SpinalHDL里如何實現(xiàn)Sobel邊緣檢測

書接上文，趁著今天休假，采用SpinalHDL做一個小的demo，看看在SpinalHDL里如何優(yōu)雅的實現(xiàn)Sobel邊緣檢測。

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小：

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展一位位寬轉(zhuǎn)換為有符號值，然后進行計算卷積。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展位寬，這里計算最后調(diào)用fixTo進行高位飽和處理。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)，然后進行仿真驗證，仿真結(jié)果直接再次生成圖片。