基于FPGA的暗原色去雾算法硬件实现的中期报告.docx

基于FPGA的暗原色去雾算法硬件实现的中期报告
一、研究背景与意义
图像去雾是计算机视觉领域的热点研究问题之一，其目的是消除照片中的雾霾干扰，以获得更清晰的图像。传统的图像去雾方法主要基于物理模型和统计分析方法，存在计算复杂度高、运行时间长、边缘锐化不够等问题。为了解决这些问题，近年来，学者们提出了许多基于深度学习的图像去雾算法，这些算法利用深度神经网络从大量图像数据中学习并自动提取图像的特征，能够取得较好的去雾效果，同时具有运行速度快、准确度高等优点。而在实现方面，FPGA具有并行计算能力强、功耗低、易于量产等优点，可以有效地加速深度学习算法的计算。
本课题旨在基于FPGA实现一个基于深度学习的暗原色去雾算法，并探究其实现方式和加速效果。
二、研究任务
本课题的研究任务包括以下方面：
1.综合各种基于深度学习的图像去雾算法，选择一款适合FPGA实现的算法，并进行算法分析和优化。
2.设计并实现基于FPGA的暗原色去雾算法，包括硬件电路设计和软件程序设计两个部分。
3.分析和优化实现方案，提高算法的效率，同时考虑显存容量、带宽等因素对系统性能的影响。
4.验收实现效果，评估加速效果，并与其他基于深度学习的去雾算法进行对比。
三、研究内容
1.算法选择与优化
目前基于深度学习的图像去雾算法主要有直接逆模型法和传统先求雾密度再根据雾模型求解逆模型的方法两种，本课题将采用先求雾密度再求逆模型的方法，具体算法为AOD-Net(AtmosphericOpticalDepthNet)。
在选择算法的同时，我们将通过对算法进行深入研究和分析，进一步优化原有的算法。具体而言，我们将从算法滤波器设计、神经网络结构调整、数据预处理等方面入手，尝试提高算法的计算性能和去雾效果。
2.硬件电路设计
针对AOD-Net算法的特点，我们将设计一个硬件电路来高效加速算法的计算。基于FPGA硬件平台，我们将利用硬件并行处理的优势，对算法进行加速优化，同时考虑资源占用问题，尽可能提高硬件的利用效率和计算速度，从而提高算法的实时性和性能。
3.软件程序设计
除了硬件电路设计之外，我们还将编写一些软件程序，对硬件电路进行控制和调试。这些程序主要包括：数据传输程序、控制程序、调试程序等。基于这些程序，我们可以实时控制硬件电路的运行状态，检测算法的各项指标，对算法进行调试和优化。
四、预期成果
通过本次研究，我们将设计并实现一个高效的基于FPGA的暗原色去雾算法，并对其加速效果进行评估和分析。我们预计可以取得如下成果：
1.实现一个全新的基于FPGA的暗原色去雾算法。
2.探究基于深度学习的去雾算法在FPGA平台上的实现方法，取得较好的加速效果。
3.为后续基于FPGA的计算机视觉研究提供经验和参考。
5.参考文献
1.He,K.,Sun,J.,&Tang,X.(2011).Singleimagehazeremovalusingdarkchannelprior.IEEEtransactionsonpatternanalysisandmachineintelligence,33(12),2341-2353.
2.Cai,B.,Xu,X.,Jia,K.,Qing,C.,&Tao,D.(2016).DehazeNet:Anend-to-endsystemforsingleimagehazeremoval.IEEETransactionsonImageProcessing,25(11),5187-5198.
3.Berman,D.,Treibitz,T.,&Avidan,S.(2016).Non-localimagedehazing.ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition,1674-1682.
4.Li,Y.,Tan,R.T.,Lim,J.H.,&Brown,M.S.(2017).AOD-Net:All-in-onedehazingnetwork.ProceedingsoftheIEEEInternationalConferenceonComputerVision,4780-4788.
5.Li,Y.,Tan,R.T.,Tan,Y.,&Cutler,B.(2018).Learningaconvolutionalneuralnetworkfornon-uniformmotionblurremoval.ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition,9144-9152.