利用近似计算和内存内计算技术加速脉冲噪声检测

《Integration》：Accelerated impulse noise detection with approximate and in-memory computing techniques

　　

• •
  本文介绍了在硬件层面进行的优化，以加速脉冲噪声去除算法中的噪声检测阶段。
• •
  噪声像素的识别过程无需进行减法运算，从而降低了对硬件和内存的需求。
• •
  在最终识别噪声像素时采用了一种简单的近似方法，对算法的性能影响可以忽略不计。
• •
  提出了一种基于内存计算的增量单元，与传统架构相比，该单元实现了更高的处理速度和更少的数据传输。

引言

图像处理的主要目标是从图像中提取有意义的信息。提取出的数据在许多实际应用中都非常重要，包括医学成像[1]、水印去除[2]、自动驾驶[3]以及普通摄影等。然而，低质量的图像会显著影响图像处理的效率。脉冲噪声是指像素值与周围像素值差异较大的噪声，其来源可能包括相机传感器缺陷、内存故障和传输错误[4]。脉冲噪声可以是固定值的，也可以是随机值的；固定值的噪声像素有相同的概率呈现0（黑色）或255（白色）两种状态，而随机值的噪声像素则可以取0到255之间的任何值，因此更难以去除[5]。这两种类型的噪声都会在图像中随机分布形成黑白像素。

在图像处理算法的硬件实现方面，减少处理时间至关重要，尤其是在实时应用中。在许多实际场景中，去噪过程是在终端用户设备中完成的，这就需要快速、低复杂度的去噪技术，以便适用于低成本的可编程逻辑集成电路（VLSI）实现[13]。尽管在文献中已经报道了许多高性能的FPGA[14,15]和VLSI/ASIC[16,17]实现方案用于脉冲噪声去除，但仍有很大的潜力去探索进一步提高效率的替代方法。

切换中值滤波器通过两个步骤进行去噪：噪声检测和噪声过滤。本文的重点是第一个步骤的实现，即识别受损像素。我们提出了一种专门用于内存计算（IMC）的架构来加速噪声检测过程。IMC的目标是通过在内存中进行数据预处理，并仅向处理器提供中间结果，从而减少内存与处理器之间的数据交换量和频率[18]。这种方法可以减轻实现人工智能算法所需的时间和能量[18,19]。虽然IMC在去噪中的应用相对较少，仅有少数研究对此进行了探讨[20],[21],[22]，但这些研究主要关注的是去噪的第二步以及内存中值滤波器的实现。

本文采用的另一种技术是在噪声像素的检测过程中引入简化的近似处理。为抗错误应用设计近似算术电路的方法在文献中已有成熟的研究[23],[24],[25]。硬件级别的近似计算能够显著提升性能，并已在图像处理算法中得到广泛应用[25],[26],[27]。尽管近似处理简化了噪声检测过程，但其对最终输出的影响微乎其微。此外，近似方法和电路也已经用于低功耗和高面积效率的中值滤波器实现[28],[29],[30]。

本文提出了一些关键创新，旨在加速3×3窗口下受损图像的噪声检测阶段。本文的其余部分安排如下：第2节概述了所提出的方法；第3节从多个角度评估了新架构的效率；第4节对全文进行了总结。

章节摘录

提出方法

参考文献[31]中介绍了一种简单有效的使用ASM滤波器来抑制脉冲噪声的方法。该方法能够去除固定值的脉冲噪声，以及由于像素值与其相邻像素值偏差而产生的随机值脉冲噪声。随后，参考文献[32]提供了一种需要较少内存的改进版本。在本文中，我们进一步创新，提出了一种用于加速噪声检测的架构。

性能评估

在本节中，我们讨论了所提架构的优势以及由此产生的开销。

结论

本文提出了一种新的噪声去除算法实现架构。重点讨论了可以通过IMC和近似计算技术加速处理的部分算法，并降低了成本。这项工作的贡献使得噪声像素的标记速度提升了3倍，识别速度提升了2倍。此外，错误概率分析和图像处理结果都表明，所采用的近似处理方法效果显著。

利益冲突声明

作者声明，他们没有已知的可能会影响本文研究工作的财务利益或个人关系。

致谢

作者声明，他们使用了ChatGPT来提升论文的语言表达和可读性。

Nassim Latifi|Reza Faghih Mirzaee|Reza Sabbaghi-Nadooshan