The multiply-accumulator (MAC) unit is the basic integral computational block in every digital image and digital signal processor. As the demand grows, it is essential to design these units in an efficient manner to build a successful processor. By considering this into account, a power-efficient, high-speed MAC unit is presented in this paper. The proposed MAC unit is a combination of a two-phase clocked modified sequential multiplier and a carry-save adder (CSA) followed by an accumulator register. A novel two-phase clocked modified sequential multiplier is introduced in the multiplication stage to reduce the power and computation time. For image blurring, these multiplier and adder blocks are subsequently incorporated into the MAC unit. The experimental results demonstrated that the proposed design reduced the power consumption by 𝟓𝟐% and improved the computation time by 𝟒% than the conventional architectures. The developed MAC unit is implemented using 𝟏𝟖𝟎𝒏𝒎 standard CMOS technology using CADENCE RTL compiler, synthesized using XILINX ISE and the image blurring effect is analyzed using MATLAB.
Automatic identification method of the blur type is an important stage in automatic restoring and segmentation of partially blurred images. This article describes automatic identification method of blurred images that also allows to estimate the blur angle parameter. This method contains five steps: 1) applying modified Sobel operator to the input image; 2) image cutting on perimeter in order to eliminate the negative effects occurred at the previous step; 3) construction sequentially blurred image’s versions from the step 2 with fixed radius; 4) similarity measure calculation of sequentially blurred image’s versions along with original image; 5) estimation of the criterion value. Method has been tested and has shown correct result in more than 90% of input images, and the average angle’s error does not exceed more than 8 degrees.
PL
Metoda automatycznej identyfikacji typu rozmycia jest ważnym etapem w zagadnieniach automatycznego przywracania i segmentacji obrazów częściowo zniekształconych. W artykule rozpatrzono metodę automatycznej identyfikacji obrazów rozmytych pozwalającą również określić kąt rozmycia. Metoda ta obejmuje pięć kroków: 1) zastosowanie do wejściowego obrazu zmodyfikowanego operatora Sobela; 2) cięcie obrazu na obwodzie w celu wyeliminowania negatywnych skutków występujących w poprzednim kroku; 3) budowa kolejno wersji obrazów rozmytych z kroku 2 zachowując zdefiniowany stały promień; 4) obliczenie miary podobieństwa wersji obrazów kolejno rozmytych z oryginalnym obrazem; 5) wyznaczenie wartości kryterium. Testowanie metody wykazało prawidłowy wynik w ponad 90% obrazów wejściowych, a średni błąd określenia kąta rozmycia nie przekracza 8 stopni.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.