本文通過對OpenCV中圖像類型和函數處理方法的介紹，通過設計實例描述在vivadoHLS中調用OpenCV庫函數實現圖像處理的幾個基本步驟，完成從OpenCV設計到RTL轉換綜合的開發流程。

    開源計算機視覺 (OpenCV) 被廣泛用于開發計算機視覺應用，它包含2500多個優化的視頻函數的函數庫并且專門針對臺式機處理器和GPU進行優化。OpenCV的用戶成千上萬，OpenCV的設計無需修改即可在 Zynq器件的ARM處理器上運行。但是利用OpenCV實現的高清處理經常受外部存儲器的限制，尤其是存儲帶寬會成為性能瓶頸，存儲訪問也會限制功耗效率。使用VivadoHLS高級語言綜合工具，可以輕松實現OpenCV C++視頻處理設計到RTL代碼的轉換，輸出硬件加速器或者直接在FPGA上實現實時視頻處理功能。同時，Zynq All-programmable SOC是實現嵌入式計算機視覺應用的極好方法，很好解決了在單一處理器上實現視頻處理性能低功耗高的限制，Zynq高性能可編程邏輯和嵌入式ARM內核，是一款功耗優化的集成式解決方案。

1   OpenCV中圖像IplImage, CvMat, Mat 類型的關系和VivadoHLS中圖像hls::Mat類型介紹

    OpenCv中常見的與圖像操作有關的數據容器有Mat，cvMat和IplImage，這三種類型都可以代表和顯示圖像，但是，Mat類型側重于計算，數學性較高，openCV對Mat類型的計算也進行了優化。而CvMat和IplImage類型更側重于“圖像”，opencv對其中的圖像操作（縮放、單通道提取、圖像閾值操作等）進行了優化。在opencv2.0之前，opencv是完全用C實現的，但是，IplImage類型與CvMat類型的關系類似于面向對象中的繼承關系。實際上，CvMat之上還有一個更抽象的基類----CvArr，這在源代碼中會常見。

1.1 OpenCV中Mat類型：矩陣類型（Matrix）。

    在openCV中，Mat是一個多維的密集數據數組。可以用來處理向量和矩陣、圖像、直方圖等等常見的多維數據。

    Mat有3個重要的方法：

   1、Mat mat = imread(const String* filename);            讀取圖像

  2、imshow(const string frameName, InputArray mat);     顯示圖像

  3、imwrite (const string& filename, InputArray img);    儲存圖像

    Mat類型較CvMat與IplImage類型來說，有更強的矩陣運算能力，支持常見的矩陣運算。在計算密集型的應用當中，將CvMat與IplImage類型轉化為Mat類型將大大減少計算時間花費。

1.2 OpenCV中CvMat類型與IplImage類型：“圖像”類型

    在openCV中，Mat類型與CvMat和IplImage類型都可以代表和顯示圖像，但是，Mat類型側重于計算，數學性較高，openCV對Mat類型的計算也進行了優化。而CvMat和IplImage類型更側重于“圖像”，openCV對其中的圖像操作（縮放、單通道提取、圖像閾值操作等）進行了優化。

補充：IplImage由CvMat派生，而CvMat由CvArr派生即CvArr -> CvMat -> IplImage

     CvArr用作函數的參數，無論傳入的是CvMat或IplImage，內部都是按CvMat處理。

    在openCV中，沒有向量（vector）的數據結構。任何時候，但我們要表示向量時，用矩陣數據表示即可。

    但是，CvMat類型與我們在線性代數課程上學的向量概念相比，更抽象，比如CvMat的元素數據類型并不僅限于基礎數據類型，比如，下面創建一個二維數據矩陣：

      CvMat* cvCreatMat(int rows ,int cols , int type);

這里的type可以是任意的預定義數據類型，比如RGB或者別的多通道數據。這樣我們便可以在一個CvMat矩陣上表示豐富多彩的圖像了。

1.3 OpenCV中IplImage類型

    在OpenCV類型關系上，我們可以說IplImage類型繼承自CvMat類型，當然還包括其他的變量將之解析成圖像數據。

    IplImage類型較之CvMat多了很多參數，比如depth和nChannels。在普通的矩陣類型當中，通常深度和通道數被同時表示，如用32位表示RGB+Alpha.但是，在圖像處理中，我們往往將深度與通道數分開處理，這樣做是OpenCV對圖像表示的一種優化方案。

IplImage的對圖像的另一種優化是變量origin----原點。在計算機視覺處理上，一個重要的不便是對原點的定義不清楚，圖像來源，編碼格式，甚至操作系統都會對原地的選取產生影響。為了彌補這一點，openCV允許用戶定義自己的原點設置。取值0表示原點位于圖片左上角，1表示左下角。

1.4 VivadoHLS中圖像數據類型hls::Mat<>

    VivadoHLS視頻處理函數庫使用hls::Mat<>數據類型，這種類型用于模型化視頻像素流處理，實質等同于hls::steam<>流的類型，而不是OpenCV中在外部memory中存儲的matrix矩陣類型。因此，在HLS實現OpenCV的設計中，需要將輸入和輸出HLS可綜合的視頻設計接口，修改為Video stream接口，也就是采用HLS提供的video接口可綜合函數，實現AXI4 video stream到VivadoHLS中hls::Mat<>類型的轉換。

2   使用VivadoHLS實現OpenCV到RTL代碼轉換的流程

2.1 OpenCV設計中的權衡

    OpenCV圖像處理是基于存儲器幀緩存而構建的，它總是假設視頻frame數據存放在外部DDR 存儲器中，因此，OpenCV對于訪問局部圖像性能較差，因為處理器的小容量高速緩存性能不足以完成這個任務。而且出于性能考慮，基于OpenCV設計的架構比較復雜，功耗更高。在對分辨率或幀速率要求低，或者在更大的圖像中對需要的特征或區域進行處理是，OpenCV似乎足以滿足很多應用的要求，但對于高分辨率高幀率實時處理的場景下，OpenCV很難滿足高性能和低功耗的需求。

基于視頻流的架構能提供高性能和低功耗，鏈條化的圖像處理函數能減少外部存儲器訪問，針對視頻優化的行緩存和窗口緩存比處理器高速緩存更簡單，更易于用FPGA部件，使用VivadoHLS中的數據流優化來實現.

VivadoHLS對OpenCV的支持，不是指可以將OpenCV的函數庫直接綜合成RTL代碼，而是需要將代碼轉換為可綜合的代碼，這些可綜合的視頻庫稱為HLS視頻庫，由VivadoHLS提供。

    OpenCV函數不能直接通過HLS進行綜合，因為OpenCV函數一般都包含動態的內存分配、浮點以及假設圖像在外部存儲器中存放或者修改。

    VivadoHLS視頻庫用于替換很多基本的 OpenCV函數，它與OpenCV具有相似的接口和算法，主要針對在FPGA架構中實現的圖像處理函數，包含了專門面向FPGA的優化，比如定點運算而非浮點運算（不必精確到比特位），片上的行緩存（line buffer）和窗口緩存(window buffer)。

2.2 VivadoHLS實現OpenCV設計流程介紹

使用VivadoHLS實現OpenCV的開發，主要的三個步驟如下：

1. 在計算機上開發OpenCV應用，由于是開源的設計，采用C++的編譯器對其進行編譯，仿真和debug，最后產生可執行文件。這些設計無需修改即可在 ARM內核上運行OpenCV應用。
2. 使用I/O函數抽取FPGA實現的部分，并且使用可綜合的VivadoHLS Video庫函數代碼代替OpenCV函數的調用。
3. 運行HLS生成RTL代碼，在vivadoHLS工程中啟動co-sim，重用openCV的測試激勵驗證產生的RTL代碼。在ISE或者Vivado開發環境中做RTL的集成和SOC/FPGA實現。

2.2.1        VivadoHLS視頻庫函數

HLS視頻庫是包含在hls命名空間內的C++代碼。#include “hls_video.h”

與OpenCV等具有相似的接口和等效的行為，例如：

           OpenCV庫：cvScale(src, dst, scale, shift);

           HLS視頻庫：hls:cale<...>(src, dst, scale, shift);

一些構造函數具有類似的或替代性的模板參數，例如：

           OpenCV庫：cv::Mat mat(rows, cols, CV_8UC3);

           HLS視頻庫：hls::Mat mat(rows, cols);

                      ROWS和COLS指定處理的最大圖像尺寸

 

              表2.2.1 VivadoHLS視頻處理函數庫

 

2.2.2        VivadHLS實現OpenCV設計的局限性

    首先，必須用HLS視頻庫函數代替OpenCV調用。

    其次，不支持OpenCV通過指針訪問幀緩存,可以在HLS中使用VDMA和 AXI Stream adpater函數代替。

    再者，不支持OpenCV的隨機訪問。HLS對于讀取超過一次的數據必須進行復制，更多的例子可以參見見hls:uplicate()函數。

最后，不支持OpenCVS的In-place更新，比如  cvRectangle (img, point1, point2)。

 

下面表格2.2.2列舉了OpenCV中隨機訪問一幀圖像處理對應HLS視頻庫的實現方法。

 

	OpenCV	HLS視頻庫
讀操作	pix = cv_mat.at(i,j) pix = cvGet2D(cv_img,i,j)	hls_img >> pix
寫操作	cv_mat.at(i,j) = pix cvSet2D(cv_img,i,j,pix)	hls_img << pix

               表 2.2.2 OpenCV和HLS中對一幀圖像像素訪問對應方法

2.3 用HLS實現OpenCV應用的實例（快速角點濾波器image_filter）

    我們通過快速角點的例子，說明通常用VivadoHLS實現OpenCV的流程。首先，開發基于OpenCV的快速角點算法設計，并使用基于OpenCV的測試激勵仿真驗證這個算法。接著，建立基于視頻數據流鏈的OpenCV處理算法，改寫前面直覺的OpenCV的通常設計，這樣的改寫是為了與HLS視頻庫處理機制相同，方便后面步驟的函數替換。最后，將改寫的OpenCV設計中的函數，替換為HLS提供的相應功能的視頻函數，并用VivadoHLS綜合，最后在Xilinx開發環境下實現。當然，這些可綜合代碼也可在處理器或ARM上運行。

2.3.1        設計基于OpenCV的視頻濾波器設計和測試激勵

    在這個例子中，首先設計開發完全調用OpenCV庫函數的快速角點濾波器設計opencv_image_filter.cpp和這個濾波器的測試激勵opencv_image_filter_tb.cpp，測試激勵用于仿真驗證opencv_image_filter算法功能。算法和測試激勵設計代碼如下：

 

void opencv_image_filter(IplImage* src, IplImage* dst)

{

    IplImage* gray = cvCreateImage( cvGetSize(src), 8, 1 ); 

    std::vector keypoints;

cv::Mat gray_mat(gray,0);

 

    cvCvtColor( src, gray, CV_BGR2GRAY ); 

    cv::FAST( gray_mat, keypoints, 20, true);

    cvCopy( src,dst);

 

    for (int i=0;i

    {

      cvRectangle(dst, cvPoint(keypoints[i].pt.x-1,keypoints[i].pt.y-1),

                                cvPoint(keypoints[i].pt.x+1,keypoints[i].pt.y+1), cvScalar(255,0,0),CV_FILLED);

    }

    cvReleaseImage( &gray ); 

}   

       例子2.3.1.1 通常的OpenCV視頻處理代碼opencv_image_filter.cpp

 

int main (int argc, char** argv) {

    IplImage* src=cvLoadImage(INPUT_IMAGE);

    IplImage* dst = cvCreateImage(cvGetSize(src), src->depth, src->nChannels);

        

    opencv_image_filter(src, dst);

    cvSaveImage(OUTPUT_IMAGE_GOLDEN, dst);

 

    cvReleaseImage(&src);

    cvReleaseImage(&dst);

    return 0;

}

   例子2.3.1.2 OpenCV視頻處理測試激勵代碼opencv_image_filter_tb.cpp

 

    上面的例子是直接調用OpenCV在處理器上軟件應用實現的例子，可以看到在算法設計中直接調用opencV庫函數，測試激勵讀入圖像，經過濾波器處理輸出的圖像保存分析。可以看到，算法的處理基于IPIimage類型，輸入和輸出圖像都使用此類型。

 

2.3.2        使用IO函數和Vivado HLS視頻庫替換OpenCV函數庫

    需要特別說明的是，xilinx通常使用的視頻處理模塊都是基于axi4 streaming協議進行不同模式見像素數據的交互，也就是我們所說的AXI4 video接口協議格式。為了和xilinx視頻庫接口協議統一，VivadoHLS提供了視頻接口函數庫，用于從OpenCV程序中抽取需要進行RTL綜合轉換的頂層函數，并把這些可綜合的代碼和OpenCV不可綜合轉換的代碼進行隔離。然后，對需要綜合轉換為RTL代碼的OpenCV函數，用xilinx VivadoHLS提供相應功能的可綜合video函數進行替換。最后在C/C++編譯環境下仿真驗證OpenCV代碼和替換video函數后功能的一致，并在VivadoHLS開發環境中做代碼綜合和產生RTL代碼的co-sim混合仿真驗證。

 

VivadoHLS可綜合的視頻接口函數：

Hls:：AXIvideo2Mat  轉換AXI4 video stream到hls::Mat表示格式

Hls:：Mat2AXIvideo  轉換hls::Mat數據格式到AXI4 video stream

 

    首先，我們對2.3.1中OpenCV的設計進行改寫，改寫的代碼還是完全基于OpenCV的函數，目的是為了對視頻的處理機制基于視頻流的方式，與VivadoHLS視頻庫提供函數的處理機制一致。下面是OpenCV設計的另一種寫法：

 

void opencv_image_filter(IplImage* src, IplImage* dst)

{

    IplImage* gray = cvCreateImage( cvGetSize(src), 8, 1 ); 

    IplImage* mask = cvCreateImage( cvGetSize(src), 8, 1 ); 

    IplImage* dmask = cvCreateImage( cvGetSize(src), 8, 1 ); 

    std::vector keypoints;

    cv::Mat gray_mat(gray,0);

   

    cvCvtColor(src, gray, CV_BGR2GRAY ); 

    cv::FAST(gray_mat, keypoints, 20, true);

    GenMask(mask, keypoints);

    cvDilate(mask,dmask);

    cvCopy(src,dst);

    PrintMask(dst,dmask,cvScalar(255,0,0));

 

    cvReleaseImage( &mask ); 

    cvReleaseImage( &dmask ); 

    cvReleaseImage( &gray ); 

}

例子2.3.2.1另一種OpenCV設計應用opencv_image_filter.cpp

 

    其次，使用Vivado HLS視頻庫替代標準OpenCV函數，并使用可綜合的視頻接口函數，采用video stream的方式交互視頻數據。用于FPGA的硬件可綜合模塊由VivadoHLS視頻庫函數與接口組成，我們用hls命名空間中的相似函數代替OpenCV函數，增加接口函數構建AXI4 stream類型的接口。

 

void image_filter(AXI_STREAM& input, AXI_STREAM& output, int rows, int cols)

{

//Create AXI streaming interfaces for the core

#pragma HLS RESOURCE variable=input core=AXIS metadata="-bus_bundle INPUT_STREAM"

#pragma HLS RESOURCE variable=output core=AXIS metadata="-bus_bundle OUTPUT_STREAM"

#pragma HLS RESOURCE core=AXI_SLAVE variable=rows metadata="-bus_bundle CONTROL_BUS"

#pragma HLS RESOURCE core=AXI_SLAVE variable=cols metadata="-bus_bundle CONTROL_BUS"

#pragma HLS RESOURCE core=AXI_SLAVE variable=return metadata="-bus_bundle CONTROL_BUS"

 

#pragma HLS interface ap_stable port=rows

#pragma HLS interface ap_stable port=cols

    hls::Mat      _src(rows,cols);

    hls::Mat      _dst(rows,cols);

#pragma HLS dataflow

    hls::AXIvideo2Mat(input, _src);

    hls::Mat      src0(rows,cols);

    hls::Mat      src1(rows,cols);

#pragma HLS stream depth=20000 variable=src1.data_stream

    hls::Mat      mask(rows,cols);

    hls::Mat      dmask(rows,cols);

    hls:calar<3,unsigned char> color(255,0,0);

    hls:uplicate(_src,src0,src1);

    hls::Mat      gray(rows,cols);

    hls::CvtColor(src0,gray);

    hls::FASTX(gray,mask,20,true);

    hls:ilate(mask,dmask);

    hls:aintMask(src1,dmask,_dst,color);

    hls::Mat2AXIvideo(_dst, output);

}

例子2.3.2.2 采用VivadoHLS視頻庫替換后可綜合的設計opencv_image_filter.cpp

 

  最后，在vivadoHLS開發環境下綜合例子2.3.2.2的設計，產生RTL代碼并重用OpenCV的測試激勵驗證RTL代碼功能。

3   VHLS實現OpenCV設計流程總結

    通過上面章節介紹以及在vivadoHLS工具中實現opencV設計的例子可以看出，OpenCV函數可實現計算機視覺算法的快速原型設計，并使用VivadoHLS工具轉換為RTL代碼在FPGA或者Zynq SOC上實現高分辨率高幀率的實時視頻處理。計算機視覺應用與生俱來的異構特性，使其需要軟硬件相結合的實現方案。Vivado HLS視頻庫能加快OpenCV函數向FPGA可編程架構的映射。