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：

　　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。

　　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。

　　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。

　　OpenCVHLS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。