PotatoPie 4.0 实验教程(27) —— FPGA实现摄像头图像拉普拉斯边缘提取

本文链接：https://blog.csdn.net/ICMakerChipdebug/article/details/138138153

文章介绍了拉普拉斯边缘提取在图像处理中的关键作用，包括边缘检测、特征提取、图像增强和图像分割。详细阐述了其基本原理、边缘检测的步骤，并提供了Python和MATLAB的代码示例，展示了FPGA在实时边缘检测中的应用。同时提到了边缘检测可能面临的噪声问题。

摘要由CSDN通过智能技术生成

拉普拉斯边缘提取有什么作用？

拉普拉斯边缘检测是一种常用的图像处理技术，用于检测图像中的边缘和边界。它的主要作用包括：

边缘检测：拉普拉斯算子可以帮助检测图像中的边缘，即图像中亮度快速变化的位置。这些边缘通常表示了图像中物体的轮廓和形状，因此边缘检测是许多图像处理和计算机视觉任务的基础，如物体检测、图像分割等。
特征提取：在图像处理和计算机视觉任务中，提取图像中的重要特征对于后续的分析和识别至关重要。边缘通常包含了很多有用的信息，通过拉普拉斯边缘检测可以提取这些边缘特征，用于图像的描述和分析。
图像增强：拉普拉斯边缘检测可以突出图像中的边缘和细节，从而使图像更加清晰和易于理解。这对于图像的增强和改善视觉效果是很有帮助的。
图像分割：图像分割是将图像划分为具有语义意义的区域或对象的过程。边缘通常是图像中不同区域之间的分界线，因此通过边缘检测可以帮助实现图像的分割。

总的来说，拉普拉斯边缘检测在图像处理和计算机视觉领域中有着广泛的应用，可以用于边缘检测、特征提取、图像增强和图像分割等任务。

拉普拉斯边缘检测的基本流程

边缘检测在图像处理和计算机视觉中扮演着重要角色，其目的是识别图像中亮度变化明显的点，这些变化往往反映了图像中重要的特征和结构。边缘检测的重要性体现在以下几个方面：

减少数据量: 边缘检测能够剔除图像中大量的非重要信息，从而减少数据量，提高处理效率。
保留重要结构: 边缘检测有助于保留图像中的重要结构信息，使得后续处理更加精确和高效。
特征提取: 边缘检测是特征提取的基础步骤之一，它可以帮助识别图像中的物体边界和轮廓，从而为目标识别、跟踪、分割等任务提供重要线索。
基于查找的方法: 这类方法通过查找图像一阶导数的最大和最小值来检测边缘，通常将边缘定位在梯度最大的方向。常见的基于查找的方法包括 Sobel、Prewitt 和 Roberts 等算子。
基于零穿越的方法: 这类方法通过寻找图像二阶导数的零穿越来寻找边缘，通常是在 Laplacian 过零点或者非线性差分表示的过零点。这些方法能够更加精确地定位边缘，但也更容易受到噪声的影响。

总的来说，边缘检测是图像处理和计算机视觉中的基础问题之一，对于提取图像的重要特征和结构具有重要意义，为许多图像分析和理解任务提供了基础。

拉普拉斯边缘检测是一种基于二阶导数的边缘检测方法。以下是其基本步骤：

灰度化：将输入的彩色图像转换为灰度图像。这可以通过取红、绿、蓝三个通道的平均值或者通过加权平均（比如用0.299R + 0.587G + 0.114*B）来实现。
高斯滤波：为了减少图像中的噪声对边缘检测的影响，通常先对图像进行高斯滤波，以平滑图像。高斯滤波器可以用来降低图像中高频部分的强度，保留图像中的低频部分。
拉普拉斯卷积：使用拉普拉斯算子（也称为拉普拉斯核）对图像进行卷积操作，以检测图像中的边缘。拉普拉斯算子是一个二阶导数算子，其一般形式为：在离散图像中，可以用以下拉普拉斯核进行卷积计算：

   0 -1 0
   -1 4 -1
  0 -1 0

或者

1 1 1
1 -8 1
1 1 1

这两种核的选择通常取决于具体的应用需求。

4. 边缘检测：在经过拉普拉斯卷积后的图像中，边缘会被放大成边缘点（或边缘线）。通常，我们会对结果应用阈值处理，将像素值大于某个阈值的点标记为边缘点，而小于阈值的点则忽略。

这些步骤组成了拉普拉斯边缘提取的基本流程，但具体实现时可能会根据应用需求和算法优化进行调整和修改。

灰度化前面的教程中提到过，高斯滤波我们后面会讲到，这个教程里为了分步演示FPGA处理效果，不进行高斯滤波和灰度处理。

python实现拉普拉斯边缘提取源代码

PotatoPie 4.0 实验教程(27) —— FPGA实现摄像头图像拉普拉斯边缘提取-Anlogic-安路论坛-FPGA CPLD-ChipDebug

这段代码的功能是读取一个名为 “edge.png” 的彩色图像，将其转换为灰度图像，并对其应用拉普拉斯边缘检测算法，最后将结果图像显示出来。

具体步骤如下：

导入必要的 Python 库：导入了 OpenCV（cv2）、NumPy（np）、os 和 matplotlib.pyplot（plt）库。
读取输入图像并转换为灰度图像：使用 OpenCV 的 cv2.imread() 函数读取名为 “edge.png” 的彩色图像，然后使用 cv2.cvtColor() 函数将其转换为灰度图像。
初始化用于存储拉普拉斯边缘检测结果的图像：创建了一个与原始灰度图像相同大小的数组，用于存储拉普拉斯边缘检测结果。
计算拉普拉斯边缘检测值：遍历灰度图像的每个像素，对每个像素应用拉普拉斯算子，计算其边缘检测值。这里使用了拉普拉斯算子的离散形式来计算边缘检测值。
显示结果图像：使用 matplotlib 库将原始彩色图像、原始灰度图像和拉普拉斯边缘检测结果图像显示在一个图像窗口中，以便用户查看。

总的来说，这段代码完成了对彩色图像的灰度化处理以及拉普拉斯边缘检测，并将结果图像显示出来，帮助用户观察图像边缘的检测效果。

效果如下：

matlab实现拉普拉斯边缘提取源代码

PotatoPie 4.0 实验教程(27) —— FPGA实现摄像头图像拉普拉斯边缘提取-Anlogic-安路论坛-FPGA CPLD-ChipDebug

这段代码实现了以下功能：

从当前 MATLAB 脚本所在目录读取 ‘edge.png’ 图像。
将读取的彩色图像转换为灰度图像。
对灰度图像进行拉普拉斯边缘检测。
在一个图形窗口中显示原始彩色图像、原始灰度图像和拉普拉斯边缘检测结果图像。

实测效果图：

FPGA工程分析

工程层次图

与demo18相比，只是多了一个img_laplacian_fltr的模块，也就是下面这一段代码，在从SDRAM读出来之后，经它处理后再输出hdmi_tx模块。

img_laplacian_edge_det u_laplacian_edge

(

.i_clk(clk_pixel),

.i_rst_n(sys_rst_n),

.i_hs(VGA_HS),

.i_vs(VGA_VS),

.i_de(VGA_DE),

.i_r(VGA_RGB[23:16]),

.i_g(VGA_RGB[15:8] ),

.i_b(VGA_RGB[7:0] ),

.o_hs(central_diff_hs),

.o_vs(central_diff_vs),

.o_de(central_diff_de),

.o_r(central_diff_data[23:16]),

.o_g(central_diff_data[15:8] ),

.o_b(central_diff_data[7:0] )

);

img_laplacian_edge_det模块代码解析

img_laplacian_edge_det 与前一教程的《PotatoPie 4.0 实验教程(26) —— FPGA实现摄像头图像拉普拉斯锐化》的过程是一样的，唯一不同的是算子由

0 -1 0
-1 5 -1
0 -1 0

变成了

   0 -1 0
   -1 4 -1
  0 -1 0

其实这两个算子本身就是可以既做锐化又做边缘提取，二者本制进是一样的，故不再赘述。

实验结果

处理前

处理后：

可以看到边缘确实强化出来了，但是噪声也很大。