1.1 边缘检测算法介绍
所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间，所以，它是图像分割所依赖的最重要的依据。由于边缘是位置的标志，对灰度的变化不敏感， ,因此，边缘也是图像匹配的重要的特征。
边缘检测和区域划分是图像分割的两种不同的方法，二者具有相互补充的特点。在边缘检测中，是提取图像中不连续部分的特征，根据闭合的边缘确定区域。而在区域划分中，是把图像分割成特征相同的区域，区域之间的边界就是边缘。由于边缘检测方法不需要将图像逐个像素地分割，因此更适合大图像的分割。边缘大致可以分为两种，一种是阶跃状边缘，边缘两边像素的灰度值明显不同；另一种为屋顶状边缘，边缘处于灰度值由小到大再到小的变化转折点处。边缘检测的主要工具是边缘检测模板。
边缘检测的有很多，典型的有索贝尔算子，普里维特算子，罗伯茨交叉边缘检测等边缘检测技术，在 Matlab 中有现成的 IPT 函数，提供边缘检测，如下：
Sobel边缘检测：
PlayBoy
subplot(1,3,1)
imshow(IMG1);
title('原图像');
IMG1 = rgb2gray(IMG1);
[m,n] = size(IMG1); %用Sobel微分算子进行边缘检测
IMG2 = edge(IMG1,'sobel');
subplot(1,3,2);
imshow(IMG2);
title('Sobel边缘检测得到的图像');
图8‑1Matlab中Sobel算法
但效果不佳，灵活性也不高，同时性能太低了啊！
1.2 Sobel边缘检测算法研究
所谓的Sobel算法，就是将得到像素点乘以一个3*3矩阵(Sobel算子)得到一个该点的灰度矢量值或者其法矢量值。
所以整个算法的核心就是Sobel算子，下面简单介绍下该算子。
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。
Sobel 卷积因子为：
图8‑2 Sobel卷积因子
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：
图8‑3公式
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：
图8‑4公式
通常，为了提高效率使用不开平方的近似值,但这样做会损失精度，迫不得已的时候可以如下这样子：
图8‑5公式
如果梯度 G 大于某一阀值 则认为该点(x，y)为边缘点。
if(temp3 > THRESHOLD)
IMG_Sobel(i,j) = 0;%Black
else
IMG_Sobel(i,j) = 255;%White
end
然后可用以下公式计算梯度方向(当然只要检测边缘，则不用计算方向)：
图8‑6公式
通过以上分析，可以知道，横向及纵向边缘检测的图像灰度值(Gx、Gy)是必须获取得，但是该点灰度的大小时可以通过准确的计算或者近似计算获取，所以接下来针对该问题，简单介绍两个方式的实现。
1.3 Sobel边缘检测算法的 HDL 实现第一、二步
FPGA
中针对以上矩阵进行算法移植。由于直接计算会因为负值而得到错误的结果，用补码表示比较繁琐，需要用到
unsigned
以及
signed
类型，不适合
FPGA
的运算。
前面 Sobel 算子的实现， 为了实现 FPGA 的加速运算， 发挥并行流水线的特性，可以划分为 4 个步骤， 解析与实现分别如下：
(1) 计算计算 Gx与 Gy与模板每行的乘积；
(2) 求得 3*3 模板运算后的 Gx、 Gy；
(3) 求得 Gx^2+Gy^2 的结果， 及 Gx 与 Gy 的平方和；
(4) 求得 Gx^2+Gy^2 的平方根。
或者
(1) 计算计算 Gx与 Gy与模板每行的乘积；
(2) 求得 3*3 模板运算后的 Gx、 Gy；
(3) 求得|Gx|+|Gy| 的结果。
其中(1)(2)步分析如下：
图8‑7计算Gx、Gy运算
懂一点矩阵运算的就知道，Gx方向算子乘以像素值，等于矩阵中每一个值乘以像素值后相加，所以可以将上诉方法利用上图中方式进行运算，其中中间的零值可以不计算。具体看下代码：
代码8‑1 3*3 模板运算后的 Gx、 Gy
1.//Add you arithmetic here
2.//----------------------------------------------------------------------------
3.//----------------------------------------------------------------------------
4.//----------------------------------------------------------------------------
5.//-------------------------------------------
6.//Sobel Parameter
7.// Gx Gy Pixel
8.// [ -1 0 +1 ] [ +1 +2 +1 ] [ P11 P12 P13 ]
9.// [ -2 0 +2 ] [ 0 0 0 ] [ P21 P22 P23 ]
10.// [ -1 0 +1 ] [ -1 -2 -1 ] [ P31 P32 P33 ]
11.
12.// localparam P11 = 8'd15, P12 = 8'd94, P13 = 8'd136;
13.// localparam P21 = 8'd31, P22 = 8'd127, P23 = 8'd231;
14.// localparam P31 = 8'd44, P32 = 8'd181, P33 = 8'd249;
15.//Caculate horizontal Grade with |abs|
16.//Step 1-2
17.reg [9:0] Gx_temp1;//postive result
18.reg [9:0] Gx_temp2;//negetive result
19.reg [9:0] Gx_data;//Horizontal grade data
20.always@(posedge clk or negedge rst_n)
21.begin
22.if(!rst_n)
23.begin
24.Gx_temp1 <= 0;
25.Gx_temp2 <= 0;
26.Gx_data <= 0;
27.end
28.else
29.begin
30.Gx_temp1 <= matrix_p13 + (matrix_p23 <
31.Gx_temp2 <= matrix_p11 + (matrix_p21 <
32.Gx_data <= (Gx_temp1 >= Gx_temp2) ? Gx_temp1 - Gx_temp2 : Gx_temp2 - Gx_temp1;
33.end
34.end
35.
36.//---------------------------------------
37.//Caculate vertical Grade with |abs|
38.//Step 1-2
39.reg [9:0] Gy_temp1;//postive result
40.reg [9:0] Gy_temp2;//negetive result
41.reg [9:0] Gy_data;//Vertical grade data
42.always@(posedge clk or negedge rst_n)
43.begin
44.if(!rst_n)
45.begin
46.Gy_temp1 <= 0;
47.Gy_temp2 <= 0;
48.Gy_data <= 0;
49.end
50.else
51.begin
52.Gy_temp1 <= matrix_p11 + (matrix_p12 <
53.Gy_temp2 <= matrix_p31 + (matrix_p32 <
54.Gy_data <= (Gy_temp1 >= Gy_temp2) ? Gy_temp1 - Gy_temp2 : Gy_temp2 - Gy_temp1;
55.end
56.end
前面两步其实很好理解，主要第三步(
32
行、
54
行)，这一步主要原因就是
FPGA
无法进行负数运算，所以将上两步计算结果进行取绝对值，实际上这不影响最后得结果，因为后面无论进行平方操作或者取绝对值操作结果都是相同的。
最近搞了一个小程序，主要方便大家搜索相关资料，同时为了填补之前的坑，现在小程序还不完善，大家有兴趣可以关注，后续公众号内的资料都可以通过小程序获取，谢谢大家支持
2904
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
