圖像運動檢測的子場編碼范文
本站小編為你精心準備了圖像運動檢測的子場編碼參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
《電視技術雜志》2014年第十一期
PDP輸入信號一般為256灰度級RGB三基色信號。在內部信號處理過程中，需要考慮使用產生DFC較少的灰度級構成關鍵灰度體系以解決動態圖像DFC問題，同時還要考慮采用完整的256灰度級體系以解決靜態圖像的灰度級輪廓現象。因此，通常需要將兩種方法綜合考慮，找到一個灰度級數量的平衡點來實現灰度級顯示。這種在兩種灰度級方案中折中選擇平衡點的算法，并不能完全解決動態偽輪廓和低灰度級輪廓問題。為了適應不同運動狀態的圖像對灰度級顯示的需求，本文提出了根據圖像的運動速度采用不同的灰度級方案進行圖像的灰度級處理的方法，既不損失靜態圖像的灰度細節，又可以解決動態圖像的DFC問題。
1．1運動圖像檢測實現方法傳統的運動速度預測和判斷方法，主要是將相鄰第N和N+1幀的圖像進行存儲，然后對圖像不同幀的相同特征點進行進行計算比較。這種算法不僅需要較大的硬件存儲空間，而且在運動速度和方向判別時進行復雜的計算，難以采用硬件的方法實現［8］。為了簡化計算難度，提高運動狀態的判斷速度，本算法主要采用視頻數據的變化率對DFC的影響來判斷圖像的運動狀態，這種變化率主要包括運動方向、運動大小以及灰度級的變化。在判斷中，采用第N幀與第N+1幀之間的數據變化作為引起一幀圖像出現DFC現象的主要判斷依據，并采用行與行之間的數據變化對局部空間內可能出現DFC現象進行精準判別。這種采用數據的變化情況作為圖像運動狀態的判別可以簡化程序，更易于硬件實現。整個運動狀態判斷算法實現過程中，需要預設置幀灰度閾值DF1，DF2和行內像素灰度閾值DP1和DP2作為判斷圖像的運動狀態標準。然后統計圖像的第N幀與第N+1幀數據的灰度差ΔDF以及第N幀中相同行內數據的灰度差ΔDP。在此基礎上，將兩幀數據灰度差和相同行數據的灰度差與閾值進行判別，可以得到視頻圖像的三種運動狀態:1)靜止圖像，其第N幀和第N+1幀圖像中幀數據變化值ΔDF低于DF1。2)運動圖像，其第N幀和第N+1幀圖像中幀數據變化值ΔDF高于DF2。3)混合圖像，其圖像中第N幀和第N+1幀數據變化在兩個幀閾值之間，即一部分圖像存在運動的情況。具體圖像運動狀態判斷方法如表1所示。上述算法中，靜止和運動圖像的判斷主要以輸入數據的灰度變化量為基準來考慮。而混合圖像的處理有兩個判別標準:幀灰度閾值和行內像素灰度閾值。當幀灰閾值滿足條件后才會進入行內像素判斷過程。行數據變化大于行像素閾值DP2的時候進入高速運動圖像灰度級處理模式，當行數據變化像素閾值DP1時進入低速運動圖像灰度級處理模式。當數據的變化在兩個數據之間的時候采用中速灰度級處理。
1．2子場編碼優化算法的實現子場編碼的優化算法主要是根據運動狀態檢測來選擇不同的編碼方式。靜止圖像沒有DFC現象，顯示中的細節損失主要是由灰度級輪廓形成，因此顯示時使用全灰度級顯示來減少灰度級輪廓。運動圖像和混合圖像會出現DFC現象，這種情況下DFC現象導致灰度級反轉，引起畫面失真，因此需要采用較少的灰度級實現整個顯示灰度體系的重構。運動圖像的DFC產生主要是由于采用ADS驅動方法造成了各個子場的維持脈沖數量差異，這使得各個子場發光中心在時間軸上分布具有不均勻性。在實際視頻顯示中，如果第N幀和第N+1幀圖像中相鄰像素數據灰度級接近，而子場編碼使得兩者發光亮度最大值的位置相差很遠，就有可能在運動過程中出現DFC現象。DFC現象的嚴重程度和圖像的運動速度、亮度最大值、亮度最大值的位置等均有關系，可以采用GCC方式選擇編碼來減少DFC現象。通過式(1)能夠分析出各種編碼方式最容易產生發光權重跳變的灰度級，并將這種有跳變的灰度級刪除，使用半色調算法還原整個灰度級。特別是在采用10子場編碼時，使用發光權重的評估優化可以利用冗余編碼優化子場權重的排列方式，最大限度地減少編碼方式對運動圖像的影響。混合圖像主要由靜止的背景和移動的物體構成，如果對這種圖像直接采用全灰度級方案，就會在運動圖像上產生較為嚴重的動態偽輪廓。而完全采用運動圖像的最小灰度級又不能保證靜止的背景上顯示細節，出現低灰度級輪廓現象。因此，混合圖像的灰度級選擇不能固定為某一種方式而是要對整幅圖像劃分區域采用多種灰度級數量及構成方式的動態選擇。在算法說明中混合圖像僅采用了三種灰度級方案，在實際使用過程中，可以根據圖像的需要增加多種像素閾值來實現更多灰度級方案的處理，以到達更好的顯示效果。如果采用圖像邊緣檢測對混合圖像的邊緣進行劃分，不僅算法復雜而且難以適應高速的視頻圖像處理要求。因此，在實際使用中簡化成每行內的區域劃分，這樣的劃分方式可以變成相鄰像素的變化率判別。當變化率高于預先設定的一段閾值時，相應地采用一種灰度級編碼方式。根據PDP子場特性，這種偽輪廓更容易在橫向產生，因此這種檢測主要依據了橫向的行內圖像變化來進行判斷選擇，以達到提高動態圖像畫質的目的。
1．3算法流程圖整個算法在實現過程中分為檢測和處理兩個部分，首先通過統計第N和第N+1幀的ΔDF分別與DF1、DF2比較確定該幀圖像的整體運動狀態，并選擇全灰度級編碼和運動圖像編碼方式進行灰度級處理。當顯示圖像介于完全運動和基本靜止圖像中間的混合運動狀態時，則進行逐行子場編碼的方式處理灰度級重構。在每一行內部分別采用低速、中速和高速進行不同灰度級和編碼方式的選擇，以減少DFC現象，提高顯示畫質。具體算法圖1所示。整個硬件電路主要是在原有PDP控制電路設計中增加了運動圖像檢測模塊和灰度級編碼映射表，如圖2所示。在實際使用中，首先利用不同灰度級編碼方法實現編碼方式的優化，然后通過運動檢測來計算幀數據灰度差和行內數據灰度差與閾值比較，確定運動速度，并通過不同運動速度的判斷選擇不同的灰度級編碼方式輸出，即可實現。
2結果及討論
采用10子場［1，2，3，7，12，17，26，43，59，85］編碼方式，選擇XILINIX的FPGASpartan－3ADSP1800A芯片對整個算法進行功能驗證，所得結果如圖3所示。算法通過采用幀狀態信號以及混合速度判斷信號對整幅運動狀態進行靜態、動態和混合運動狀態的判斷，并采用行狀態信號對一行內數據的運動狀態進行進一步的區別。本段驗證主要是截取了一幀混合數據中的多行數據。從結果可以看到狀態判斷信號會根據輸入數據不斷切換。當輸入數據在兩個相鄰數據閾值之間的時候為高，選擇中間灰度級的子場編碼;當輸入數據在兩個相鄰數據閾值之外的時候為低，選擇最高或者最低灰度級編碼方式。采用MATLAB對256灰度級圖像進行運動狀態算法仿真，可以發現未使用該方法時動態圖像DFC現象比較嚴重，在若干灰度級上會出現灰度失真，灰度級出現反轉，顯示圖像的灰階和實際圖像不符，見圖4a。在使用該方法后，灰度級變化平滑，灰度級反轉減少，圖像的灰度級失真得到了控制，如圖4b所示。采用FPGA作為控制芯片在50in(1in=2．54cm)高清PDP模組中對算法進行實際顯示驗證，并使用移動的臉部畫面作為測試圖像。結果表明，未使用本算法前，顯示的臉部圖像會有明顯的斑紋和灰度級反轉，導致運動圖像臉部出現不同的DFC現象，特別是眼部、嘴部和鼻部等灰度級較多的部分最為明顯，見圖5a。使用該算法后，臉部過渡較為自然，斑紋和灰度級反轉得到了抑制，顯示畫質得到了明顯提高，見圖5b。
3結論
采用有限灰度級來解決DFC問題是目前PDP常用的算法，但算法不可避免地在靜態區域造成低灰度級圖像輪廓現象。基于圖像運動檢測的子場優化編碼算法在考慮動態圖像和靜態圖像各自特點的基礎上，采用圖像幀數據以及行數據變化值和預先設定的閾值比較來判斷圖像運動狀態，并針對每種運動狀態圖像采用不同的處理方式來解決DFC現象，同時避免了圖像的灰度級輪廓。實驗證明，這種方式可以有效減少圖像的動態偽輪廓現象，提高PDP顯示畫質，并具有算法簡單，易于實施的優點。
作者：韋海成趙靜單位：北方民族大學電信學院寧夏大學計算機學院
