关于基于FPGA的图像FFT滤波处理的分析和介绍

关于基于FPGA的图像FFT滤波处理的分析和介绍基于FPGA的图像FFT滤波处理AT7_Xilinx开发板（USB3.0+LVDS）资料共享1昨天

11:39上传关于傅里叶变换关于傅里叶变换，这么一个神奇的变换，其基本原理和应用在教科书、网络上漫天飞舞，这里就不赘述了，以免有凑字数的嫌疑。前面的例子我们已经使用Matlab和Vivado的FFTIP核进行了初步的验证，掌握的FFT/IFFTIP核的脾气，那么接下来我们要玩点真的了，基于我们STAR/SF-AT7板采集到的MT9V034图像，我们要进行每个行的FFT和IFFT变换，当然，生成的FFT结果我们可以进行必要的滤波，然后再进行IFFT查看滤波效果。2基于Matlab的FFT滤波使用at7_img_ex06matlab文件夹下的Matlab源码image_1D_fft_ifft.m或L1024_of_image_1D_fft_ifft.m（将640个点扩展为1024个点进行FFT变换，扩展的点以0填充，模拟FPGA的FFTIP核实际工作状况），对测试图像test进行FFT变换，进行必要的滤波，然后IFFT逆变换。测试图像为彩色图像，原始图像如下。首先进行彩色转灰度的变换，灰度图像如下。提取出其中1行进行FFT变换后的图像频谱如下。很明显，大部分高频分量集中在前面几个点，而后面的点几乎频率都很小。放大频谱图，看到细节如下。这里绘制了一条取值为300的直线，有将近50%的频谱集中在这条线以下。若是做图像压缩，其实我们可以把这些低频分量忽略了，那么数据量可能会大大降低，当然了，副作用是图像可能会有一定程度的失真，有失必有得嘛。滤除这些低频分量，也会使图像更锐一些。话说做FFT变换的目的可远不止这些，在一些特殊的应用场景中，我们总是希望从原始图像中提取出一些和应用直接相关的特征信息，那么做了FFT后的图像常常非常有益于这些操作。为了演示，这里我们的代码里面就将这些低于300的点都滤除，即取0。从频谱图上看，如图所示，右侧的滤波后明显图像偏黑（很多值取0了）了。我们重新把原图放到这里，和FFT滤波并IFFT以后的图像做比对，图像整体仍然保持不变，但是查看细节，可以发现处理后的图像明显锐了一些。Matlab源码如下：clc;clear`all;closeall;IMAGE_WIDTH=640;IMAGE_HIGHT=480;%loadoriginimage%I=imread('Lena_gray_niose.bmp');

I=imread('test.bmp');

I=rgb2gray(I);%fclose(fid1);%%outputimagedatainhexfileraw_image=reshape(I,IMAGE_HIGHT,IMAGE_WIDTH);raw_image=raw_image';fid2=fopen('image_in_hex.txt','wt');fprintf(fid2,'%04x',raw_image);fid2=fclose(fid2);%showoriginimagefigure,imshow(I);title('Originalimage');%1DfftbaseoneveryimagelineII=zeros(IMAGE_HIGHT,1024);J=zeros(IMAGE_HIGHT,1024);fori=1:IMAGE_HIGHTforj=1:IMAGE_WIDTHII(i,j)=I(i,j);end

J(i,=fft(II(i,);%fft(I(i,);end%show1linefftresultt1=(0:IMAGE_WIDTH);

%Timevectorline=ones(IMAGE_WIDTH)*200;figure;plot(t1(1:IMAGE_WIDTH),abs(J(50,1:IMAGE_WIDTH)),t1(1:IMAGE_WIDTH),line(1:IMAGE_WIDTH))title(['1lineimageintheFrequencyDomain'])%showfftoforiginimagefigure,imshow(log(abs(J)),[]);

title('1Dfftimagebaseoneveryimageline');%colormap(jet(64)),colorbar;%fftfiterJ(abs(J)<300)=0;

%J(abs(J)>1000)=1000;

%showfftoffftfilterimagefigure,imshow(log(abs(J)),[]);

title('1Dfftimageafterfilter');%1DifftbaseoneveryimagelineK=zeros(IMAGE_HIGHT,1024);fori=1:IMAGE_HIGHTK(i,=real(ifft(J(i,));endKK=zeros(IMAGE_HIGHT,IMAGE_WIDTH);fori=1:IMAGE_HIGHTforj=1:IMAGE_WIDTHKK(i,j)=K(i,j);endend%showifftimagefigure,imshow(KK,[])

title('1Difftimage');3FPGA仿真在Sources面板中，展开SimulationSourcesàsim_1，将sim_fft.v文件设置为topmodule。同样是对前面的测试图像,经过FFT和IFFT变换后存储在image_view0.txt文本中（仿真测试结果位于at7_img_ex06at7.simsim_1ehav文件夹下）。为了确认FFT和IFFTIP核运算的精度和效果，这里没有做任何的滤波处理。使用draw_image_from_FPGA_result.m脚本（at7_img_ex06matlab文件夹下）导入image_view0.txt文本的图像，和原始图像比对如下所示。看到图像几乎没有任何失真。4基于FPGA的图像平滑处理工程文件夹at7_img_ex06zstar.srcssources_1ew下的image_fft_filter.v模块以及3个子模块image_fft_controller.v、image_filter.v和image_ifft_controller.v实现了图像的FFT变换、滤波和IFFT变换处理。FPGA设计的功能框图如下。image_fft_controller.v模块例化FFTIP核，将采集的图像留以行为单位输入到FFTIP核，输出FFT频域数据。image_filter.v模块对FFT频域数据计算绝对值并进行必要的滤波处理，假设FFT结果的实部值为a，虚部值为b，那么其绝对值abs=sqrt(a^2+b^2)。如下代码，注释部分可以滤除低频分量，当前例程中为了验证FFT和IFFT变换后精度没有损失，未作滤波。always@(posedgeclkornegedgerst_n)

if(!rst_n)begino_image_filter_data_image<=20'd0;o_image_filter_data_real<=20'd0;end/*elseif(sqrt_fft[19:0]<20'd300)begin

//此处可以做必要的高频或低频滤波处理o_image_filter_data_image<=20'd0;o_image_filter_data_real<=20'd0;end*/elsebegino_image_filter_data_image<=