Sobel邊緣檢測

Sobel邊緣檢測原理教材網(wǎng)上一大堆，核心為卷積處理。

Sobel卷積因子為：

該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測的圖像灰度值，其公式如下：

圖像的每一個像素的橫向及縱向灰度值通過以下公式結(jié)合，來計算該點灰度的大?。?/p>

通常，為了提高效率 使用不開平方的近似值：

最后，當(dāng)計算出來的值大于某一閾值時即認(rèn)為為邊緣像素點。

歸結(jié)起來，Sobel邊緣檢測分為三大步：卷積計算、灰度計算、閾值比較處理。結(jié)合上文實現(xiàn)的bufWindow，在SpinalHDL里實現(xiàn)Sobel邊緣檢測也就幾行代碼的事情（如果是寫Verilog我還是拒絕的）。

卷積計算

通過bufWindow，我們可以得到一個3x3的矩陣窗口，拿到結(jié)果第一步即是計算卷積，由于卷積因子是帶符號的，而在做卷積時又需要考慮位寬擴(kuò)展的事情，在寫Verilog時還是需要小心的設(shè)計下的，而在SpinalHDL里，兩行代碼：

val Gx=（windowbuf.io.dataOut.payload（0）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（0）（0）.expand.asSInt）+| （（windowbuf.io.dataOut.payload（1）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（1）（0）.expand.asSInt）《《1）+| （windowbuf.io.dataOut.payload（2）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（0）.expand.asSInt）val Gy=（windowbuf.io.dataOut.payload（0）（0）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（0）.expand.asSInt）+| （（windowbuf.io.dataOut.payload（0）（1）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（1）.expand.asSInt）《《1）+| （windowbuf.io.dataOut.payload（0）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（2）.expand.asSInt）

首先將bufWindow輸出的窗口矩陣值擴(kuò)展一位位寬轉(zhuǎn)換為有符號值，然后進(jìn)行計算卷積。計算卷積運用了兩個運算符“-^”，“+|”來處理加減運算時的位寬處理（可參照SpinalHDL手冊或本公眾號的《SpinalHDL—數(shù)據(jù)類型：UInt/SIn》）。最終得到Gx、Gy。

灰度計算

灰度計算這里采用近似值，通過取絕對值的方式進(jìn)行實現(xiàn)，在SpinalHDL里也就一行代碼的事情：

sobelResult.payload：= （sobelConv.payload（0）.abs+| sobelConv.payload（1）.abs）.fixTo（cfg.dataWidth-1 downto 0，RoundType.ROUNDUP）

由于在卷積計算時有擴(kuò)展位寬，這里計算最后調(diào)用fixTo進(jìn)行高位飽和處理。最終得到位寬與輸入保持一致（想想你在Veirlog里實現(xiàn)這一步要做多少事情，少年）。

閾值比較

閾值比較就很簡單了，比較兩個值大小取兩個極端：

when（sobelResult.payload》io.thresholdValue）{ io.dataOut.payload：=（default-》true） }otherwise{ io.dataOut.payload：=（default-》false） }

最終實現(xiàn)Sobel邊緣檢測代碼如下：

case class sobelProc（cfg:lineBufferCfg） extends Component{ require（cfg.lineNum==3） val io=new Bundle{ val thresholdValue =in UInt（cfg.dataWidth bits） val dataIn=slave Flow（UInt（cfg.dataWidth bits）） val dataOut=master Flow（UInt（cfg.dataWidth bits）） dataOut.valid.setAsReg（）.init（False） dataOut.payload.setAsReg（）.init（0） } noIoPrefix（） val sobel=new Area{ val windowbuf=bufWindow（cfg） val sobelConv=Reg（Flow（Vec（SInt（），2））） val sobelResult=Reg（Flow（UInt（cfg.dataWidth bits））） sobelConv.valid.init（False） sobelResult.valid.init（False） io.dataIn《》windowbuf.io.dataIn val Gx=（windowbuf.io.dataOut.payload

（0）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（0）（0）.expand.asSInt）+| （（windowbuf.io.dataOut.payload（1）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（1）（0）.expand.asSInt）《《1）+| （windowbuf.io.dataOut.payload（2）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（0）.expand.asSInt） val Gy=（windowbuf.io.dataOut.payload（0）（0）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（0）.expand.asSInt）+| （（windowbuf.io.dataOut.payload

（0）（1）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（1）.expand.asSInt）《《1）+| （windowbuf.io.dataOut.payload（0）（2）.expand.asSInt-^windowbuf.io.dataOut.payload（2）（2）.expand.asSInt） sobelConv.valid：=windowbuf.io.dataOut.valid sobelConv.payload（0）：=Gx sobelConv.payload（1）：=Gy sobelResult.valid：=sobelConv.valid sobelResult.payload：= （sobelConv.payload（0）.abs+| sobelConv.payload（1）.abs）.fixTo（cfg.dataWidth-1 downto 0，RoundType.ROUNDUP） io.dataOut.valid：=sobelResult.valid when（sobelResult.payload》io.thresholdValue）{ io.dataOut.payload：=（default-》true） }otherwise{ io.dataOut.payload：=（default-》false） } }}

區(qū)區(qū)不到四十行代碼，簡潔而優(yōu)雅，基本上就是描述算法，出錯概率應(yīng)該很小吧！

仿真

做圖像處理的小伙伴想想在做仿真驗證時需要怎么搞，matlab生成灰度圖像二進(jìn)制數(shù)據(jù)放在文件里，然后仿真時再導(dǎo)入，仿真完成后將結(jié)果保存到文件里，最后再在matlab里做對比。 太麻煩。SpinalHDL提供了仿真支持，而SpinalHDL是基于Scala的，可以完美實現(xiàn)整個仿真驗證流程：從圖片直接獲取數(shù)據(jù)，然后進(jìn)行仿真驗證，仿真結(jié)果直接再次生成圖片。

原文標(biāo)題：FPGA圖像處理——老戲新說

文章出處：【微信公眾號：FPGA之家】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq