基于近似加法器的离散Haar小波变换硬件架构优化及其在高效图像压缩中的应用

为解决图像处理中数据传输瓶颈和功耗问题，研究人员开展了离散Haar小波变换(DHWT)及逆变换(IDHWT)的硬件架构优化研究。通过集成近似加法器(AxAs)如AxPPA、LOA等，在0.5 bpp压缩率下实现47.85 dB PSNR和0.99 SSIM的高保真重建，同时降低99.1%能耗。该成果为资源受限系统提供了高效的图像处理解决方案。

　　

在数字化浪潮席卷全球的今天，图像数据正以爆炸式速度增长。从社交媒体分享到医疗影像诊断，海量图像的传输与存储已成为制约技术发展的关键瓶颈。传统压缩技术如JPEG虽然广泛应用，但其基于离散余弦变换(DCT)的算法在硬件实现时面临计算复杂度高、能耗大等问题。尤其对于可穿戴设备、物联网终端等资源受限系统，开发兼顾高效能与低功耗的图像处理方案迫在眉睫。

这一背景下，研究人员将目光投向了具有百年历史的Haar小波变换。1909年由数学家Alfred Haar提出的这一方法，因其仅需加减法和位移运算的极简特性，在硬件实现上具有先天优势。然而，现有硬件架构仍存在能耗过高、面积利用率低等问题。为此，研究人员创新性地将近似计算(Approximate Computing)理念引入离散Haar小波变换(DHWT)及其逆变换(IDHWT)的硬件设计中，通过容忍可控的计算误差来大幅提升能效比。

研究团队采用多维度技术路线：在算法层面，利用DHWT将图像分解为LL(低频近似)、LH/HL/HH(高频细节)四个子带；在硬件层面，创新集成六类近似加法器(AxAs)，包括近似并行前缀加法器(AxPPA)、截断加法器(TRUNC)等；在评估体系上，采用PSNR(峰值信噪比)、SSIM(结构相似性指数)等指标量化图像质量，结合FPGA/ASIC实现验证硬件性能。

关键技术创新

1. 近似加法器动态配置：通过参数K(1≤K≤W)控制近似位宽，实现从LSB(最低有效位)到MSB(最高有效位)的精度分级调节。

2. 混合精度架构：对关键LL系数采用高精度计算，高频子带使用AxAs，在PSNR>40 dB前提下实现83%功耗降低。

3. 并行存储优化：SRAM缓冲器与2D卷积核协同设计，将关键路径延迟压缩至0.33 ns。

核心研究成果

• 0.5 bpp高保真模式：AxPPA加法器实现47.85 dB PSNR和0.99 SSIM，接近无损压缩质量。

• 0.25 bpp节能模式：LOA加法器节省99.1%能耗，仍保持40 dB以上PSNR。

• 硬件效能突破：相比传统方案，面积减少52.3%，动态功耗降低83%。

这项发表于《Future Generation Computer Systems》的研究，首次系统论证了近似计算在小波变换硬件中的适用边界。其提出的可配置精度架构为边缘智能设备提供了新的设计范式，而建立的"能耗-精度"量化模型更推动了近似计算理论的发展。随着5G/6G时代对实时图像处理需求的激增，该成果在远程医疗、自动驾驶等领域具有广阔应用前景。未来研究可进一步探索AxAs在其他变换域(如傅里叶变换)中的扩展应用，以及基于神经网络的质量补偿机制。