浅述Sobel算子在HLS上的实现教程

Sobel 原理介绍

索贝尔算子（Sobel operator）主要用作边缘检测，在技术上，它是一离散性差分算子，用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量Sobel 卷积因子为：

该算子包含两组 3x3 的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以 A 代表原始图像，Gx 及 Gy 分别代表经横向及纵向边缘检测的图像灰度值，其公式如下：

具体计算如下：

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）， 表示图像（a，b）点的灰度值；

图像的每一个像素的横向及纵向灰度值通过以下公式结合，来计算该点灰度的大小：

通常，为了提高效率 使用不开平方的近似值

Sobel 算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

Sobel 算子在 HLS 上的实现

工程创建

Step1：打开 Vivado HLS 开发工具，单击 Creat New Project 创建一个新工程，设置好工程路径和工程名，一直点击 Next 按照默认设置

Step2：出现如下图所示界面，时钟周期 Clock Period 按照默认 10ns，Uncertaintly 和 Solution Name 均按照默认设置，点击红色箭头部分选择芯片类型，然后点击 OK。

点击 Finish，出现如下界面

Step4：右单击 Source 选项，选择 New File，创建一个名为 Top.cpp 的文件。（一定要加cpp后缀）

Step5：打开刚刚新建的cpp文件，进入编辑状态，输入以下代码

Top.cpp代码

#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 中添加一个名为 Top.h 的库函数，并添加如下程序：

Top.h代码

#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 “lena.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，用同样的方法添加一个名为 Test.cpp 的测试程序。添加如下代码：

Test.cpp代码

#include “top.h”

#include “opencv_top.h”

using namespace std;

using namespace cv;

int main （int argc， char** argv）

{

//获取图像数据

IplImage* src = cvLoadImage（INPUT_IMAGE）;

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

//使用HLS库进行处理

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库进行处理

opencv_image_filter（src， dst）;

cvShowImage（“cv_dst”， dst）;

cvSaveImage（OUTPUT_IMAGE_GOLDEN，dst）;

waitKey（0）;

//释放内存

cvReleaseImage（&src）;

cvReleaseImage（&dst）;

}

Step8：用同样的方法，再在 Test Bench 中创建一个 opencv_top.cpp 和 opencv_top.h 文件，添加如下程序：

Opencv_top.cpp代码

#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代码

#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 中添加一张名为 lena.jpg的测试图片

接下来对工程进行编译和仿真。

Step1：单击 Project-Project settings 或直接单击快捷按钮。

Step2：选择 Synthesis 选项，然后点击 Browse.。指定一个顶层函数，选定 hls_sobel 为顶层函数，

单击 开始综合

在协议类型里面我们可以看到我们主要使用了三种协议，分别是 axis、ap_stable 和 ap_ctrl_hs 三种，这些协议的详细解释我们均可以在官方手册 ug902 中找到，其中 ap_ctrl_hs 的时序操作如下图所示，说简单点就是复位完成等待 ap_start 信号开始进行操作

综合完毕，我们对代码进行仿真测试，单击 开始仿真

仿真结果如下，与通过 OPENCV 实现的 Sobel 检测结果基本一致。

编辑：jq