影像算法在FPGA中的实现 - 医疗影像算法的发展趋势及实现方法简介

　　6.影像算法

　　各种影像算法通常在FPGA中实现，包括图像增强、稳定、小波分析和分布式矢量处理等。

　　一般采用卷积（线性）滤波来实现图像增强。高通和低通滤波后的图像经过线性组合，由矩阵乘法模板进行加权，产生的图像增强了细节，同时降低了噪声。

　　视频图像稳定技术对视频数据序列中的旋转和缩放效果进行归一化处理，以平均连续帧中的噪声。这还平滑了从视频中提取的静止图像的锯齿边沿，能够纠正大约1/10象素的图像抖动。

　　为获取信号中的事件信息，小波分析使用可变窗口技术每次分析一小部分信号。小波分析对精确的低频信息使用较长的时间间隔，对高频信息使用较短的间隔。小波应用包括探测不连续点以及断点、探测自相似、抑制信号、去除信号噪声、去除图像噪声、压缩图像以及大型矩阵快速乘法运算等。

　　最近开发的S变换（ST）结合了FFT和小波变换。它揭示出频率随空间和时间的变化。其应用包括纹理分析和噪声滤除等。但是，ST的计算量较大，采用传统的 CPU实现起来速度太慢。分布式矢量处理技术解决了这一问题，它在FPGA中同时采用矢量和并行计算，处理时间缩短了25倍。

　　一种癌症早期探测的方法利用了病人的重新造血能力。数字传感器探测人体辐射出的红外能量，从而“看到”由于癌症导致血流增加而出现的微小差异。其典型实现基于可编程心缩矩阵，采用了通用工作站以及FPGA专用硬件引擎来实现。和目前的高端工作站相比，该引擎将核心算法速度提高了近1，000倍。

　　这些复杂影像算法需要哪些关键FPGA构建模块函数呢？ 在CT重建中，需要插值、FFT和卷积函数。在超声中，处理方法包括颜色流处理、卷积、聚束、混合和弹性估算等。普通影像算法包括颜色空间转换、图形覆盖、2D/中值/时间滤波、缩放、帧/域转换、对比度增强、锐化、边沿探测、限幅、平移、极坐标/笛卡儿坐标转换、不均匀校正以及象素替换等函数。

　　可更新的平台

　　很多影像系统以前都采用专用计算系统进行构建。现在，随着高性能COTS CPU板的推出，系统工程师可以采用更现成的方法。虽然软件自己可以完成很多算法的非实时处理，但实时影像处理还是需要辅助硬件。目前的FPGA内置了 DSP模块、宽带存储器模块和大量的可编程单元，是实现这些辅助硬件的理想器件。

　　Altera与其合作伙伴密切协作，实现了FPGA协处理资源和COTS CPU解决方案的可靠集成。对于Intel和AMD单板计算机（SBC），内置了串化器/解串器的Stratix II GX FPGA能够直接实现PCI Express兼容协处理器板，承担算法功能。对于双插槽的AMD SBC，Altera合作伙伴XtremeData提供协处理器子卡，直接插入到一个Opteron插槽中，提供非常好的CPU+FPGA处理方案（参见图1）。对于性能要求更高的大计算量应用，四插槽AMD SBC可以提供多种CPU+FPGA协处理器组合方案（1+3，2+2或者3+1）。可以采用多个1-U刀片服务器来实现非常灵活的平台，每个刀片完成 CPU+FPGA协处理器方案。