Sobel算子原理介紹與實現(xiàn)方法

Sobel 原理介紹

索貝爾算子（Sobel operator）主要用作邊緣檢測，在技術(shù)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(chǎn)生對應(yīng)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(jīng)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(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

Sobel 算子根據(jù)像素點上下、左右鄰點灰度加權(quán)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(shè)置好工程路徑和工程名，一直點擊 Next 按照默認設(shè)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(shè)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

#ifndefTOP_H
#defineTOP_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> 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

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(nèi)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

#ifndefOPENCV_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(fù)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(jié)果如下，與通過OPENCV實現(xiàn)的Sobel檢測結(jié)果基本一致。

審核編輯：湯梓紅