基于現(xiàn)場可編程門陣列的幸運成像算法的實現(xiàn)*

趙盼孜，李彬華，毛櫳嘩，陶 勇

(昆明理工大學(xué)信息工程與自動化學(xué)院，云南 昆明 650051)

地基大口徑光學(xué)望遠(yuǎn)鏡對天體成像的分辨率受制于大氣湍流[1]。為了消除大氣湍流對目標(biāo)成像質(zhì)量的影響，常見且有效的方法是采用自適應(yīng)光學(xué)(Adaptive Optics, AO)技術(shù)，以及事后處理方式的圖像復(fù)原技術(shù)，幸運成像技術(shù)就是其中之一。幸運成像技術(shù)利用部分短曝光圖像中包含的目標(biāo)高分辨率的結(jié)構(gòu)信息，在觀測后進(jìn)行圖像重建，以消除大氣湍流的干擾從而獲得高分辨率圖像[1-2]。二十一世紀(jì)初出現(xiàn)的電子倍增電荷耦合器件(Electron Multiplying Charge-Coupled Devices, EMCCD)成像技術(shù)具有高分辨率、高讀出速度、低噪聲等優(yōu)點，適合于曝光時間在毫秒及以上量級的微光成像領(lǐng)域[3]。該技術(shù)的出現(xiàn)使幸運成像技術(shù)獲得了長足的進(jìn)步，并在天文觀測領(lǐng)域取得了極大的成功，2013年以前發(fā)表的論文已超過200篇[2]。典型的幸運成像系統(tǒng)包括英國劍橋大學(xué)的LuckyCam、德國馬普研究所的AstraLux和西班牙加那利群島天文研究所的FastCam，它們在雙星或多星系統(tǒng)中暗伴星的發(fā)現(xiàn)、天測天力參數(shù)計算等方面，科學(xué)產(chǎn)出極為豐富[4-5]。

幸運成像技術(shù)是一種簡單可行的圖像復(fù)原方法，但由于圖像復(fù)原是在觀測完成后的一段時間內(nèi)進(jìn)行，其缺點明顯，即天文觀測人員對于所拍攝圖像的實時信息了解不多，難以及時發(fā)現(xiàn)并糾正觀測中可能存在的偏差或錯誤。解決此問題的一種辦法是改進(jìn)算法，增加硬件的處理能力[3]，將幸運成像技術(shù)實時或準(zhǔn)實時化。

傳統(tǒng)的中央處理器(Central Processing Unit, CPU)對圖像數(shù)據(jù)的處理采用串行方式，對于大量圖像的幸運重建來說，難以實現(xiàn)實時或準(zhǔn)實時化。相較于中央處理器，現(xiàn)場可編程門陣列(Field Programmable Gate Array, FPGA)器件有著先天的并行性和靈活性優(yōu)勢，能提供強(qiáng)大的并行計算能力，可加速數(shù)據(jù)或信號的處理，特別是圖像處理[6]，在天文觀測和數(shù)據(jù)設(shè)備中使用越來越多[7]。將現(xiàn)場可編程門陣列用于幸運成像，是將該技術(shù)實時或準(zhǔn)實時化的一種有效方法。2008年FastCam項目研究過程中，首次將幸運成像技術(shù)在現(xiàn)場可編程門陣列上實現(xiàn)，并獲得了實時的高分辨率圖像[1,8]；文[9]將幸運成像算法在現(xiàn)場可編程門陣列和圖形處理器中實現(xiàn)。不過，他們并沒有對算法的現(xiàn)場可編程門陣列實現(xiàn)進(jìn)行細(xì)致的描述。現(xiàn)場可編程門陣列與幸運成像算法結(jié)合的研究工作國內(nèi)尚無報道。

本文對傳統(tǒng)的基于中央處理器和程序設(shè)計語言的幸運成像基本算法進(jìn)行了簡短的分析，結(jié)合現(xiàn)場可編程門陣列的特點，提出了一種適合現(xiàn)場可編程門陣列處理的幸運成像方案，用Verilog硬件描述語言(HDL)進(jìn)行各功能模塊的設(shè)計，并將幸運成像算法成功地在現(xiàn)場可編程門陣列上實現(xiàn)，最后利用中國科學(xué)院云南天文臺麗江觀測站2.4 m天文望遠(yuǎn)鏡拍攝的大量目標(biāo)短曝光圖像進(jìn)行硬件算法設(shè)計的可行性驗證。

1 基于現(xiàn)場可編程門陣列的幸運成像算法處理流程

幸運成像算法的基本思想是按照一定的評價標(biāo)準(zhǔn)，從一系列短曝光圖像中選出符合評價標(biāo)準(zhǔn)的圖像或區(qū)域，之后再對其進(jìn)行配準(zhǔn)疊加處理，以獲得不受或少受大氣湍流影響的高分辨率圖像[2]。本文構(gòu)建的幸運成像系統(tǒng)在實現(xiàn)過程中按照基本的幸運成像算法的設(shè)計要求進(jìn)行，只是為了適應(yīng)本系統(tǒng)所用現(xiàn)場可編程門陣列的處理邏輯與資源限制，在不改變幸運成像算法基本處理流程(選圖、配準(zhǔn)、疊加)的基礎(chǔ)上將該算法用Verilog HDL重新進(jìn)行了設(shè)計。

1.1 幸運圖像的選取

在一系列短曝光序列圖像中選出 “幸運圖像” 是最終獲得高分辨圖像的關(guān)鍵。然而為獲得 “幸運圖像” 必須選取一個合適的像質(zhì)評價函數(shù)。對于空間點源目標(biāo)圖像來說，像質(zhì)評價函數(shù)通常采用圖像的斯特列爾比(Strehl Ratio, SR)作為評價標(biāo)準(zhǔn)。由于斯特列爾比定義為存在像差時圖像的峰值光強(qiáng)與不存在像差時圖像的峰值光強(qiáng)之比，因此，計算時需要理想的無像差峰值光強(qiáng)。但這個理想的峰值光強(qiáng)在現(xiàn)實中不容易獲得，故通常采用其它的替代方案。一個簡單有效的方法是使用瞬時的斯特列爾比作為圖像的像質(zhì)評價函數(shù)[2,10]，即只對圖像上的峰值光強(qiáng)像素點的灰度值進(jìn)行斯特列爾比值估算。

對于現(xiàn)場可編程門陣列這類運算資源有限的硬件，計算斯特列爾比只能采用簡單的處理方式。具體來說，在系統(tǒng)實現(xiàn)過程中，直接使用有像差時圖像的峰值光強(qiáng)像素點的灰度值。由于在配準(zhǔn)過程中對每幀圖像的峰值光強(qiáng)像素點灰度值的位置有要求，故在系統(tǒng)選圖過程中，以圖像的峰值光強(qiáng)像素點灰度值及其位置共同對圖像進(jìn)行像質(zhì)評價。

1.2 圖像的配準(zhǔn)與疊加

配準(zhǔn)是幸運成像處理中最重要的一環(huán)，如果配準(zhǔn)不當(dāng)會直接導(dǎo)致疊加后的圖像模糊不清，分辨率下降，從而無法將暗弱目標(biāo)圖像顯示出來。由于系統(tǒng)使用恒星的圖像，所以最常用的配準(zhǔn)方法有兩種：(1)以整幅圖像中的最大灰度值為中心截取所需的成像區(qū)域；(2)以圖像的質(zhì)心為配準(zhǔn)基點。由于受現(xiàn)場可編程門陣列邏輯及資源的限制，系統(tǒng)采用前一種配準(zhǔn)方法。

圖像配準(zhǔn)完成后，需要對配準(zhǔn)圖像進(jìn)行疊加。在系統(tǒng)中由于所選圖像數(shù)量偏小，所以采用直接疊加方法。疊加后所得圖像進(jìn)行灰度變換(即銳化)可得到易于觀察的高分辨率圖像。

2 幸運成像算法的現(xiàn)場可編程門陣列實現(xiàn)

本文所述的幸運成像算法實現(xiàn)的硬件平臺是以Xilinx公司Spartan-6系列的XC6SLX16芯片為核心開發(fā)板。開發(fā)環(huán)境為ISE Design Suite 14.7，邏輯設(shè)計所用HDL是Verilog，采用ChipScope pro 14.7和ModelSim 10.1d進(jìn)行硬件設(shè)計的驗證與調(diào)試。

2.1 算法總體設(shè)計

由于項目設(shè)計的主要目的是在現(xiàn)場可編程門陣列上實現(xiàn)幸運成像算法，因此為讀取圖片像素數(shù)據(jù)，首先將天文短曝光圖像存儲在開發(fā)板外掛的安全數(shù)據(jù)卡(Secure Digital Card, SD卡)中，以便給算法模塊讀取圖像數(shù)據(jù)。此外，為滿足算法對速度及片內(nèi)存儲的要求，同時由于所用芯片邏輯資源和存儲空間的限制，故在數(shù)據(jù)處理方式上采用數(shù)據(jù)流，即逐像素處理的方式，但在每個模塊內(nèi)以及各個模塊間均采用并行的方式對數(shù)據(jù)進(jìn)行處理。與此同時在片內(nèi)數(shù)據(jù)的存儲上為使處理速度和存儲器之間達(dá)到最佳狀態(tài)，采用片內(nèi)的雙端口隨機(jī)存儲器(Random Access Memory, RAM)模塊作為數(shù)據(jù)緩存器。然而，由于所用現(xiàn)場可編程門陣列芯片隨機(jī)存儲器資源以及邏輯資源的約束，只能對1 000張128 × 128像素大小的短曝光圖像作選圖處理，并且在配準(zhǔn)過程中只能最大截取64 × 64像素大小的圖片進(jìn)行配準(zhǔn)處理，并最終以64 × 64像素大小顯示幸運成像結(jié)果。

對于整個算法的硬件構(gòu)架，為了算法實現(xiàn)過程中修改及調(diào)試的方便，采用模塊化的設(shè)計方式。主要模塊包括數(shù)據(jù)的讀寫、保存模塊，短曝光圖像的選圖、配準(zhǔn)、疊加模塊以及最終的重建高分辨率圖像顯示模塊，并用Verilog HDL設(shè)計實現(xiàn)?；诂F(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法的結(jié)構(gòu)框圖如圖1。

圖1 基于現(xiàn)場可編程門陣列的幸運成像算法的結(jié)構(gòu)框圖
Fig.1 Structure block diagram of the lucky imaging algorithm based on FPGA

幸運成像的現(xiàn)場可編程門陣列的工作流程如下：系統(tǒng)上電后，安全數(shù)據(jù)卡中存儲的天文圖像數(shù)據(jù)會通過串行外設(shè)接口(Serial Peripheral Interface, SPI)以6.25 Mb/s的速度不斷地向安全數(shù)據(jù)卡頂層模塊傳送，經(jīng)安全數(shù)據(jù)卡頂層模塊處理過的數(shù)據(jù)經(jīng)先入先出(First-In First-Out, FIFO)緩沖器向第3代雙倍數(shù)據(jù)率同步動態(tài)隨機(jī)存取存儲器(Double-Data-Rate Three Synchronous Dynamic Random Access Memory, DDR3)寫數(shù)據(jù)模塊中寫入(DDR3速度666 Mb/s)，然后通過DDR3寫數(shù)據(jù)模塊的處理，向現(xiàn)場可編程門陣列芯片外部的DDR3存儲器中寫入圖像數(shù)據(jù)。在寫數(shù)據(jù)模塊向DDR3寫入像素數(shù)據(jù)的同時，選圖模塊不斷地對每幀圖片的像素值進(jìn)行最大灰度值求解，然后對求出的所有圖片的最大灰度值排序，當(dāng)排序結(jié)束，說明選圖結(jié)束，產(chǎn)生選圖結(jié)束信號。

其后，向配準(zhǔn)模塊發(fā)送要截取的原始圖片的序號以及該圖片最大灰度值的位置參數(shù)，以便配準(zhǔn)模塊向DDR3讀數(shù)據(jù)模塊發(fā)送所選圖片的首像素地址。與此同時，選圖結(jié)束信號也會發(fā)送給DDR3讀數(shù)據(jù)模塊，當(dāng)選圖結(jié)束信號和所選圖像首像素地址同時作用于DDR3讀數(shù)據(jù)模塊時，該模塊將數(shù)據(jù)從DDR3存儲器中讀出滿足條件的圖片像素進(jìn)行疊加處理。從圖1看出，配準(zhǔn)、DDR3讀出與疊加這3個模塊是串行的，但用HDL設(shè)計及現(xiàn)場可編程門陣列實現(xiàn)時，它們是并行的，它們的運行從時間上看是重疊的。

當(dāng)所選的全部圖片疊加完成后，將結(jié)果進(jìn)行分段線性灰度變換的處理，以增強(qiáng)目標(biāo)區(qū)域的可視性。然后將最終高分辨率圖像的像素數(shù)據(jù)保存在片內(nèi)隨機(jī)存儲器中。當(dāng)保存完畢后，通過視頻圖形陣列(Video Graphics Array, VGA)驅(qū)動模塊驅(qū)動，將灰度圖在視頻圖形陣列顯示器上顯示。

2.2 選圖模塊的設(shè)計

在選圖模塊的實現(xiàn)上，系統(tǒng)主要采用最大灰度值求解模塊以及最大灰度值排序模塊共同搭建而成，這兩個子模塊的搭建主要由比較器、計數(shù)器以及片內(nèi)隨機(jī)存儲器完成。其中，最大灰度值查找模塊的狀態(tài)轉(zhuǎn)移圖如圖2。

圖2 最大灰度值查找的狀態(tài)轉(zhuǎn)移圖
Fig.2 State transfer diagram for looking up the maximum gray value

在圖2中，myvaild=1表示安全數(shù)據(jù)卡中的數(shù)據(jù)可以取出；cnt表示已讀取的一幀圖像的像素數(shù)目。其中，cnt=0表示一幀圖像的全部像素已讀完；eve_t=1表示單幀圖像的最大灰度值開始取出；pic_num表示圖像的幀數(shù)；wea_max=1表示可以開始向隨機(jī)存儲器中寫數(shù)據(jù)。從2.1節(jié)中可知，在本設(shè)計中所用的圖像大小為128 × 128，幀數(shù)為1 000，所以cnt最大為16 383，pic_num最大為999。

從圖2可以看出，該模塊的主要功能是對從安全數(shù)據(jù)卡讀出的圖片像素值逐個進(jìn)行比較，找出每幀圖像的最大灰度值并將其保存在片內(nèi)隨機(jī)存儲器中供排序使用。值得注意的是，在每求出一幀圖像最大灰度值后，在條件觸發(fā)時先將其緩存，然后等相應(yīng)條件到來時將其進(jìn)行判斷，看是否滿足配準(zhǔn)對最大灰度值位置的要求。滿足則在隨機(jī)存儲器相應(yīng)的地址空間中保存該像素值，不滿足則在隨機(jī)存儲器相應(yīng)的地址空間中存入與該最大灰度值相同比特位數(shù)的零值。其次，在向隨機(jī)存儲器中保存每幀圖像最大灰度值時，將該最大灰度值所在的圖片序號及位置參數(shù)一并保存在隨機(jī)存儲器相應(yīng)地址空間，以便進(jìn)行并行、串行混合排序。

2.3 配準(zhǔn)模塊的設(shè)計

在配準(zhǔn)算法的實現(xiàn)上，采用以最大灰度值為圖片中心、截取64 × 64像素大小進(jìn)行疊加處理，其設(shè)計主要通過選圖模塊中發(fā)送的最大灰度值所在圖片序號以及其位置參數(shù)，再根據(jù)(1)式計算出要截取的圖片首地址，然后發(fā)送給DDR3讀數(shù)據(jù)模塊，用從DDR3存儲器中讀出相應(yīng)的圖片像素值，供疊加模塊處理，該模塊并不占用片內(nèi)隨機(jī)存儲器資源，只是少量地使用了邏輯片(Slices)資源。

c3_p0_cmd_addr_r=((pic_cnt-1)×65 536)+

(1)

其中，c3_p0_cmd_addr_r表示要讀取的DDR3的地址；pic_cnt表示要讀取的最大灰度值所在的圖片序號；max_cnt表示要讀取的最大灰度值在圖片中的位置參數(shù)；INT(max_cnt/27)表示max_cnt除以27之后只取整數(shù)部分，在現(xiàn)場可編程門陣列中用移位寄存器實現(xiàn)。

2.4 疊加模塊的設(shè)計

對于圖像的疊加主要是通過片內(nèi)隨機(jī)存儲器資源的使用實現(xiàn)的，在疊加模塊設(shè)計中占用的片內(nèi)隨機(jī)存儲器個數(shù)為12，消耗約37.5%的存儲器資源。該模塊的結(jié)構(gòu)框圖如圖3。

圖3 疊加模塊結(jié)構(gòu)框圖
Fig.3 Block diagram of stacking module

3 實驗結(jié)果及分析

為了驗證幸運成像算法在現(xiàn)場可編程門陣列上實現(xiàn)的正確性，擬用MATLAB對相同的幸運成像算法進(jìn)行編程并將其在計算機(jī)上的處理結(jié)果與現(xiàn)場可編程門陣列處理結(jié)果進(jìn)行對比。對于現(xiàn)場可編程門陣列上運行幸運成像算法的處理時間問題，只能與計算機(jī)的運行時間做比較。所以本文設(shè)計了兩個實驗：(1)與MATLAB處理結(jié)果的對比實驗；(2)系統(tǒng)自身處理結(jié)果與數(shù)據(jù)的實驗。

幸運成像實驗必須有天文目標(biāo)短曝光圖像。本文采用2016年10月20日在云南天文臺麗江觀測站對天文雙星HDS 70的觀測圖像，共10 000幀，這組圖像的觀測條件和參數(shù)見文[10]。在圖像幀數(shù)以及圖像大小的選取上，由于所用的現(xiàn)場可編程門陣列的限制，隨機(jī)從10 000幀圖像中抽取1 000幀，并裁剪成128 × 128像素大小的天文目標(biāo)短曝光圖像進(jìn)行處理。

3.1 幸運成像算法在CPU + MATLAB上的平臺處理實驗

實驗硬件平臺是Dell Precision T5500圖像工作站、16 GB內(nèi)存、NVIDIA GTX1050Ti顯卡；運行的軟件環(huán)境是Windows 7操作系統(tǒng)、MATLAB R2014a。

將隨機(jī)抽取的1 000幀128 × 128像素大小的圖像進(jìn)行分組，用MATLAB分別對每組圖像進(jìn)行同樣的算法處理，在實際處理中只截取64 × 64像素大小的目標(biāo)區(qū)域。根據(jù)文[10]的研究結(jié)果，選圖比取為1%，得到如圖4的高分辨率圖像和三維灰度分布圖。這一結(jié)果與文[10]的結(jié)果一致。

圖4 1%選圖比下所得的高分辨率圖像。 (a) 二維灰度圖；(b) 三維灰度分布圖
Fig.4 High-resolution image obtained at 1% selection rate. (a) 2D gray image; (b) 3D gray distribution map

3.2 幸運成像算法在現(xiàn)場可編程門陣列上的實驗驗證

硬件平臺是以Xilinx公司Spartan-6系列的XC6SLX16芯片為核心的開發(fā)板。基于現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法設(shè)計的驗證，采用1%的選圖比，即從1 000幀選10幀，執(zhí)行與MATLAB相同幸運成像的算法處理，然后用ChipScope捕捉最終結(jié)果圖中最大灰度值周圍部分像素數(shù)據(jù)值，得到了如圖5(a)圖的經(jīng)現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法處理所得的高分辨率圖像部分像素數(shù)據(jù)值，并與如圖5(b)圖的經(jīng)MATLAB實現(xiàn)的幸運成像算法處理所得的高分辨率圖像的相同部分像素值做對比。

圖5 分別用現(xiàn)場可編程門陣列與MATLAB實現(xiàn)的幸運成像算法處理所得圖像像素數(shù)值

(a) 現(xiàn)場可編程門陣列處理的結(jié)果; (b) MATLAB處理的結(jié)果
Fig.5 Image pixel values processed by FPGA and MATLAB respectively(a) Results of FPGA processing; (b) Results of MATLAB processing

通過圖5可知，經(jīng)現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法處理所得圖像的最終像素數(shù)據(jù)與在MATLAB上做同樣算法處理所得圖像像素數(shù)據(jù)完全相同。

從處理效果上看，最終得到的高分辨率圖像像素值較小，直接通過顯示器顯示圖像時，無論在MATLAB上還是現(xiàn)場可編程門陣列做算法處理所得的高分辨率圖像都比較模糊。所以，在現(xiàn)場可編程門陣列和MATLAB上均對算法處理所得的高分辨率圖像做了相同的灰度變換處理——銳化或圖像增強(qiáng)，將最終得到的高分辨率圖像中感興趣的目標(biāo)或區(qū)域突顯出來，分別得到了如圖6(a)、圖6(b)的最終高分辨率圖像。

圖6 基于現(xiàn)場可編程門陣列和MATLAB實現(xiàn)的幸運成像算法處理所得的高分辨率圖像(a) 現(xiàn)場可編程門陣列處理的結(jié)果; (b) MATLAB處理的結(jié)果
Fig.6 High-resolution images Obtained by lucky imaging algorithm based on the FPGA and the MATLAB(a) Results of FPGA processing; (b) Results of MATLAB processing

圖6(a)是經(jīng)現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法處理所得的高分辨率圖像以1 024 × 768的分辨率在擴(kuò)展圖形陣列(Extended Graphics Array, XGA)顯示器上顯示并通過手機(jī)拍攝得到的，在此采用手機(jī)拍攝獲得，是因為系統(tǒng)實現(xiàn)所采用的現(xiàn)場可編程門陣列是一個獨立的外部系統(tǒng)，它是脫離個人計算機(jī)單獨工作的，所以基于現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法處理所得的高分辨率圖像要通過單獨的擴(kuò)展圖形陣列顯示器進(jìn)行顯示，因此它與個人計算機(jī)上MATLAB所得高分辨率結(jié)果圖獲取方式不同，它不能像MATLAB一樣直接進(jìn)行圖像截屏，而只能采用外部的圖像采集設(shè)備進(jìn)行圖像獲取，所以經(jīng)現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法處理所得的高分辨率圖像在本文中采用手機(jī)拍攝得到。而圖6(b)經(jīng)MATLAB處理后顯示的最終高分辨率圖像是以1 280 × 768的寬擴(kuò)展圖形陣列(Wide Extended Graphics Array, WXGA)分辨率顯示的。由于兩圖的顯示器分辨率不同導(dǎo)致縱橫比不同，導(dǎo)致相同圖像在顯示上稍有差異。此外，圖6(a)是手機(jī)拍攝獲得的，由于手機(jī)拍攝角度及分辨率的不同導(dǎo)致圖像有些許變化。不過，可看出這兩幅圖像是基本相同的，說明經(jīng)現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法處理后的結(jié)果與經(jīng)MATLAB實現(xiàn)的幸運成像算法處理后的結(jié)果一致，從而說明基于現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法設(shè)計正確。

綜上所述，無論是從最終高分辨率圖像中的像素數(shù)據(jù)值對比來看，還是從灰度變換后的直觀顯示最終高分辨率圖像對比來看，都說明了基于現(xiàn)場可編程門陣列實現(xiàn)的幸運成像算法設(shè)計與實現(xiàn)的正確性。

3.3 現(xiàn)場可編程門陣列實現(xiàn)幸運成像算法的優(yōu)勢

現(xiàn)場可編程門陣列的并行性和靈活性是其最大的優(yōu)勢，因此相較于傳統(tǒng)的中央處理器，現(xiàn)場可編程門陣列對同樣算法的處理速度肯定快。但對于研究的幸運成像算法來說，具體快多少，必須通過實驗說明。為此，分別在現(xiàn)場可編程門陣列和CPU + MATLAB上對相同幸運算法的運算速度進(jìn)行了測試。實驗過程中，統(tǒng)計1 000幀圖像的處理時間，選圖比采用1%?，F(xiàn)場可編程門陣列及CPU + MATLAB平臺上均采用2.1節(jié)中介紹的算法實現(xiàn)。由此得到了不同平臺下相同算法的平均運行時間：對于現(xiàn)場可編程門陣列是2.45 s，對于CPU + MATLAB是46.93 s；運行所得結(jié)果(高分辨率圖像)分別如圖6(a)、圖6(b)。顯然，相同的算法在不同的平臺處理下，得到相同的高分辨率圖像，現(xiàn)場可編程門陣列上算法處理速度比CPU + MATLAB平臺上算法處理速度快約19倍。如果采用更先進(jìn)的現(xiàn)場可編程門陣列，速度還將更快。

不過受制于安全數(shù)據(jù)卡的速度，總體運行時間并沒有明顯的優(yōu)勢。目前正在設(shè)計基于USB3和千兆以太網(wǎng)的高速數(shù)據(jù)接口，以加速整個幸運成像處理的速度。另外，采用處理能力更強(qiáng)、邏輯資源更多的現(xiàn)場可編程門陣列，可以更多地引入并行計算、減少串行處理過程，充分發(fā)揮現(xiàn)場可編程門陣列速度的優(yōu)勢。

4 結(jié) 論

本文首先簡述了幸運算法的基本思想及處理流程，根據(jù)所用現(xiàn)場可編程門陣列的硬件資源，用Verilog HDL設(shè)計了幸運成像算法的選圖、配準(zhǔn)、疊加等關(guān)鍵模塊，詳細(xì)介紹了這些模塊的實現(xiàn)方案，并在現(xiàn)場可編程門陣列上實現(xiàn)了這一幸運成像系統(tǒng)；然后，通過將現(xiàn)場可編程門陣列處理的結(jié)果與個人計算機(jī)上用MATLAB處理得到的結(jié)果進(jìn)行對比，證明了此系統(tǒng)設(shè)計和實現(xiàn)過程的正確性；最后，通過對現(xiàn)場可編程門陣列與CPU + MATLAB平臺下實現(xiàn)相同算法所需的處理時間進(jìn)行對比分析，說明了現(xiàn)場可編程門陣列在處理速度上快19倍的優(yōu)勢。雖然本設(shè)計方案還有一些可以改進(jìn)之處，但就幸運成像算法在現(xiàn)場可編程門陣列上的具體實現(xiàn)，為構(gòu)建實時化的高速幸運成像系統(tǒng)探索了一種可行的技術(shù)方法。

致謝：感謝中國科學(xué)院云南天文臺張西亮、季凱帆、金振宇為本文工作提供了原始天文圖像。