Sobel 原理介紹

索貝爾算子（Sobel operator）主要用作邊緣檢測，在技術上，它是一離散性差分算子，用來運算圖像亮度函數(shù)的灰度之近似值。在圖像的任何一點使用此算子，將會產生對應的灰度矢量或是其法矢量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 分別代表經橫向及縱向邊緣檢測的圖像灰度值，其公式如下：

具體計算如下：

Gx = （-1）*f（x-1， y-1） + 0*f（x，y-1） + 1*f（x+1，y-1）

+（-2）*f（x-1，y） + 0*f（x，y）+2*f（x+1，y）

+（-1）*f（x-1，y+1） + 0*f（x，y+1） + 1*f（x+1，y+1）

= ［f（x+1，y-1）+2*f（x+1，y）+f（x+1，y+1）］-［f（x-1，y-1）+2*f（x-1，y）+f（x-1，y+1）］

Gy =1* f（x-1， y-1） + 2*f（x，y-1）+ 1*f（x+1，y-1）

+0*f（x-1，y） 0*f（x，y） + 0*f（x+1，y）

+（-1）*f（x-1，y+1） + （-2）*f（x，y+1） + （-1）*f（x+1， y+1）

= ［f（x-1，y-1）+2f（x，y-1）+f（x+1，y-1）］-［f（x-1， y+1） + 2*f（x，y+1）+f（x+1，y+1）］

其中 f（a，b）， 表示圖像（a，b）點的灰度值；

圖像的每一個像素的橫向及縱向灰度值通過以下公式結合，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

Sobel 算子根據(jù)像素點上下、左右鄰點灰度加權差，在邊緣處達到極值這一現(xiàn)象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。當對精度要求不是很高時，是一種較為常用的邊緣檢測方法。

Sobel 算子在 HLS 上的實現(xiàn)

工程創(chuàng)建

Step1：打開 Vivado HLS 開發(fā)工具，單擊 Creat New Project 創(chuàng)建一個新工程，設置好工程路徑和工程名，一直點擊 Next 按照默認設置

Step2：出現(xiàn)如下圖所示界面，時鐘周期 Clock Period 按照默認 10ns，Uncertaintly 和 Solution Name 均按照默認設置，點擊紅色箭頭部分選擇芯片類型，然后點擊 OK。

點擊 Finish，出現(xiàn)如下界面

Step4：右單擊 Source 選項，選擇 New File，創(chuàng)建一個名為 Top.cpp 的文件。（一定要加cpp后綴）

Step5：打開剛剛新建的cpp文件，進入編輯狀態(tài)，輸入以下代碼

Top.cpp代碼

#include “top.h”

void hls_sobel（AXI_STREAM& INPUT_STREAM， AXI_STREAM&

OUTPUT_STREAM， int rows， int cols）

{

//Create AXI streaming interfaces for the core

#pragma HLS INTERFACE axis port=INPUT_STREAM

#pragma HLS INTERFACE axis port=OUTPUT_STREAM

#pragma HLS RESOURCE core=AXI_SLAVE variable=rows metadata=“- bus_bundle CONTROL_BUS”

#pragma HLS RESOURCE core=AXI_SLAVE variable=cols metadata=“-bus_bundle CONTROL_BUS”

#pragma HLS RESOURCE core=AXI_SLAVE variable=return metadata=“-bus_bundle CONTROL_BUS”

#pragma HLS INTERFACE ap_stable port=rows

#pragma HLS INTERFACE ap_stable port=cols

RGB_IMAGE img_0（rows， cols）;

RGB_IMAGE img_1（rows， cols）;

RGB_IMAGE img_2（rows， cols）;

RGB_IMAGE img_3（rows， cols）;

RGB_IMAGE img_4（rows， cols）;

RGB_IMAGE img_5（rows， cols）;

RGB_PIXEL pix（50， 50， 50）;

#pragma HLS dataflow

hls：：AXIvideo2Mat（INPUT_STREAM， img_0）;

hls：：Sobel《1，0，3》（img_0， img_1）;

hls：：SubS（img_1， pix， img_2）;

hls：：Scale（img_2， img_3， 2， 0）;

hls：：Erode（img_3， img_4）;

hls：：Dilate（img_4， img_5）;

hls：：Mat2AXIvideo（img_5， OUTPUT_STREAM）

}

Step6：再在 Source 中添加一個名為 Top.h 的庫函數(shù)，并添加如下程序：

Top.h代碼

#ifndef TOP_H

#define TOP_H

#include “hls_video.h”

// maximum image size

#define MAX_WIDTH 512

#define MAX_HEIGHT 512

// I/O Image Settings

#define INPUT_IMAGE “l(fā)ena.jpg”

#define OUTPUT_IMAGE “result.jpg”

#define OUTPUT_IMAGE_GOLDEN “result_golden.jpg”

// typedef video library core structures

typedef hls：：stream《ap_axiu《32，1，1，1 style=“font-size： inherit;color： inherit;line-height： inherit;”》》 AXI_STREAM;

typedef hls：：Scalar《3， unsigned char》 RGB_PIXEL;

typedef hls：：MatRGB_IMAGE;

// top level function for HW synthesis

void hls_sobel（AXI_STREAM& src_axi， AXI_STREAM& dst_axi， int rows， int cols）;

#endif《/ap_axiu《32，1，1，1》

Step7：在 Test Bench 中，用同樣的方法添加一個名為 Test.cpp 的測試程序。添加如下代碼：

Test.cpp代碼

#include “top.h”

#include “opencv_top.h”

using namespace std;

using namespace cv;

int main （int argc， char** argv）

{

//獲取圖像數(shù)據(jù)

IplImage* src = cvLoadImage（INPUT_IMAGE）;

IplImage* dst = cvCreateImage（cvGetSize（src）， src-》depth， src-》nChannels）;

//使用HLS庫進行處理

AXI_STREAM src_axi， dst_axi;

IplImage2AXIvideo（src， src_axi）;

hls_sobel（src_axi， dst_axi， src-》height， src-》width）;

AXIvideo2IplImage（dst_axi， dst）;

cvSaveImage（OUTPUT_IMAGE，dst）;

cvShowImage（“hls_dst”， dst）;

//使用OPENCV庫進行處理

opencv_image_filter（src， dst）;

cvShowImage（“cv_dst”， dst）;

cvSaveImage（OUTPUT_IMAGE_GOLDEN，dst）;

waitKey（0）;

//釋放內存

cvReleaseImage（&src）;

cvReleaseImage（&dst）;

}

Step8：用同樣的方法，再在 Test Bench 中創(chuàng)建一個 opencv_top.cpp 和 opencv_top.h 文件，添加如下程序：

Opencv_top.cpp代碼

#include “opencv_top.h”

#include “top.h”

void opencv_image_filter（IplImage* src， IplImage* dst）

{

IplImage* tmp = cvCreateImage（cvGetSize（src）， src-》depth， src-》nChannels）;

cvCopy（src， tmp）;

cv：：Mat）tmp， （cv：：Mat）dst， -1， 1， 0）;

cvSubS（dst， cvScalar（50，50，50）， tmp）;

cvScale（tmp， dst， 2， 0）;

cvErode（dst， tmp）;

cvDilate（tmp， dst）;

cvReleaseImage（&tmp）;

}

void sw_image_filter（IplImage* src， IplImage* dst）

{

AXI_STREAM src_axi， dst_axi;

IplImage2AXIvideo（src， src_axi）;

hls_sobel（src_axi， dst_axi， src-》height， src-》width）;

AXIvideo2IplImage（dst_axi， dst）;

}

opencv_top.h代碼

#ifndef OPENCV_TOP_H___ #define ___OPENCV_TOP_H

#include “hls_opencv.h”

void opencv_image_filter（IplImage* src， IplImage* dst）;

void sw_image_filter（IplImage* src， IplImage* dst）;

#endif

Step7：在 Test Bench 中添加一張名為 lena.jpg的測試圖片

接下來對工程進行編譯和仿真。

Step1：單擊 Project-Project settings 或直接單擊快捷按鈕。

Step2：選擇 Synthesis 選項，然后點擊 Browse.。指定一個頂層函數(shù)，選定 hls_sobel 為頂層函數(shù)，

單擊 開始綜合

在協(xié)議類型里面我們可以看到我們主要使用了三種協(xié)議，分別是 axis、ap_stable 和 ap_ctrl_hs 三種，這些協(xié)議的詳細解釋我們均可以在官方手冊 ug902 中找到，其中 ap_ctrl_hs 的時序操作如下圖所示，說簡單點就是復位完成等待 ap_start 信號開始進行操作

綜合完畢，我們對代碼進行仿真測試，單擊 開始仿真

仿真結果如下，與通過 OPENCV 實現(xiàn)的 Sobel 檢測結果基本一致。

編輯：jq