基于提升的分数阶小波滤波器:低成本可穿戴传感器的节能DWT架构

摘要

本文提出并评估了LFrWF，一种新的基于提升的架构，利用分数阶小波滤波器计算图像的离散小波变换(DWT)。为了减少所提出的体系结构的内存需求，每次只将一个图像行读入缓冲区。除了带有乘数的LFrWF版本，即LFr ，我们开发了一个无乘法器的LFrWF版本，即LFr ，将关键路径延迟(CPD)降低到延迟一只蝰蛇。建议的LFr和LFr在所需的加法器、乘法器、内存和关键路径延迟方面，与最先进的DWT体系结构进行了比较。此外，拟议的LFr和LFr体系结构，以及最先进的FrWF体系结构(与乘数器(Fr ）和没有乘数(Fr ）)通过在同一FPGA板上的实现进行比较。LFr的需要的查找表(LUT)少22%，触发器(FF)少34%，计算周期(CC)少50%，能耗比Fr少65% ．此外，拟议的LFr建筑需要的CC比Fr少50%，耗能少43% ．因此，提出的LFr和LFr架构似乎适合计算可穿戴传感器上图像的DWT。

1.简介

1.1.动机

连接可穿戴传感器和便携式成像设备的低成本小型相机的出现，开辟了广泛的以图像为导向的应用领域，包括辅助生活、智能医疗、交通监控、虚拟运动体验和姿态识别[1- - - - - -12］．视觉传感器节点(传感器节点与附加的摄像机)的互连称为视觉传感器网络(VSN) [13，14]或称为无线多媒体传感器网络(WMSN) [15，16］．可穿戴视觉传感器也可成为物联网(IoT)的一部分[17- - - - - -21］．低成本物联网可穿戴传感器[22]使各种有益于社会的活动得以开展，例如为工人安全而设的避免危险系统[23]，为视障人士提供的助航工具[24]，活动监测[25，智能灌溉[26]和体育[27］．

在许多可穿戴传感器和便携式成像设备的视觉应用中，相机捕获的图像需要无线传输到穿戴在身上或附近的枢纽设备。可穿戴传感器和便携式成像设备资源有限，无线链路带宽狭窄[28]，使其无法直接发送原始(未压缩)图像。因此，在传输之前需要对图像进行压缩[29］．因此，为了压缩图像，需要一个图像编码器。在图像编码器中，通常首先使用离散余弦变换(DCT)对图像进行变换[30.或离散小波变换(DWT) [31，32然后进行量化和熵编码。DWT，也用于JPEG 2000 [33]，在各种各样的应用程序中都很受欢迎，包括活动监控[34，逆变电路故障检测[35，医学影像[36]，图像去噪[37]，图像识别[38，图像重建[39，水印[40]、计算机图形学和实时处理[41]，因为它的多分辨率特性和优良的能量压缩性能[42，43］．

物联网和无线多媒体传感器网络中可穿戴视觉传感器和便携式成像设备的硬件架构应该需要最少的硬件资源，并消耗低能量，以实现较小的外形因子和较长的电池寿命[44，45］．总体而言，近年来视觉传感器节点的计算能力不断增强[46］．然而，由于视觉传感器设计的经济压力，尽管出现了专门的硬件加速，如FPGA和组件[47- - - - - -49]，视觉传感器的计算资源可能仍然稀缺。新兴的计算和通信范例，例如移动自定云计算[50，51]，期望节点不仅传输感知到的图像，而且还参与一些服务计算功能，例如，可通过软件定义的网络和控制结构来编排的本地化图像分析和决策[52- - - - - -54］．为了使穿戴式视觉传感器在这样的网络系统中实现经济功能，图像编码和变换的资源占用必须非常低。特别是，由于DWT是视觉传感器图像编码器的重要组成部分，因此DWT硬件架构应该具有最小的面积和能量消耗。

1.2.相关工作

传统的基于卷积的图像DWT计算由于其行、列扫描需要大量的内存[55，56，这使得它不适合内存受限的可穿戴传感器。文献中报道的用于DWT计算的不同低内存体系结构可以归类为基于行的体系结构[57]，基于条纹的架构[58，59]，基于块的架构[60，61]和分数小波滤波器(FrWF)体系结构[62］．对于一个维度的图像 像素、行、条和基于块的体系结构要求在的范围内的随机访问内存(为简单起见，我们将其称为RAM或内存)来，而FrWF体系结构要求 随机存取存储器的单词[62］．

另一种基于低内存管道的体系结构在[63］．然而，[的设计63]基于不可分DWT计算方法，该方法因其计算要求高于传统的可分方法而不受欢迎。众所周知，在特定吞吐量下，可分二维DWT计算方法在计算上比不可分方法更有效[64］．基于双数据扫描的DWT体系结构在[65］．在这个体系结构中，几个2D DWT单元被组合成一个并行的多级体系结构，可计算多达6个DWT级别。然而，这种体系结构需要记忆的文字。提出了一种基于交错读扫描算法(IRSA)的体系结构[66]结合基于提升的方法与5/3滤波器组，这需要记忆的文字。然而，长关键路径延迟(CPD) (乘数延迟和是[中的体系结构的加法器延迟)。66可能会限制其在实时应用中的使用。

一种基于lat的计算DWT的提升体系结构已在[67］．设计[67对面积和功率的要求较低。但是，它的CPD长等于 (为查表时延(LUT)， 比特是单词的长度，和是完整的加法器延迟)。一种基于提升的计算一维和二维DWT的体系结构已在[68］．然而，这种设计使用了大小的转置缓冲区 ．节能的基于块的DWT体系结构已在[61］．然而，这种架构需要大量的乘法器，即5/3和9/7滤波器分别需要16和36个乘法器。另一种基于节能提升的可重构DWT体系结构已在[69]，主要用于医疗用途。然而，这种架构的操作频率被限制在20 MHz。一种用于神经传感应用的基于节能提升的可配置DWT体系结构已在[70，需要12个加法器和12个乘法器。然而，对于主架构中使用的门控和交错架构，其工作频率分别被限制在400 KHz和80 KHz。

一种节能的DWT体系结构的改进形式已在[71]，使用Radix-8展台乘数器。这种架构使用位截断来减少面积和功率。然而，当应用反小波变换时，比特截断会降低重建图像的质量。已有一些在图形处理单元(gpu)上的DWT实现[72- - - - - -78];然而，对于低成本的传感平台来说，gpu是相对昂贵的。

最近提出的FrWF架构只需要 字的记忆和有一个CPD等于延迟倍增器［62］．一种无乘法器的FrWF架构也在[62将CPD降低为加法器的延迟， ．然而，FrWF体系结构(带或不带乘数)由于其大量的计算周期有较高的能量消耗。FrWF架构的高能量消耗对于内存和能量受限的可穿戴传感器和便携式成像设备来说可能是不可接受的[79］．

1.3.本文的贡献和结构

本文提出了LFr ，一种基于提升的新型节能架构，用5/3滤波器组计算图像的DWT系数。这是拟议的LFr的核心结构是一个新的基本Lift_block，它计算而且子带系数只有两个双输入加法器和一个乘法器(加上两个管道寄存器)，因此与以前的卷积架构相比，大大降低了硬件要求。此外，提出的体系结构的无乘法器实现，用LFr表示 ，设计。无乘数的LFrCPD比基于乘数的LFr更短体系结构。建议的LFr和LFr结构不仅在能源方面高效，而且比最先进的FrWF结构需要更少的加法器、乘法器和寄存器(与乘法器(Fr ）和没有乘数(Fr ）)．在所需的加法器、乘法器、内存和关键路径延迟方面，我们将提出的体系结构与最先进的DWT计算体系结构进行了比较。我们还在同一个FPGA板上实现了提议的体系结构和最先进的FrWF体系结构。实验结果表明，所提出的LFr和LFr架构的硬件资源需求和能源消耗比最先进的Fr和法文架构。

论文的其余部分安排如下。部分2简要概述了DWT和FrWF技术。提出的基于提升的LFrWF体系结构将在第一部分中详细描述3.以及它的内存需求。评价结果以及相关的讨论将在第一部分中给出4．最后,部分5本文的结论是。

2.背景

本节简要回顾DWT和FrWF技术以及FrWF体系结构。本文中使用的主要表示法总结在表中1．

2.1.离散小波变换(DWT)

计算图像二维DWT最流行的方法是可分离方法，即先对行进行过滤，然后对结果系数进行列级过滤。当一行被一个低通滤波器(LPF)和一个高通滤波器(HPF)卷积(滤波)，然后向下采样2倍，结果分别被称为近似系数和细节系数。对于一维信号的尺寸 ，我们认为这是计算二维DWT的一个初步步骤，有 近似系数和 细节系数。结合下采样和卷积运算，近似系数细节系数为 可以数学上表示为[55］ 分别为,而且表示LPF和HPF系数分别为表示信号样本，而而且分别为LPF系数和HPF系数的个数。小于或等于的最大整数是用符号表示的 ．

在可分离方法中，所有的图像行首先分别由一个HPF和一个LPF卷积，然后以2的因子进行下采样，得到而且部分波段。然后，列而且子带由一个HPF和一个LPF卷积，然后是一个2因子的下采样，结果是 ， ， ，而且部分波段(80］．然而，这种方法需要保存整个 传感器(板)系统上的RAM中的图像。因此，这种DWT计算方法需要大量的内存，使得这种方法不适合低成本的可穿戴传感器和RAM有限的便携式成像设备[55，56］．

吊装方案[81使用可节省内存的就地计算计算图像的DWT。提升方案采用预测和更新步骤计算子带。特别地，利用高通滤波系数预测了低通滤波系数。因此，提升方案减少了LPF系数所需的卷积运算。因此，提升方案减少了计算图像DWT所需的算术计算次数[82］．

5/3滤波器组的提升方案如图所示1．在这张图中， 为输入信号样本。在这些样本中， ，而且是偶数索引的样本，而 ，而且是奇数索引样本。同时,而且分别为高频和低频提升参数;而且缩放参数，因此 ， ，而且 ［66]; ， ，而且为高频小波系数;而 ， ， ，而且为低频小波系数。高、低频小波系数计算如下图所示1；例如,

需要注意的是，图中没有关联符号的箭头1有单位乘法因子，即1。

2.2.分数阶小波滤波器(FrWF)

FrWF是一种低内存DWT计算技术[56］．它使用了一种特定的图像数据扫描技术，以减少计算DWT所需的内存。它选择一个垂直的过滤区域(VFA)，扫描从sd卡的图像行(其中为LPF系数个数)。VFA中的行按光栅扫描顺序读取。一旦完成对VFA中所有图像行的读取，VFA将在垂直方向上移动两行。这种VFA的移动是为了合并并矢下采样。其中一行 ，而且子带由一个VFA计算。通过移动VFA覆盖所有的图像线。VFA将被转移 时间对于一个维度的图像 ．将FrWF与低内存图像编码算法相结合，设计了一种高效的wmsn图像编码器。83］．

一种具有5/3滤波器组的FrWF FPGA架构已在[62］．这种FrWF架构，遵循FrWF数据扫描顺序，需要 字里行间的回忆和合计 计算周期。大量的计算周期导致了高能量消耗，这对于资源受限的可穿戴视觉传感器和便携式成像设备来说可能是令人望而却步的。提出的LFrWF算法主要是为了减少计算图像DWT的能量消耗。

3.提议的LFrWF低能耗架构

本节介绍了提出的基于LFrWF提升的架构，该架构使用带有5/3滤波器组的FrWF方法计算图像的DWT。

3.1.资料扫描令

提出的基于提升的架构遵循FrWF算法的数据扫描顺序[56］．它假设(对于DWT计算的低内存实现是常见的)原始图像存储在sd卡上;在整个过程中，SD访问被适当地缓冲，以补偿SD卡访问的延迟。最初，一个垂直的过滤区域，它跨越影像线(为LPF系数的个数)在sd卡上标记。图像的行按光栅扫描顺序从VFA读取，每次一行进入RAM缓冲区P_store(如图所示)2)．在VFA的所有行处理完成后，VFA向下移动两行，新行按光栅扫描顺序再次读入缓冲区P_store。通过反复向下移动两行VFA来读取完整的图像，直到所有行都被读取。在所提出的架构中，一次读取一行并按栅格顺序扫描;相比之下，[的FrWF体系结构62一次只能读取一条图像线的5个系数。

3.2.提出了基于提升的LFrWF架构

本小节详细描述了提议的基于提升的DWT体系结构。

3.2.1.高层体系结构

数字2显示了所提议的LFrWF体系结构的顶层框图。LFrWF体系结构的工作原理如下。首先，将一行的输入图像像素读入寄存器P_store。这个P_store寄存器存储每个8位的原始图像像素。来自P_store的图像像素被发送到Lift_block(如图所示)3.)，计算而且子带系数采用提升方案。生成的而且子带系数保存在寄存器1D_store中。1D_store寄存器的内容被用作Conv_block的输入(如图所示)4)，它生成的中间系数保存在HH_store, HL_store, LH_store和LL_store寄存器中。这些中间值由下一图像线依次更新。寄存器HH_store、HL_store、LH_store和LL_store中的中间值在更新后将给出 ，而且分别部分波段。一旦最终子带系数 ，而且子带被计算，它们被传输并保存在一个外部sd卡。接下来将描述导致子带计算的不同块的功能。

3.2.2.解除阻止

在5/3滤波器组提升方案中，用两个先前的高通滤波系数来预测一个低通滤波系数。为了有效地实现提升方案，我们引入了一种新的基本Lift_block。如图所示3.，基本的Lift_block计算两个子带系数和1子带系数由一组五个输入像素分三步完成。输入(输入₁、输入₂、输入_3.，以及升降机_票面价值)和输出(输出₁)图中使用的加法器和乘法器3.不同的步骤见表2．前两步计算两个系数子带和第三步计算系数部分波段。在表2， ，而且是图像行的前五个像素。而且是前两个高通滤波系数，作为寄存器1D_store的前两个元素存储。是第一个低通滤波系数，被存储为寄存器1D_store的第三个元素。高通滤波系数(而且 ）低通滤波系数( ）计算为 在哪里 而且 是否提升参数[66］．一旦五个像素( ，而且 ）时，将丢弃前两个像素，并将两个新像素与前三个像素一起读取。同样的程序，在方程(3.) - (5)，在这些新像素上重复，以计算而且子带系数。

图中的基本Lift_block3.需要两个双输入加法器和一个倍增器。这个基本Lift_block的功能本质上取代了Fr中卷积阶段1块的功能体系结构，如图3所示[62，并在图4-7中[62］．对于LPF长度为HPF长度为 ，的卷积阶段-1块在[62)要求双输入加法器和用于低通滤波的乘法器以及双输入加法器和高通滤波的乘法器。因此，对于5/3滤波器，Fr卷积阶段1块需要6个加法器和8个乘法器。

3.2.3.卷积块

在图中的Conv_block中4,来自1D_store寄存器的子带系数乘以合适的HPF和LPF系数(由多路复用器确定)，然后分别与寄存器HH_store和HL_store中的前一个值相加/存储。类似地,1D_store寄存器中的子带系数乘以合适的HPF和LPF系数(由复用器确定)，然后分别与寄存器LH_store和LL_store中的前一个值相加/存储。寄存器HH_store、HL_store、LH_store和LL_store中的值被更新以计算的系数 ，而且分别部分波段。

我们注意到图中的Conv_block4本质上等同于[中图4-7中的FrWF卷积阶段-2块的聚合]。62］．图中的Conv_block4需要四个双输入加法器和四个乘数器。另一方面，[中的图4-7中的FrWF卷积阶段-2块的聚合62需要两个双输入加法器和两个乘数器。

3.2.4.管道寄存器

Lift_block和Conv_block分别使用两个和四个管道寄存器在每个计算周期之后临时保存中间结果。通过使用管道寄存器，提出的LFrWF架构的关键路径延迟(CPD)变成了乘法器延迟 ．

总的来说，对于5/3过滤器，考虑基本的Lift_block(图3.)和Conv_block(图4)、建议的LFr与Fr的8个双输入加法器和10个乘法器相比，需要6个双输入加法器和5个乘法器图4-7 [62])。

所提出的LFrWF架构将原始图像和子带存储在sd卡中。因此，在相同的体系结构下，可以计算更高的小波分解级别子带系数作为输入。

3.3.提议的无乘数LFr实现

5/3滤波器组系数(见表)3.)， 5/3滤波器组提升参数涉及整数除法和乘法。因此，它们可以使用shift和add方法实现。更具体地说，与5/3滤波器组的卷积只需要整数乘法和除法，因此只需要移位和加法操作就可以实现。例如, ，也就是说，改变数字向右两倍等于除除以4。shift和add概念，应用于5/3滤波器系数，操作如下:(1）滤波系数 可以通过三个右移操作，然后是一个补充操作来实现吗（2）滤波系数 可以通过两个右移位操作来实现吗（3）滤波系数 可以通过两个右移操作，然后用一个右移进行加法来实现吗（4）滤波系数 可以通过一个右移操作，然后是一个补操作来实现吗（5）的系数 ，因此，不需要移位

通过这些指定的移位操作，卷积块可以简化并仅使用移位器和加法器实现。图中给出了5/3 LPF和HPF系数的无乘数计算块5而且6,分别。无乘法器实现优于节中基于乘法器的体系结构的一个优点3.2无乘数实现从乘数延迟中减少了CPD归结为加法器延迟 ．

3.4.内存需求

为了计算DWT系数，提出的LFrWF体系结构使用四个寄存器(HH_store、HL_store、LH_store和LL_store)、两个寄存器数组(P_store和1D_store)和六个管道寄存器。寄存器数组P_store(的大小Words)用于存储图像行。的而且通过Lift_block计算的子带系数保存在寄存器数组1D_store中，该寄存器数组包含3个单词。这四个寄存器HH_store、HL_store、LH_store和LL_store是属于的 每个单词。所建议架构的总内存需求等于所有寄存器的总和，即:

3.5.行分割

方程(6)表示LFrWF内存需求随图像维数增大而增大的FrWF内存需求，因此将显著大于 大图像的单词。为了减少所提出的LFrWF架构的内存需求，可以对每条图像线进行分割，如图所示7，与系数，但只有一段(第一段和最后一段只需要在一个边界重叠)(参考文献附录E [88])。在这种方法中，只需要将一个线段读入寄存器数组P_store。因此，LFrWF的内存要求与线段是

对于VFA为的5/3滤波器组 行，内存要求是

其他资源需求与线段分割无关，并保持不变。

行分割降低了所提出的LFrWF体系结构的内存需求，使其内存需求可以降低到[的FrWF体系结构所需的内存以下。62］．FrWF架构不包括行分割功能;因此，它的内存需求不能进一步减少。我们从表中观察到4提出的LFrWF体系结构的内存需求大于FrWF的内存需求。但是，通过结合线段分割方法，LFrWF体系结构的内存需求可以降低到FrWF体系结构以下。对于5/3滤波器组，我们从表中观察到4FrWF体系结构的内存需求是多少 ，而LFrWF体系结构的内存要求与线段是 ，参见equation (8)．因此，LFrWF的内存需求小于FrWF的内存需求 ．

4.结果与讨论

本节介绍所提议的LFrWF体系结构的实现及其与最新体系结构的比较。首先，我们将提出的LFrWF体系结构与几种最先进的体系结构进行了比较，包括所需的加法器和乘法器数量，以及关键路径延迟(CPD)和所需的内存。接下来，将提出的LFrWF体系结构的后实现结果与最先进的FrWF体系结构进行比较[62在Xilinx Artix-7 FPGA平台上实现这两种架构。

4.1.加德器，乘数器，CPD和记忆

表格4比较所需的加法器和乘法器的数量，以及建议的LFrWF体系结构的CPD和所需的RAM与最先进的体系结构。现有最先进架构的加法器和乘法器数量见表4都是从相应的论文中选取的。我们从表中观察到4建议的LFr架构需要最少数量的加器(即，只有6个加器，见图)3.而且4)是最先进的建筑之一。而建议的LFr与Fr相比，只减少了两个所需的加器数量架构，建议的LFr将加器的数量减少到其他现有体系结构的一半以下。在使用乘法器的体系结构中，提出的LFr体系结构还需要最少的乘数，即只需要5个乘数，参见图3.而且4．只有军事革命[85]对乘数的要求同样很低，只有6个乘数(但所需内存大约是LFrWF的两倍)。其他先前的体系结构需要比提议的两倍或更多的乘数体系结构。

我们还从表中观察到4建议的土地注册处处长建筑与Fr架构(62) ，这比[的建筑]要少。85，86］．我们从表格中注意到4即无乘数的LFr和法文已经把CPD降低到 ，这比其他最先进建筑的CPD要低。CPD通过建议的LFr实现的架构削减最短的CPD由阿齐兹建筑实现[87减少到一半。注意，移位器延迟一般比加法器延时大吗 ，也就是说, ；因此，PMA体系结构[85的CPD比Aziz的架构长。CPD降低的好处是，体系结构可以在更高的频率下运行，因为最大操作频率= 1/CPD。当CPD减小时，最大工作频率增大。

表格4进一步表明FrWF体系结构具有最低的内存需求。然而，提出的LFrWF体系结构的内存需求低于表中其他最先进的体系结构的内存需求4．如本节所述4.３，用分段的一行字(像素)成段( 如果超过，则LFrWF内存要求将低于FrWF内存要求 使用段。

4.2.FPGA实现

提出的LFrWF体系结构在遵循FrWF方法的同时，基于提升计算图像的DWT系数。从表中观察到4， FrWF架构[62在最先进的建筑中需要最少的内存。因此，我们实现了FrWF架构[62]和提议的LFrWF架构(最初没有分割，即 ）在Artix-7 FPGA(系列:Artix-7，设备:xc7a15t，包:csg324，速度: )．实现使用相同的乘法器、加法器和Xilinx Artix-7 FPGA家族提供的其他组件。所有体系结构都使用8位的输入像素宽度和16位的数据路径宽度。表格5总结了FPGA实现的比较。我们报告7个最受欢迎的评价的平均值 (8位/像素)测试图像，即“莉娜”，“芭芭拉”，“戈尔希尔”，“船”，“山茱萸”，“辣椒”和“塞尔达”，从滑铁卢曲目(http://links.uwaterloo.ca)获得。对于有乘数器和没有乘数器的体系结构，计算周期数与平均功耗和计算(时钟)周期持续时间分别为5.0 ns和1.5 ns，以此来评估能量消耗。这些时钟周期持续时间已被选择以满足CPD约束，如表所示5，即有乘数设计的CPD为4.8 ns，无乘数设计的CPD为1.45 ns。通过使用Xilinx Vivado软件套件2018.2版本进行仿真，评估计算周期数和平均功耗。

我们从表中观察到5建议的LFr架构所需的lut约少22%，ff约少34%，计算周期约少50%，能耗比Fr低65%体系结构。由于硬件(lut和ff)的减少，LFr所占的面积结构的面积将小于相应的Fr体系结构。此外，所提出的无乘数LFr与无乘法器的Fr相比，该结构所需的FFs减少2.6%，循环次数减少50%，能耗减少43%架构(62］．建议的LFr体系结构需要的lut比没有乘数的Fr略多一些体系结构。

我们还从表中观察到5提出的LFrWF将所需的计算周期数量减少到FrWF所需的大约一半。更具体地说，FrWF需要大约1000万个计算周期 图像，提出的LFrWF只需要略多于500万个计算周期。这种大幅度的减少主要是由于新型Lift_block的计算效率3.2.2)，计算分解子带系数。

此外，我们从表中观察到5提出的带乘法器的LFrWF结构的功耗小于相应的带乘法器的FrWF结构的功耗，而不带乘法器的LFrWF和FrWF的功耗大致相同。通过将时钟周期持续时间(基于CPD)与时钟周期数和所消耗的功率相乘来评估能量消耗。由于减少了(几乎一半)的计算周期数和更低(或相同)的功耗，所提出的LFrWF体系结构的能量消耗水平大大低于FrWF体系结构的能量消耗水平。我们从表中进一步观察5与有乘法器的设计相比，无乘法器的LFrWF和FrWF的时钟周期数相同，但CPD更短，(略微)降低了功率级;因此，无乘法器设计大大降低了能源消耗水平。

我们还从表中观察到5两个体系结构具有相同的CPD。我们注意到硬件组件的数量，例如加法器、乘数器、LUT和FF，以及其他参数，例如时钟周期的数量、内存和CPD (或 )，独立于实现设计的平台和测试图像。在表中列出的结果中4- - - - - -6，只有能耗、功耗和能量延迟乘积(EDP)取决于平台和图像。

4.3.行分割

我们从表中观察到6增加线段的数量减少内存需求，同时增加计算周期的数量和能量消耗。计算周期和能量消耗的增加主要是由于重叠线段边界处的系数需要读两次。然而，对于所有线段( )，计算周期数和能量消耗都小于相应的FrWF体系结构，见表5．我们从表格中观察到5而且6即使是 所提出的LFrWF体系结构比相应的FrWF体系结构具有更低的计算周期和能量消耗。自[的FrWF体系结构62]一次只能读取5个像素，分割方法不能合并到FrWF架构中。因此，FrWF体系结构的内存不能通过合并线段来进一步减少。

图中比较了带和不带乘法器的LFrWF和FrWF结构的edp8而且9,分别。EDP描述了消耗的能量和计算性能，通过将消耗的能量与相应的时钟周期持续时间相乘来评估。我们从图中观察到8而且9提出的LFrWF体系结构(带和不带乘法器)的edp小于相应的FrWF体系结构(带和不带乘法器)的edp。建议的EDP带乘数的体系结构( ）大约比带乘法器的FrWF体系结构少65%，而提出的无乘法器架构( ）大约比无乘法器的FrWF架构少43%。我们从图中观察到8而且9提出的LFrWF体系结构的EDPs随数量的增加而增加的段。然而，即使 每条图像线的分段，所提出的LFrWF体系结构的EDPs小于相应的FrWF体系结构。

5.结论

本文提出并评估了一种基于提升的计算图像DWT系数的架构，该架构基于5/3滤波器组的FrWF方法。与最先进的体系结构相比，所提出的体系结构需要更少的加法器和乘法器。所提出的具有乘数(LFr ）和没有乘数(LFr ）以及最先进的FrWF架构(带或不带乘法器)[62]已经在同一FPGA板上实现并进行了比较。

实验结果表明，所提出的LFr结构需要更少的硬件组件(因此更少的面积)和消耗65%的能源比Fr体系结构。此外，拟议的LFr与传统建筑相比，建筑只增加了少量的面积，却减少了43%的能耗体系结构。较低的能量消耗和最小的面积开销使所提出的架构成为在资源受限的可穿戴传感器上计算图像DWT的理想人选。

未来研究的一个重要方向是将LFrWF体系结构与最先进的基于小波图像编码算法的高效体系结构相结合，设计基于fpga的图像编码器，用于可穿戴视觉传感器和物联网平台上的实时应用。另一个有趣的未来研究方向是检验我们提出的方法在压缩感知环境中的使用[15，89］．

数据可用性

用于支持本研究结果的评价数据包括在文章中。

利益冲突

作者声明本论文的发表不存在任何利益冲突。

参考文献

1. 顾勇，田勇，E. Ekici，“视频传感器网络中的实时多媒体处理”，信号处理:图像通信，第22卷，no。3，页237-251,2007。视图:出版商的网站|谷歌学者
2. T. Kamal, R. Watkins, Z. Cen, J. Rubinstein, G. Kong，和W. M. Lee，“用于便携式高分辨率成像系统的被动液滴分发器的设计和制作”，科学报告2017年，第7卷，第1-13页。视图:出版商的网站|谷歌学者
3. R. LeMoyne和T. Mastroianni，“可穿戴和无线步态分析平台:智能手机和便携式媒体设备”，见无线MEMS网络与应用D. Uttamchandani, Ed.， 129-152页，Woodhead出版社，剑桥，英国，2017年。视图:谷歌学者
4. a . Nag, S. C. Mukhopadhyay和J. Kosel，“可穿戴柔性传感器:综述”，IEEE传感器学报，第17卷，no。13, pp. 3949-3960, 2017。视图:出版商的网站|谷歌学者
5. 吴宏，吴伟。谭，J.阿卜杜拉，h . l。基于视觉和mmu步态数据库的多视角步态识别系统的开发，科学世界杂志， vol. 2014, 2014。视图:谷歌学者
6. S. Plangi, A. Hadachi, A. Lind和A. Bensrhair，“基于移动多传感器融合的实时车辆跟踪”，IEEE传感器学报，第18卷，no。24, pp. 10077-10084, 2018。视图:出版商的网站|谷歌学者
7. S. Seneviratne, Y. Hu, T. Nguyen等人，“可穿戴设备和挑战的调查，”IEEE通信调查和教程，第19卷，no。4, pp. 2573-2620, 2017。视图:谷歌学者
8. 曹磊、李磊、马磊，“基于可穿戴传感器的人体因素与工效学研究综述”，人机系统汇刊，第49卷，no。1, pp. 72-84, 2019。视图:出版商的网站|谷歌学者
9. B. Velusamy和S. C. Pushpan，“一种增强的通道访问方法，以减轻智能医疗中身体传感器网络之间的干扰影响，”IEEE传感器学报，第19卷，no。16, pp. 7082-7088, 2019。视图:出版商的网站|谷歌学者
10. 杨国强，谭伟文，靳宏华，赵涛，“步态识别的可穿戴传感系统研究进展”，集群计算，第22卷，no。第2期，第3021-3029页。视图:出版商的网站|谷歌学者
11. 郑明，刘鹏翔，R. Gravina和G. Fortino，“一个新兴的可穿戴世界:新设备产生了变化和挑战的上升潮，”IEEE系统，人和控制论杂志，第4卷，no。4, pp. 6-14, 2018。视图:出版商的网站|谷歌学者
12. 王俊杰和S. Payandeh，“标定摄像机网络中的手部运动和姿态识别”，多媒体技术的进展， 2017卷，文章ID 2162078, 2017。视图:谷歌学者
13. 学术界。夏朝,人类。郭敬明和j.s。蒋，“一种用于视觉处理的快速离散小波变换算法”，信号处理，第92卷，no。1, pp. 89-106, 2012。视图:出版商的网站|谷歌学者
14. S. Soro和W. Heinzelman，“视觉传感器网络的调查”多媒体技术的进展， 2009卷，ID 640386, 2009。视图:谷歌学者
15. A. S. Unde和P. P. Deepthi，“图像块压缩感知的结构化感知矩阵的速率失真分析”，信号处理:图像通信， vol. 65, pp. 115-127, 2018。视图:出版商的网站|谷歌学者
16. 邢树清，阮志刚，“基于无线多媒体传感器网络的分布式图像压缩架构”，无线通信和移动计算“，， 2017卷，ID 5471721, 2017。视图:谷歌学者
17. 孙峰，毛成昌，范旭东，李勇，“基于加速度计的可穿戴物联网设备速度自适应步态认证方法，”IEEE物联网杂志第6卷第1期。1, pp. 820-830, 2019。视图:出版商的网站|谷歌学者
18. H. Baali, H. Djelouat, a . Amira和F. Bensaali，“使用物联网和智能设备增强技术支持的医疗:综述”，IEEE传感器学报，第18卷，no。5, pp. 1790-1809, 2018。视图:出版商的网站|谷歌学者
19. S. Hiremath, G. Yang和K. Mankodiya，“可穿戴物联网:以人为本的医疗保健的概念、架构组件和承诺”，于第七届无线移动通信与医疗保健国际会议论文集，第304-307页，维也纳，奥地利，2014。视图:谷歌学者
20. M. Manas, A. Sinha, S. Sharma和M. R. Mahboob，“基于物联网的可穿戴健康监测和消息系统的新方法”，环境智能与人性化计算杂志第10卷第1期。7, pp. 2817-2828, 2019。视图:出版商的网站|谷歌学者
21. L. E. Lima, B. Y. L. Kimura和V. Rosset，“物联网的实验环境:综述”，IEEE传感器学报，第19卷，no。9, pp. 3203-3211, 2019。视图:出版商的网站|谷歌学者
22. F. Javed、M. K. Afzal、M. Sharif和B. Kim，“物联网操作系统支持、网络技术、应用和挑战:比较回顾”，IEEE传感器学报，第20卷，no。3, pp. 2062-2100, 2018。视图:谷歌学者
23. K. Kim, H. Kim，和H. Kim，“在可穿戴设备中使用增强现实的基于图像的建筑危险规避系统”，建筑自动化， vol. 83, pp. 390-403, 2017。视图:出版商的网站|谷歌学者
24. Z. Bauer、A. Dominguez、E. Cruz、F. Gomez-Donoso、S. ort - escolano和M. Cazorla，“用深度学习技术和低成本可穿戴传感器增强视障人士的感知能力，”模式识别信，第137卷，第27-36页，2020。视图:出版商的网站|谷歌学者
25. Lee U.， K. Han, H. Cho等，“移动、可穿戴和物联网设备的智能正计算:文献综述和研究方向，”Ad Hoc网络2019年，第83卷，第8-24页。视图:出版商的网站|谷歌学者
26. M. Ayaz, M. Ammad-uddin, I. Baig和e . h。M. Aggoune，“无线传感器的民用应用、原型和未来集成可能性:回顾”，IEEE传感器学报，第18卷，no。1, 2018年第4-30页。视图:出版商的网站|谷歌学者
27. A. Kos, V. milutinovic和A. Umek，“运动生物反馈应用中连接传感器和可穿戴设备的无线通信挑战”，未来一代计算机系统《中国科学》，第92卷，第582-592页，2019。视图:出版商的网站|谷歌学者
28. M. Cagnazzo, F. Delfino, L. Vollero和a . Zinicola，“为便携式设备上基于hvq的视频编解码器权衡质量和复杂性，”视觉传达与图像表示杂志，第17卷，no。3，页564-572,2006。视图:出版商的网站|谷歌学者
29. A. Chefi, A. Soudani和G. Sicard，“基于低复杂度算法编码的WSNs低功率图像传输的硬件压缩方案”，欧洲电子与通信国际杂志第68卷第1期。3, pp. 193-200, 2014。视图:出版商的网站|谷歌学者
30. 陈明，张勇，吕锦江，“适用于FPGA平台的可变尺寸HEVC 2D-DCT的高效体系结构，”欧洲电子与通信国际杂志2017年，vol. 73, pp. 1-8。视图:出版商的网站|谷歌学者
31. A. Madanayake, R. J. Cintra, V. Dimitrov等，“用于DCT\/DWT的低功耗VLSI架构:用于高清视频、生物医学和智能天线应用的精度vs近似”，IEEE电路与系统杂志，第15卷，no。2015年第1期，第25-47页。视图:出版商的网站|谷歌学者
32. T. K. Araghi, A. A. Manaf, A. Alarood，和A. B. Zainol，“提高混合小波变换鲁棒性的主机可行性研究。基于SVD的图像水印方案多媒体技术的进展， vol. 2018, Article ID 1609378, 2018。视图:谷歌学者
33. H. Persson, A. Brunstrom和T. Ottosson，“利用跨层信息提高JPEG2000解码的性能”，多媒体技术的进展， vol. 2007, Article ID 024758, 2007。视图:谷歌学者
34. 闫斌，裴涛，王晓霞，“基于小波变换的眼动行为自动检测”，IEEE传感器学报，第19卷，no。8, pp. 3085-3091, 2019。视图:出版商的网站|谷歌学者
35. B. D. E. Cherif和a . Bendiabdellah，“基于小波变换-神经网络的两电平逆变器开路故障检测”，控制科学与工程学报， vol. 2018, Article ID 1976836, 2018。视图:谷歌学者
36. A. F. R. Guarda, J. M. Santos, L. A. da Silva Cruz, P. A. A. Assunção, N. M. Rodrigues和S. M. de Faria，“一种改进体积医学图像HEVC无损编码的方法”，信号处理:图像通信， vol. 59, pp. 96-104, 2017。视图:出版商的网站|谷歌学者
37. M. L. De Faria, C. E. Cugnasca和J. R. A. Amazonas，“洞察物联网数据和创新的基于小波变换的传感器信号降噪技术”，IEEE传感器学报，第18卷，no。1, pp. 237-247, 2018。视图:谷歌学者
38. 韩飞，乔晓霞，马友云，闫伟，王旭辉，“基于dbN小波和CILBP的草叶识别”，多媒体技术的进展， vol. 2020, Article ID 1909875, 8页，2020。视图:谷歌学者
39. J. G. Escobedo和K. B. Ozanyan，“基于小波的平铺块图像重建，平行滤波反投影，”IEEE传感器学报第16卷第1期。12, pp. 4839-4846, 2016。视图:谷歌学者
40. D. Bhowmik和C. Abhayaratne，“2Dt小波域视频水印多媒体技术的进展， vol 2012, Article ID 973418, 19页，2012。视图:谷歌学者
41. P. R. Hill, N. Anantrasirichai, A. Achim, M. E. Al-Mualla，和D. R. Bull，“未成熟双树复小波变换”，信号处理:图像通信， vol. 35, pp. 61-70, 2015。视图:出版商的网站|谷歌学者
42. T. Brahimi, F. Laouir, L. Boubchir，和A. Ali-Chérif，“一种改进的基于小波的图像编码器，用于嵌入式灰度和彩色图像压缩，”欧洲电子与通信国际杂志， vol. 73, pp. 183-192, 2017。视图:出版商的网站|谷歌学者
43. 刘宏，k - k。黄,C.-X。任,Y.-F。Yu和z - r。基于自适应扫描顺序的星载图像压缩四叉树编码，信号处理:图像通信， vol. 55, pp. 1-9, 2017。视图:出版商的网站|谷歌学者
44. R. Banerjee和S. Das Bit，“基于曲线拟合技术的无线多媒体传感器网络节能图像压缩方案”，无线网络，第25卷，no。1, pp. 167-183, 2019。视图:出版商的网站|谷歌学者
45. M. Tükel, A. Yurdakul和B. Örs，“用于多媒体应用的可定制嵌入式处理器阵列”，集成， vol. 60, pp. 213-223, 2018。视图:出版商的网站|谷歌学者
46. D. G. Costa，“视觉传感器硬件平台:回顾”，IEEE传感器学报，第20卷，no。8, pp. 4025-4033, 2020。视图:出版商的网站|谷歌学者
47. L. Linguaglossa, S. Lange, S. Pontarelli等人，“网络功能虚拟化的性能加速技术综述”，IEEE学报第107卷第1期。4, pp. 746-764, 2019。视图:出版商的网站|谷歌学者
48. G. S. Niemiec, L. M. S. Batista, A. E. Schaeffer-Filho和G. L. Nazar，“虚拟网络功能可行执行的FPGA支持的调查”，IEEE通信调查和教程，第22卷，no。1, pp. 504-525, 2020。视图:出版商的网站|谷歌学者
49. P. Shantharama, a . S. Thyagaturu和M. Reisslein，“网络功能的硬件加速平台和基础设施:使能技术和研究研究的调查”，IEEE访问， vol. 8, pp. 132021-132085, 2020。视图:出版商的网站|谷歌学者
50. A. J. Ferrer, J. M. Marquès和J. Jorba，“走向去中心化云:关于移动、特别和边缘计算的方法和挑战的调查”，ACM计算调查(CSUR)，第51卷，no。6、2019。视图:出版商的网站|谷歌学者
51. M. Mehrabi, D. You, V. Latzko, H. Salah, M. Reisslein，和F. H. Fitzek，“设备增强的MEC:由终端设备计算和缓存辅助的多访问边缘计算(MEC):研究”，IEEE访问《中国科学院学报》，2019年第3期。视图:出版商的网站|谷歌学者
52. N. Karakoc, A. Scaglione, A. Nedic和M. Reisslein，“网络效用最大化问题的多层分解”，IEEE/ACM网络汇刊第28卷第1期。5, 2077-2091页，2020年。视图:出版商的网站|谷歌学者
53. 罗涛，h。p。Tan和T. Q. S. Quek，“传感器OpenFlow:启用软件定义的无线传感器网络”，IEEE通信快报第16卷第1期。第11页，1896-1899,2012。视图:出版商的网站|谷歌学者
54. P. Shantharama, A. S. Thyagaturu, N. Karakoc等，“LayBack:用于网络接入服务和无线电资源共享的多接入边缘计算(MEC)的SDN管理”，IEEE访问， vol. 6, pp. 57 545-557 561, 2018。视图:出版商的网站|谷歌学者
55. S. Rein和M. Reisslein，“无线传感器网络的低内存小波变换:教程”，IEEE通信调查和教程第13卷第1期。2，页291-307,2011。视图:出版商的网站|谷歌学者
56. S. Rein和M. Reisslein，“分数阶小波滤波器的性能评估:一种用于多媒体传感器网络的低内存图像小波变换，”Ad Hoc网络第9卷第1期。4, pp. 482-496, 2011。视图:谷歌学者
57. B. K. Mohanty, A. Mahajan和P. K. Meher，“用于提升2-D DWT高吞吐量实现的面积和功耗高效架构”，IEEE电路与系统汇刊2:简明摘要第59卷，no。7, pp. 434-438, 2012。视图:出版商的网站|谷歌学者
58. R. K. Bhattar, K. R. Ramakrishnan和K. S. Dasgupta，“基于条带的大图像小波编码”，信号处理:图像通信，第17卷，no。6，第441-456页，2002。视图:出版商的网站|谷歌学者
59. 胡元庆，“基于提升的离散小波变换的内存高效可扩展架构”，IEEE电路与系统汇刊2:简明摘要第60卷，no。8, pp. 502-506, 2013。视图:出版商的网站|谷歌学者
60. 叶磊，侯忠忠，“基于JPEG2000的多电平离散小波变换算法，”IEEE视频技术电路与系统汇刊，第25卷，no。11, pp. 1773-1785, 2015。视图:出版商的网站|谷歌学者
61. Y. Hu和V. K. Prasanna，“基于FPGA的节能和面积高效参数化提升的二维DWT体系结构，”IEEE高性能极限计算会议论文集，第1-6页，MA, USA, 2014。视图:谷歌学者
62. M. Tausif、A. Jain、E. Khan和M. Hasan，“用于低成本视觉传感器和可穿戴设备的分数阶小波滤波器的低内存架构”，IEEE传感器学报，第20卷，no。13, pp. 6863-6871, 2020。视图:出版商的网站|谷歌学者
63. 张灿灿，王灿灿，Ahmad，“一种用于二维离散小波变换快速计算的管道VLSI架构，”IEEE电路与系统汇刊I:常规论文第59卷，no。8, pp. 1775-1785, 2012。视图:出版商的网站|谷歌学者
64. B. K. Mohanty和P. K. Meher，“基于内存高效高速卷积的多层二维DWT通用结构”，IEEE视频技术电路与系统汇刊第23卷第3期。2, pp. 353-363, 2013。视图:出版商的网站|谷歌学者
65. 张颖，曹浩，蒋浩，李斌，“多层级离散小波变换的高速VLSI实现，”视觉传达与图像表示杂志， vol. 38, pp. 297-306, 2016。视图:出版商的网站|谷歌学者
66. 学术界。夏朝,js。蒋和j.m.。“基于二维双模提升的离散小波变换的内存高效硬件架构，”IEEE视频技术电路与系统汇刊第23卷第3期。4, pp. 671-683, 2013。视图:出版商的网站|谷歌学者
67. G. Hegde, K. S. Reddy和T. K. Shetty Ramesh，“一种基于LUT的提升和翻转单元的一维和二维DWT架构的新方法”，国际电子与通信杂志， vol. 97, pp. 165-177, 2018。视图:出版商的网站|谷歌学者
68. M. M. A. Basiri和S. N. mohammad，“基于提升的1D/2D离散小波变换的高效VLSI体系结构，”微处理器和微系统， vol. 47, pp. 404-418, 2016。视图:谷歌学者
69. 廖j . c . Wang, l . et al .,“近门槛能源和area-efficient可重构方法/ DWT处理器对于医疗监视应用程序,”IEEE电路与系统汇刊2:简明摘要第62卷，no。1, pp. 70-74, 2015。视图:出版商的网站|谷歌学者
70. 王婷婷，黄鹏，陈凯等，“能量高效可配置的离散小波变换在神经传感中的应用，IEEE电路与系统国际研讨会论文集， 1841-1844页，澳大利亚墨尔本，2014年6月。视图:谷歌学者
71. G. Kumar, N. Balaji, N. Balaji, K. Reddy和V. Thanuja，“二维DWT体系结构的功率和面积高效基-8展位倍增器”，国际智能工程与系统杂志，第12卷，no。3, pp. 148-155, 2019。视图:出版商的网站|谷歌学者
72. J. Franco, G. Bernabé， J. Fernández，和M. Ujaldón，“二维小波变换对新兴架构:gpu和多核”，实时图像处理学报第7卷第1期。3, pp. 145-152, 2012。视图:出版商的网站|谷歌学者
73. V. Galiano, O. López, M. P. Malumbres和H. Migallón，“共享内存系统和gpu中的二维离散小波变换并行策略”，超级计算杂志，第64卷，no。1, 2013年第4-16页。视图:出版商的网站|谷歌学者
74. T. Ikuzawa, F. Ino和K. Hagihara，“通过基于提升的离散小波变换和GPU上的统一缓冲区减少内存使用，”并行与分布式计算学报， vol. 93-94, pp. 44-55, 2016。视图:出版商的网站|谷歌学者
75. W. J. van der Laan, A. C. Jalba和J. B. T. M. Roerdink，“使用CUDA加速图形硬件上的小波提升”，IEEE并行与分布式系统汇刊，第22卷，no。1, pp. 132-146, 2011。视图:出版商的网站|谷歌学者
76. M. Kucis, D. Barina, M. Kula和P. Zemcik，“利用GPU进行二维离散小波变换”，于计算机体系结构和高性能计算国际研讨会论文集，第1-6页，巴黎，法国，2014。视图:谷歌学者
77. 全天明和w.k。“在gpu上使用混合并行的快速离散小波变换”，IEEE并行与分布式系统汇刊第27卷第4期。11, pp. 3088-3100, 2016。视图:出版商的网站|谷歌学者
78. R. Khemiri, F. Sayadi, M. Atri，和R. Tourki，“MatLab加速DWT”daubechies 9/7“用于GPU上的JPEG2000标准”，在计算机与信息技术全球峰会论文集(GSCIT)，第1-4页，苏塞，突尼斯，2014年。视图:谷歌学者
79. G. Suseela和Y. Asnath Victy Phamila，“低功耗传感器节点的高效图像编码技术:综述”，Ain Shams工程杂志第9卷第1期。4, pp. 2961-2972, 2018。视图:出版商的网站|谷歌学者
80. 孙鸿基，史永强，多媒体工程图像和视频压缩:基础、算法和标准CRC出版社，美国佛罗里达州博卡拉顿，第二版，2008年。
81. H. ZainEldin, M. A. Elhosseini和H. A. Ali，“用于无线多媒体传感器网络的改进的基于SPIHT的无条SPIHT”，计算机与电气工程， vol. 56, pp. 519-532, 2016。视图:出版商的网站|谷歌学者
82. W. sweeldens，“提升方案:第二代小波的构造”，数学分析杂志第29卷第4期。2，第511-546页，1998。视图:出版商的网站|谷歌学者
83. S. a . Rein, F. H. P. Fitzek, C. Gühmann和T. Sikora，“小波图像双线编码器的评价:一种低复杂度的图像压缩方案，”信号处理:图像通信， vol. 37, pp. 58-74, 2015。视图:出版商的网站|谷歌学者
84. A. Skodras, C. Christopoulos和T. Ebrahimi，“JPEG 2000静态图像压缩标准”，IEEE信号处理杂志，第18卷，no。5，第36-58页，2001年。视图:出版商的网站|谷歌学者
85. A. D. Darji、S. S. Kushwah、S. N. Merchant和A. N. Chandorkar，“基于多级提升的离散小波变换的高性能硬件架构”，图像和视频处理学报， vol. 2014, 2014。视图:谷歌学者
86. G. saviic和V. rajoviic，“基于5/3提升的2D逆DWT的新型内存高效硬件架构，”电路、系统与计算机杂志第28卷第1期。7日,2018年。视图:谷歌学者
87. S. M. Aziz和D. M. Pham，“多层前向离散小波变换处理器的高效并行架构”，计算机与电气工程第38卷第3期。5，第1325-1335页，2012。视图:出版商的网站|谷歌学者
88. M. Tausif, E. Khan, M. Hasan和M. Reisslein，“SMFrWF:分段修正分数阶小波滤波器:快速低内存离散小波变换(DWT)，”IEEE访问2019年，第7卷，第84 448-84 467页。视图:出版商的网站|谷歌学者
89. 李锐，刘浩，曾勇，李勇，“基于自适应颗粒重建的图像块压缩感知”，多媒体技术的进展， vol. 2016, 2016。视图:谷歌学者

betway赞助

betway赞助版权所有©2020 Mohd Tausif et al.。这是一篇开放获取的文章创作共用授权协议该法律允许在任何媒体上不受限制地使用、分发和复制，前提是必须正确引用原著。