SpinalHDL里如何實(shí)現(xiàn)Sobel邊緣檢測(cè)

書(shū)接上文，趁著今天休假，采用SpinalHDL做一個(gè)小的demo，看看在SpinalHDL里如何優(yōu)雅的實(shí)現(xiàn)Sobel邊緣檢測(cè)。

Sobel邊緣檢測(cè)

Sobel邊緣檢測(cè)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(cè)的圖像灰度值，其公式如下：

圖像的每一個(gè)像素的橫向及縱向灰度值通過(guò)以下公式結(jié)合，來(lái)計(jì)算該點(diǎn)灰度的大?。?/p>

通常，為了提高效率使用不開(kāi)平方的近似值：

最后，當(dāng)計(jì)算出來(lái)的值大于某一閾值時(shí)即認(rèn)為為邊緣像素點(diǎn)。

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

卷積計(jì)算

通過(guò)bufWindow，我們可以得到一個(gè)3x3的矩陣窗口，拿到結(jié)果第一步即是計(jì)算卷積，由于卷積因子是帶符號(hào)的，而在做卷積時(shí)又需要考慮位寬擴(kuò)展的事情，在寫(xiě)Verilog時(shí)還是需要小心的設(shè)計(jì)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(hào)值，然后進(jìn)行計(jì)算卷積。計(jì)算卷積運(yùn)用了兩個(gè)運(yùn)算符“-^”,"+|"來(lái)處理加減運(yùn)算時(shí)的位寬處理(可參照SpinalHDL手冊(cè)或本公眾號(hào)的《SpinalHDL—數(shù)據(jù)類(lèi)型：UInt/SIn》)。最終得到Gx、Gy。

灰度計(jì)算

灰度計(jì)算這里采用近似值，通過(guò)取絕對(duì)值的方式進(jìn)行實(shí)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(jì)算時(shí)有擴(kuò)展位寬，這里計(jì)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(shí)現(xiàn)這一步要做多少事情，少年）。

閾值比較

閾值比較就很簡(jiǎn)單了，比較兩個(gè)值大小取兩個(gè)極端：

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

最終實(shí)現(xiàn)Sobel邊緣檢測(cè)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(jiǎn)潔而優(yōu)雅，基本上就是描述算法，出錯(cuò)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(yàn)證時(shí)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(shí)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(duì)比。 太麻煩。SpinalHDL提供了仿真支持，而SpinalHDL是基于Scala的，可以完美實(shí)現(xiàn)整個(gè)仿真驗(yàn)證流程：從圖片直接獲取數(shù)據(jù)，然后進(jìn)行仿真驗(yàn)證，仿真結(jié)果直接再次生成圖片。