还可以计算的得到首个非零灰度值位置st=min(postion(sum_f(i)!=0)),其中i=0,1,…,k, k=2w-st-1,w为图像数据位宽。
利用直方图数据计算得到累积直方图过程值sum_c=∑(hist_count(i)× (st+i-1)),其中i=0,1,…,k,k=2w-st-1,w为图像数据位宽;还可以计算得到累积直方图终值sum_u=sum_c(k)。
步骤S33:根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值。
图4示出了根据本公开一实施例的步骤S33的进一步限定方法流程图。
在一示例中,如图4所示,步骤S33可以包括:
步骤S331:将原始图像的灰度统计值和累积直方图过程值的对应点相乘得到P0;
步骤S332:根据所述原始图像的数据位宽和尺寸宽度截取P0得到P1,将P1 平方后转换为单精度浮点数据P2;
步骤S333:根据所述原始图像的尺寸宽度对累积直方图终值进行截取得到 P3,取P1与P3的差的绝对值为P4;
步骤S334:计算累积直方图过程值的平方值P5,将所述累积直方图过程值与所述原始图像的尺寸宽度相乘得到P6,计算所述P5与P6的差的绝对值P7;
步骤S335:计算所述P2和所述P7对应点的商的最大值的位置D;
步骤S336:根据所述位置D和首个非零灰度值位置计算所述原始数据的图像阈值。
图5示出了根据本公开一实施例的阈值求取模块的数据结构流程图。如图5 所示,将灰度统计值sum_f与sum_c对应点相乘得到P0(i)=sum_f(i)×sum_c(i),其中i=0,1,…,k,k=2w-st-1,w为图像数据位宽;截取P1=P0[(2*m+2w-1):m], 其中,m=log2(N),w为图像数据位宽,N为图像尺寸宽度。P1平方后结果转成单精度浮点数据P2=single(P1*P1);截取P3=sum_u[(2*m-1):m/2],m=log2(N)。P1 与P3相减后取绝对值得P4=abs(P1-P3);求取sum_c的平方值P5(i)=sum_c(i) *sum_c(i),求取sum_c与N的乘积P6(i)={sum_c(i),m’d0},求取P5和P6 的相减后的绝对值P7(i)=single(abs(P5(i)-P6(i))),其中m=log2(N),i=0,1,…,k, k=2w-st-1,w为图像数据位宽;求取P2和P7对应点相除后的最大值对应的位置 D=postion(max(P2(i)./P7(i))),求取阈值thresh=st+D。
步骤S4:将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化分割图像。
本公开的基于可编程逻辑电路的图像分割方法,通过输入并存储原始图像数据,根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化分割图像。能够解决图像分割算法实时实现在精度高时处理速度慢和硬件开销大问题,同时消除利用FPGA实现时,处理速度提升和硬件开销降低后,处理精度低的问题。
图6示出了根据本公开一实施例的基于可编程逻辑电路的图像分割系统原理图。该系统采用并行流水处理架构,将阈值求取图像处理成N*N大小的方阵,通过移位、截位、与非逻辑运算等手段,分割原始图像,如图6所示,该系统可以包括:
图像存储模块,用于存储输入的原始图像数据;
图像预处理模块,用于根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;
阈值求取模块,用于对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;
二值化处理模块,用于将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化图像分割结果。
在一种可能的实现方式中,所述阈值求取模块包括:直方图统计模块、灰度统计模块、累积直方图统计模块、参数计算模块;
所述对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值,包括:
所述直方图统计模块,用于对所述预处理方形图像进行直方图统计得到所述原始图像的直方图数据;
所述灰度统计模块,用于对所述直方图数据进行计算得到灰度统计值;
所述累积直方图统计模块,用于对所述直方图数据进行计算得到累积直方图过程值;
所述参数计算模块,用于根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值。
本公开的图像分割系统,通过采用可编程逻辑电路设计一种并行流水处理架构实现了图像分割算法。将原始图像处理成N*N大小的方阵,便于通过移位、截位、与非逻辑运算等手段,避免大量乘除运算,大大降低阈值求取算法的计算量,有效优化处理流程。通过建立计算精度误差模型,合理选择处理数据类型,自主调度定/浮点计算,在有效降低硬件资源使用的同时,保障了图像分割算法的实时性和精度。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (7)

1.一种基于可编程逻辑电路的图像分割方法,其特征在于,所述方法包括:
输入并存储原始图像数据;
根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;
对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;
将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化分割图像。
2.根据权利要求1所述的图像分割方法,其特征在于,所述对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值,包括:
对所述预处理方形图像进行直方图统计得到所述原始图像的直方图数据;
对所述直方图数据进行绘图统计和累积直方图统计得到所述原始图像的灰度统计值和累积直方图过程值;
根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值。
3.根据权利要求2所述的图像分割方法,其特征在于,根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值,包括:
将原始图像的灰度统计值和累积直方图过程值的对应点相乘得到P0;
根据所述原始图像的数据位宽和尺寸宽度截取P0得到P1,将P1平方后转换为单精度浮点数据P2;
根据所述原始图像的尺寸宽度对累积直方图终值进行截取得到P3,取P1与P3的差的绝对值为P4;
计算累积直方图过程值的平方值P5,将累积直方图过程值与原始图像的尺寸宽度相乘得到P6,计算所述P5与P6的差的绝对值P7;
计算所述P2和所述P7对应点的商的最大值的位置D;
根据位置D和首个非零灰度值位置计算原始数据的图像阈值。
4.根据权利要求3所述的图像分割方法,其特征在于,所述原始数据的图像阈值为所述所述位置D和首个非零灰度值位置的和。
5.根据权利要求1所述的图像分割方法,其特征在于,用于根据输入的原始图像的尺寸对所述原始图像进行截取得到预处理方形图像,包括:
如果原始图像的尺寸为[X,Y],以所述原始图像的行位置(X-N)/2作为所述预处理方形图像的起始行位置,以所述原始图像的列位置(Y-N)/2作为所述预处理方形图像的起始列位置,截取得到尺寸为N*N的预处理方形图像,其中,N≤X,N≤Y,N=2m,且X,Y,N,m均为正整数。
6.一种基于可编程逻辑电路的图像分割系统,其特征在于,所述系统包括:
图像存储模块,用于存储输入的原始图像数据;
图像预处理模块,用于根据原始图像的尺寸对所述原始图像进行截取得到预处理方形图像;
阈值求取模块,用于对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值;
二值化处理模块,用于将所述图像存储模块存储的原始数据与所述图像阈值进行比较,当所述原始数据大于等于所述图像阈值时,将所述原始数据所对应的二值图像置为1,否则置为0,得到所述原始图像的二值化图像分割结果。
7.根据权利要求6所述的图像分割方法,其特征在于,所述阈值求取模块包括:直方图统计模块、灰度统计模块、累积直方图统计模块、参数计算模块;
所述对所述预处理方形图像进行统计、计算得到所述原始图像的图像阈值,包括:
所述直方图统计模块,用于对所述预处理方形图像进行直方图统计得到所述原始图像的直方图数据;
所述灰度统计模块,用于对所述直方图数据进行计算得到灰度统计值;
所述累积直方图统计模块,用于对所述直方图数据进行计算得到累积直方图过程值;
所述参数计算模块,用于根据所述原始图像的灰度统计值和累积直方图过程值计算所述原始图像的图像阈值。
CN202110045335.5A 2021-01-12 2021-01-12 一种基于可编程逻辑电路的图像分割方法 Active CN113052852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110045335.5A CN113052852B (zh) 2021-01-12 2021-01-12 一种基于可编程逻辑电路的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110045335.5A CN113052852B (zh) 2021-01-12 2021-01-12 一种基于可编程逻辑电路的图像分割方法

Publications (2)

Publication Number Publication Date
CN113052852A true CN113052852A (zh) 2021-06-29
CN113052852B CN113052852B (zh) 2023-05-05

Family

ID=76508259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110045335.5A Active CN113052852B (zh) 2021-01-12 2021-01-12 一种基于可编程逻辑电路的图像分割方法

Country Status (1)

Country Link
CN (1) CN113052852B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059870A (zh) * 2007-05-23 2007-10-24 华中科技大学 一种基于属性直方图的图像分割方法
CN105976403A (zh) * 2016-07-25 2016-09-28 中国电子科技集团公司第二十八研究所 一种基于核函数质心漂移的红外成像目标跟踪方法
CN108734111A (zh) * 2018-04-26 2018-11-02 西南电子技术研究所(中国电子科技集团公司第十研究所) Sar图像海面舰船识别方法
CN109509168A (zh) * 2018-08-30 2019-03-22 易诚博睿(南京)科技有限公司 一种针对图像质量客观评测枯叶图的细节自动分析方法
US20200311888A1 (en) * 2019-03-29 2020-10-01 Beijing Boe Optoelectronics Technology Co., Ltd. Image processing method, image processing apparatus, and wearable device
CN112200800A (zh) * 2020-10-30 2021-01-08 福州大学 一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059870A (zh) * 2007-05-23 2007-10-24 华中科技大学 一种基于属性直方图的图像分割方法
CN105976403A (zh) * 2016-07-25 2016-09-28 中国电子科技集团公司第二十八研究所 一种基于核函数质心漂移的红外成像目标跟踪方法
CN108734111A (zh) * 2018-04-26 2018-11-02 西南电子技术研究所(中国电子科技集团公司第十研究所) Sar图像海面舰船识别方法
CN109509168A (zh) * 2018-08-30 2019-03-22 易诚博睿(南京)科技有限公司 一种针对图像质量客观评测枯叶图的细节自动分析方法
US20200311888A1 (en) * 2019-03-29 2020-10-01 Beijing Boe Optoelectronics Technology Co., Ltd. Image processing method, image processing apparatus, and wearable device
CN112200800A (zh) * 2020-10-30 2021-01-08 福州大学 一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANTONG ZHAN等: "An Improved OTSU Algorithm Using Histogram Accumulation Moment for Ore Segmentation", 《SYMMETRY》 *
王永波等: "二维Otsu阈值分割算法的改进及应用", 《计算机仿真》 *

Also Published As

Publication number Publication date
CN113052852B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
US20200373946A1 (en) Decompression apparatus and control method thereof
CN111488985B (zh) 深度神经网络模型压缩训练方法、装置、设备、介质
CN111240746B (zh) 一种浮点数据反量化及量化的方法和设备
CN109840585B (zh) 一种面向稀疏二维卷积的运算方法和系统
CN111507465B (zh) 一种可配置的卷积神经网络处理器电路
CN105787898A (zh) 基于fpga的平台直方图均衡化实现方法及其装置
CN114268323B (zh) 支持行存的数据压缩编码方法、装置及时序数据库
CN113052852A (zh) 一种基于可编程逻辑电路的图像分割方法
CN110209598B (zh) 一种高速缓冲存储器、一种数据读写控制方法及系统
CN116434035A (zh) 一种二值神经网络模型的目标检测方法及其硬件加速方法
CN109215001B (zh) 基于fpga的高温差自适应平台直方图均衡实现方法
CN113141508B (zh) 算术编码器及实现算术编码的方法和图像编码方法
CN112163612B (zh) 基于fpga的大模板卷积图像匹配方法、装置及系统
CN112966596B (zh) 视频光学字符识别系统方法及系统
EP4273711A2 (en) Efficient encoding methods
US11362672B2 (en) Inline decompression
CN110569684B (zh) 一种小容量缓存的图像二值化方法
CN111507473B (zh) 一种基于Crossbar架构的剪枝方法及系统
CN110264488B (zh) 一种二值图像边缘提取装置
CN108520262B (zh) 一种基于fpga实时提取fhog特征的方法
CN111783876A (zh) 自适应智能检测电路及图像智能检测方法
CN107633525B (zh) 一种基于fpga的降噪边缘检测方法
CN104102594A (zh) 实现图像数据缓存读写控制的系统及方法
CN113900622B (zh) 一种基于fpga的数据信息快速排序方法、系统、设备及存储介质
US11409356B1 (en) Using data correlation to reduce the power consumption of signal processing systems without affecting the precision of computation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant