文 献 综 述
近些年以来，图像处理手段不断丰富，其主要包括图像的变换，压缩，增强，分割，提取，描述等等方面。图像分割，是数字图像处理中的关键技术之一，是将图像中有意义的特征部分提取出来，比如图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。是目前图像处理中研究的热点之一。
图像分割主旨是要将图像中有意义的特征部分提取出来，虽然目前已研究出不少方法，但还没有一种普遍适用于各种图像的有效方法。应该对应于不同的场合和情况，来合理地选择图像分割的手段
FPGA，现场可编程逻辑门阵列，是20世纪80年代由美国Xilinx公司首先推出的，它具有性能高、规模大、可重复编程、开发投资小等优点，在现代电子产品设计中应用广泛。其具有极高并行度的信号处理引擎，提高高性能的信号处理能力，可大大简化硬件结构。最近几十年来，随着计算机，DSP，超大规模集成电路等技术的发展，图像画面分割器开始采用硬件设计，例如DSP，CPU。传统的PC机通过高级语言编写分割提取信息的代码，但其执行过程是单数据指令依次串行处理，同时整体运行速度大大降低，例如识别车牌系统的OC机体积庞大，只适合空间足够且对实时性要求不高的场合。而DSP处理器比PC机有很大的优势，其处理速度提升了数倍甚至数十倍，但问题在于仍然使用的串行方式在高实时性上依旧不够优秀，且其成本颇高。而FPGA作为一种新型的，处理速度极快，能够完成并行运算实时性好的处理器系统，被专家学者们所关注，正在广泛发展。
当前依托于FPGA的图像分割技术，以应用按目的分可认为有两个比较大的方面。其一是，将原图像按像素进行抽取，以获得多路图像，分别将多路图像按一定比例缩小，然后按照一定的规则将多路图像进行排列，最后将合成的图像编码输出，即可在同一个屏幕显示多个画面，完成对多路图像的合成，比如部分监控要求同时监控多个画面。第二种是，将特定的目标作为处理对象，如车牌的文字信息，路径上的行车轨迹等，从整体图像中提取分割出来，应用各种图像处理，模式识别技术，对采集到的图像信息进行灰度化，二值化，定位，校正，分割，最后得到自己需要的信息，如车牌号码，如在大海中实现对船舶目标的检测等等。
首先对多路信号的分割和合成，基于像素域，将多路压缩的源视频编码数据进行解码，将解码后的数据按照一定线性规则排列合并成一路，再将合并后数据进行编码。得到多路数据的方法可通过对原画面按1/4或1/16的比例进行抽取，得到各通道的部分画面数据，输入到FPGA中，在FPGA里完成分割合成处理，包括检测时钟信号，提取有效视频数据，以及对内存的读写操作。而对感兴趣的目标进行分割处理的方法，则有不同。要进行边缘检测，边缘检测是图像分割、计算机视觉、模式识别等应用的关键一步。其主要原理是，图像边缘分为两类，一类是变化剧烈的阶跃性边缘，一类是变化缓慢的屋顶状边缘，两种边缘都是在一定相邻区域范围内像素值发生快速变化的区域，符合梯度算子的物理意义。近几十年来，由于其重大意义，对于边缘检测的理论与应用的研究已经成为数字图像技术中的热点话题，从初期的通过找灰度变化幅度极大值的像素点来实现边缘检测的方法比如说Robert算子，Prewitt算子，Marr算子等，发展到现在对边缘检测建模进行分析的阶段如一阶Canny算子法，二阶LOG算子法等等。FPGA可以用来实现这些算法。
当然图像分割并不会这么简单，当前具体应用的图像分割又包含丰富的方法，比如说，对于车牌号的识别与提取中，可以基于形状信息去度量和提取图像中的对应形状，也可以通过统计图像的垂直边缘信息，将相邻近的离散化边缘信息连接起来，再根据颜色分布特征对图像进行选取，最后根据车牌固有的长宽比在剩下的待选区域内提取出真正的车牌号。其图像定位后，还需要考虑基于聚类分析还是图像投影，若选择了图像投影则将利用二值化的手段。总之面对多种多样的要求，需要选用合适的分割方法。若将各种研究成果拿出来相比较，不难发现，对图像中感兴趣的部分进行检测已经成为了主流，包括卫星图像检测海船的运动，抑或将车辆从道路及阴影中分割检测出来的例子。体现其应用之广，因此可以利用强大的FPGA工具，通过边缘检测、阈值分割等等手段实现成功的图像分割。
自适应阈值分割原理是根据适应图像的动态变化，依据一定的阈值将图像从背景中分割出来。相当于对图像进行二值化处理，增强目标图像与背景的对比度，以便有利于找到图像的边缘性。灰度路径图像的直方图通常呈双峰分布，分别对应目标和背景，可以用直接阈值进行分割。但在针对动态图像处理的时候，灰度直方图的峰谷对应灰度值的变化，因为背景是动态变化的。采用最优阈值分割能够统计峰谷处灰度变化自适应地求得最佳分割阈值，以适应动态变化，具体步骤如下：
1、求出图像中最大灰度值Zmax和最小灰度值Zmin；
2、选择一个初始阈值T0=（Zmin Zmax）/2；
