基于DSP的嵌入式显微图像处理系统的设计

始化模块，并调用主函数main()，由main()函数负责完成硬件资源分配及各种外围芯片工作方式的初始化设置；然后启动DSP/BIOS，并进入空闲循环周期。这时，应用程序完全由硬件中断驱动，只有产生中断时，才会执行相应的功能模块，执行完毕后跳出继续执行Idle空闲循环程序。

2.2 图像处理算法设计

当采集完一场图像后，FPGA以中断方式通知DSP，触发DSP的INT0中断。由于一场图像的时间间隔为20ms，因此每隔20ms触发一次该中断。在中断处理程序Vs_interrupt()中启动键盘扫描SWI，若有键按下，则执行相应的图像处理程序。
显微图像受光源光照强度的影响很大，采集的图像往往质量较差、亮度不均匀，目标区域不易从背景区域中分离出来。为此，需要首先对图像进行滤波处理，然后采用自适应阈值的办法将目标从背景中提取出来，并利用数学形态学的方法进一步去噪处理，最后完成对图像中目标的统计测量计算。

首先，利用中值滤波进行图像平滑，窗口大小选择3×3，采用十字状窗口。中值滤波在保持目标图像边缘的同时，去除了尖峰干扰，使图像背景的亮度更均匀，便于进一步的图像分割处理。

由于光源光照强度的影响，背景的灰度值在整幅图像中存在很大差别，如果只用一个固定的全局阈值对整幅图像进行分割，则由于不能兼顾图像各处的情况而使分割效果受到影响。为提高分割的精确性，可采用随背景灰度值缓慢变化的动态阈值分割的方法，即自适应阈值算法。具体做法是：首先将原图像分解成系列子图像，由于子图相对原图很小，因此受阴影或对比度空间变化等问题的影响会比较小；然后对每个子图计算一个局部阈值；最后通过对这些子图所得到的阈值进行线性插值，就可以得到对原图中每个像素进行分割所需要的合理阈值。分割后的二值图像再利用数学形态学变换中的开、闭运算并选取合适的算子，便可以很好地消除图像中仍然存在的少量噪声点，利于下一步的工作。

这里，在局部阈值计算时采用最大类间方差法[6]，其计算公式为：

其中：σ2(T)为两类间最大方差，WA为目标概率，μa为目标的平均灰度，WB为背景概率，μb为背景平均灰度，μ为图像总体平均灰度。即阈值T将图像分成A、B两部分，使得两类总方差σ2(T)取最大值的T，即为最佳分割阈值。

为了实现对显微图像中目标的数目以及直径、面积等几何特征的统计测量，采用了对二值图像的目标区域进行标记归类的算法[7]。首先对二值图像的目标区域从左到右、自上而下进行扫描，若为目标点，则对其加以标记，并根据八连通原则将属于同一个颗粒的目标图像赋予相同的数值。标记归类算法示意图如图4所示。由于目标的几何形状是不规则的，一次扫描不能够把所有目标全部区分开来，因此要对二值图像进行多次扫描。图4(a)表示二值图像（黑色区域为目标，白色为背景），图4(b)为对目标区域的一次标记，图4(c)为最后标记完成的结果。其中，数字1表示1号目标，数字2表示2号目标。从图4可以看出，1号目标的标记经过一次扫描就能够完成，而2号目标则需要二次扫描方可完成标记。目标图像经过标记归类后就可以很方便地对目标的数目及直径、面积和周长等特征进行测量了。

3 实验结果

为了验证系统的可靠性，对来自显微镜下的油膜颗粒图像进行了大量的采集处理与统计测量实验。图5(a)是现场采集的一幅颗粒显微图像，图像大小为512×256，由于光源光照强度的影响，整幅图像背景不均匀。图5(b)是采用自适应阈值二值化后的图像，目标区域与背景区域已经分离开，虽然还有少量的噪声点，但是经过数学形态学变换后已经能够准确地进行颗粒的统计计算。

在统计测量过程中，面积小于3个像元的目标被当作噪声干扰而略去不计，只对面积大于等于3个像元的目标加以统计。为了便于进一步的分析和比较，将目标按像元数目分成9个档次： 3～10、11～20、21～30、31～40、41～50、51～60、61～70、71～80和81以上。对颗粒的数目、平均面积以及各档次所占比例进行了统计计算，结果如表1所示。实验中，在DSP芯片TMS320VC5416工作在最大工作频率160MHz时，程序的运行时间约为15ms。由于视频采集为PAL制，一场图像时间为20ms，因此能够达到实时性要求。

本文提出了一种以TMS320VC5416作为图像处理的核心部件的嵌入式显微图像处理系统，设计了基于DSP/BIOS的应用程序。利用自适应阈值算法对采集的图像进行准确的分割，并采用扫描标记算法对油膜颗粒显微