边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
本文采用局部熵边缘检测算法，将图像采集，边缘检测和图像显示三个部分封装设计为IP（Intellectual Property）核，通过AMBA APB总线嵌入到LEON3的经典SoC架构中。实现了多路数据并行处理和DSP模块加速处理，配合CPU软核的协调参数配置功能，可以充分发挥硬件设计的高速性和灵活性。此外，由于动态图像边缘检测是图像处理应用中必不可少的一部分，因此文中设计的动态图像边缘检测SoC可以方便的移植到其他图像处理应用中，具有广泛的应用前景。
1 SoC和LEON3开源软核处理器
SoC是系统级芯片的简称，系统不仅包含了处理器内核、存储器等硬件系统，同时还含有相应的嵌入式软件，是一个真正的软、硬件均具备的完整体系。利用SoC设计方法，可以将一个复杂的系统集成到单一芯片中，并具有低功耗，低成本及高速性的特点。与利用ASIC实现的SoC相比，利用FPGA实现的SoC具有可配置性的特点，因此具有更好的可扩展性和可移植性。
LEON3开源软核处理器是Gaisler Research公司提出的一款32位、符合SPARC V8结构的开源软核处理器。它具有高性能，低复杂性和低功耗的优点。另外，所有属于GRLIB的IP核及LEON3处理器的源代码在GNU GPL（GNU General Public License，GNU通用公共许可证）授权协议下，可以免费地应用于研究和教学目的，因此，LEON3开源软核处理器特别适合于SoC的开发设计。
2 SoC系统架构设计
通过分析系统的功能与要求，结合LEON3自身架构的特点，设计基于APB总线的动态图像边缘检测Soc系统架构如图1所示。自定义IP核为本设计的重点。在LEON3的SoC架构中，APB外围低速总线为一些低速模块提供了接口。若想要在APB总线实现动态图像的实时采集、处理和显示，就要想办法使采集到的数据不参与到总线传输中去。
图1基于APB总线的SoC架构实现框图
在本设计中，通过采用片上存储资源做FIFO的办法，使得摄像头采集到的数据得以缓存，最终在显示器上显示。在数据输出显示之前，可以选择是否经过图像边缘检测算法模块处理。若经过模块，则显示图像经过边缘检测后的结果;若不经过，则显示原始图像。
通过这种方法，避免大量图像数据参与AHB与APB总线之间的数据传输，以减少不必要的中间过程，提高数据的实时性。这样就避免了APB总线低速、低带宽与动态图像边缘检测系统高速、高带宽的矛盾。使得整个图像的数据流都在白定义IP核内部得到处理，这样既满足了APB总线的约束也实现了系统的功能需求。
3动态图像边缘检测SoC的实现
本设计提出了一种集图像采集、存储、处理和显示于一个IP核的设计方法，也是动态图像边缘检测SoC设计的核心部分。
3.1局部熵算法的硬件实现
局部熵边缘检测算法的基本思想是：选择待处理像素点的8邻域，即以待处理像素点为中心的3&TImes;3窗口;再由局部熵的定义式（公式1）计算出图像3&TImes;3窗口的局部熵;
然后通过与给定的阈值进行比较，得到二值化图像，即可得出图像的边缘。硬件实现的处理过程为流水线方式，处理的对象为3&TImes;3大小的图像窗口。具体步骤如下：
①3&TImes;3窗口的产生。3×3窗口主要通过片上缓存和延时单元实现。图2是以经过3个时钟为例说明了同步产生3×3窗口中一行数据的过程。
图2同步数据的产生
②熵值的计算。将步骤1中得到的3×3窗口的9个并行数据途经两路进行处理。对于3×3窗口，式（1）化简为式（2）：
3×3窗口的9路并行数据，一边送去做并行相加求和，再求平方，作为除法运算的分母;同时把9个数据分别求平方，再求合，作为除法运算的分子。在做除法运算前，为确保其计算精度，要先将分子与分母转换成IEEE-745浮点数后再进行浮点除法运算。最后还要把除法运算的结算转换成整数，考虑到除法运算的结果可能小于1，于是在转换整数前放大1000倍，即保留3位有小数有效位，最后将转换后的整数输出，至此实现了局部熵值的计算过程。局部熵值计算的硬件处理流程如图3所示：
图3局部熵值计算流程示意图
③阈值比较及二值化处理。②中已经得到了放大1000倍后的熵值，在这里只需通过一个比较电路，当熵值大于阈值时，输出0;当熵值小于阈值时，输出1.这样就得到一幅二值化后的边缘图像。至此，完成了整个局部熵边缘检测算法的硬件实现。
3.2自定义IP接口设计
自定义IP核包含以下几个主要部分：图像采集（D5M摄像头接口）;图像制式转换;图像存储;图像显示（LTM显示接口）;图像边缘检测模块;自定义寄存器。
图4给出了基于APB外围低速总线所设计的图像边缘检测IP核的外部接口信号图。由图中可知，此IP核的接口信号可分为：
图4用户定义图像边缘检测IP核接口
①系统时钟与复位信号：是整个LEON3架构所共用的时钟信号和复位信号，而iCLK_50是由外部直接引入的频率为50MHz的时钟，未经过PLL处理。
②IP核控制信号：主要实现IP核的触发功能和结束功能。
③APB总线的输入信号和输出信号：此信号主要用于APB总线控制、IP核选择、IP核使能等，其中包括对IP核内部寄存器的设置都是通过APB总线信号来完成的。
④D5M摄像头输入信号和输出信号：此信号主要完成对D5M摄像头的配置以及数据采集。
⑤LTM显示器输入信号和输出信号：此信号用于对LTM显示器的配置。由于基于APB总线的IP核集成D5M摄像头、LTM显示器和边缘检测算法于一体，所以外部接口信号相对较多。但就APB总线本身而言，其信号并不多，这也是基于APB总线的设计方法相对简单的原因。
3.3自定义IP核的结构设计
有关“基于APB外围低速总线图像检测IP核的实现基本思想部分”略——编者注。
基于APB总线的IP核框架结构如图5所示。
图5用户定义图像边缘检测lP核结构
4实验结果
4.1动态图像边缘检测算法硬件实现仿真与分析
文中首先利用Matlab验证局域熵边缘检测算法设计的正确性，然后采用Verilog HDL硬件描述语言编写图像边缘检测算法，在算法实现过程中，为提高算法的性能，采用了Quartus II中自带的DSP加速宏模块。同时，为验证仿真算法的正确性，编写Testbench系统测试文件，对其进行仿真验证，图6为局域熵边缘检测算法的硬件仿真时序图。
图6局域熵边缘检测算法硬件实现仿真时序图
从图6中，可以看到3×3窗口产生的过程，L1～L3为采用片上缓存的方法实现的三行数据的同步。X1～X9对应3×3窗口中的9个像素点。图中最终的数据输出是有一定时延的，这是由于算法中存在大量的乘加运算和浮点数运算造成的。
在实现算法的同时，考虑到所选芯片提供了可用于加速算术运算的DSP模块，于是为了加速算法的处理速度，在算法实现过程中，加入了大量的DSP加速处理模块，如乘加器，浮点除法器等。表1给出了用硬件语言实现上述算法所使用的芯片资源情况。表2给出了该算法对DSP加速模块的使用情况。
4.2动态图像边缘检测SoC系统性能测试
测试采用的硬件开发平台为FPGA CycloneIIEP2C70F896C6N，Quartus II版本为10.0（32位），LEON3开发包版本为grlib-gp1-1.0.22-b4095.zip.D5M摄像头工作在25MHz频率，所采集的图像分辨率为400×240，R、G、B每种色彩以10-bit二进制数据表示，D5M摄像头每秒采集22～25帧图像。LTM显示屏的显示分辨率为400×240，工作在33MHz频率。
表3为测试得到的片上资源使用情况。从其结果可以分析得到，文中设计的动态图像边缘检测SoC占据的片上资源在可以接受的范围内。
且由实际测试可知，在外界环境适中的条件下，系统可以得到很好的图像边缘检测效果。但由于图像的分辨率较大，而边缘检测算法中所采用的窗口为3×3，相对于图像来说较小，所以图像上的一些小的阴影区域也会被检测出来，形成阴影区域干扰，影响图像的边缘检测效果。但总体来说，实现了动态图像边缘提取的最终目的。
结语
本文介绍了基于LEON3开源软核处理器的动态图像边缘检测SoC设计。
实验结果表明该SoC系统工作正常，可以实现每秒22～25帧，最佳分辨率为400×240和640×480的动态图像边缘检测功能，平均数据延时在70～80个系统时钟。系统具有很好的可移植性与可配置性，占用资源少，速度快，具有广泛的应用前景。
技术专区
- 睿赛德科技喜迁新址 ，RT-Thread进入新的加速发展阶段
- 可靠性高、控制灵活、低功耗可调速风扇散热系统
- 安防监控摄像头LED驱动解决方案
- 如何定制嵌入式Linux发行版
- 基于SoC实现的数据采集系统详解
