初衷
回想起来，我的技术路径经历了从算法到 RTL，再到两者融合的过程。构建这座双向互译的桥梁，最终目标是做到'写算法时心中有电路，写 FPGA 时心中有算法'。
起初，我和许多算法工程师一样，活在 MATLAB、Python 或 C 语言的抽象环境里。对我来说，图像就是 imread() 返回的完美矩阵，处理就是调用 conv2() 或 cv2.GaussianBlur() 等函数。数据被视为静止、无限且免费的——内存不够就加条 DIMM，算得慢就等几秒，边界处理？MATLAB 会帮我 padarray，Python 会帮我 cv2.BORDER_REFLECT。
当我第一次接触 FPGA 代码时，困惑甚至抗拒是难免的：'什么？我要自己算地址？''为什么不能有 for 循环遍历整张图？''这个 always @(posedge clk) 是什么意思？我明明只是想做个滤波……'这种认知的撕裂感很真实：你懂算法的'英语'，却完全不懂硬件的'法语'，更不知道如何翻译。
直到逼着自己写完第一个 Line Buffer，调通第一个图像空间滤波算法，我才突然顿悟：硬件不是在'实现'算法，硬件是在'演绎'数据流。那种在资源与带宽等 PPA（Power, Performance, Area）约束下优化出的成就感，让我开始感知 FPGA 实现的真正艺术。
现在，我能在 MATLAB 和 Vivado 之间自由穿梭，不是因为我会两种语言，而是因为我建立了一种中间表示（Intermediate Representation）。看到算法里的卷积，脑子里浮现的不是矩阵乘法，而是滑动窗口的数据流图；看到硬件里的流水线延迟，能立刻映射到算法里的帧缓冲需求。这种'双向翻译'能力，才是本课程要给你的元技能。
最大的价值在于培养 System Architect 视角——既能在 MATLAB/C/Python 里调参，又能在 Xilinx Vivado 里看 RTL、Timing Report 和 Place & Routing，还能算清楚带宽和功耗。这种人才在工业相机、医疗影像、车载视觉领域极其稀缺。
方法论
我们聚焦方法论本身——如何在'算法思维'与'硬件思维'之间建立转换通道。这是一个跨界翻译课程：把数学语言翻译成电路语言，把流水线思维反哺给算法设计。
核心：三级跳工作流
MATLAB 浮点原型（验证算法正确性）
↓
C 定点模型（验证数值精度/范围）
↓
Verilog/RTL（验证硬件可行性/资源）
这里有个关键点：C 定点化不是过渡，而是精度验证的黄金标准。MATLAB 算对的，C 算不对，一定是定点化错了；C 算对的，RTL 算不对，一定是时序错了。
思维架构的碰撞与感知
模块 1：两种思维方式的碰撞
算法人员的误区通常是：'我先算完整张图的梯度，再做非极大值抑制'。FPGA 人员的误区则是：'我只需要把公式里的乘加都用 DSP48 实现就行'。
正确的认知应该是：
- 空间域：图像是流，不是矩阵（除 DDR 缓存场景外）。
- 时间域：每个时钟周期必须产出结果（或满足吞吐率），不能有'迭代收敛'过程。
- 精度域：没有 float，只有 wire [N:0] 和 $signed() 的博弈。
对比实验来看同一个 3×3 Sobel：算法版本是卷积函数，边界补零，整帧计算；硬件版本则是 Line Buffer+ 滑动窗口，边界复制，像素级流水。
模块 2：GAP 跨越——三大核心机制
2.1 数据流架构（Stream Processing）
相机的本质是 CMOS 传感器通过 LVDS/MIPI 吐数据，是一维流，不是二维数组。
关键概念包括：
- Line Buffer：用 BRAM 缓存若干行，实现'垂直方向的时间换空间'。
- Kernel 对齐：如何让 3×3 窗口在流式数据上滑动（Valid 信号配合）。
- 乒乓与反压：当下游处理慢于上游时，TREADY 信号如何传递。
实战中，设计一个'流式直方图均衡'（理论上需要全图统计）vs'流式自适应阈值'（局部窗口即可），就能理解哪些算法天然适合流式，哪些必须帧缓存。
