码电路的张同学FPGA 实现微秒级延迟的核心就俩字：并行+流水。举个例子，做 5x5 的高斯滤波，CPU 要嵌套循环 25 次乘加，而 FPGA 可以布置 25 个乘法器同时算，算完立刻进入下一级流水线，数据像水流一样不间断处理。
确定性方面，因为 FPGA 是硬件电路，只要时序收敛了，每次执行路径和延迟都是固定的，不受其他任务干扰。而 CPU/GPU 上跑软件，会被操作系统、中断、缓存未命中等因素影响。
典型数据对比：某文献里，用 FPGA 实现 1024x1024 图像的 Sobel 边缘检测，延迟约 1 毫秒（包括 I/O），而同等功能的 GPU 实现虽然吞吐量高，但单帧处理延迟也有几毫秒且抖动大。
学习建议：先掌握基础图像处理算法的串行实现，再思考如何并行化。FPGA 技巧上，重点关注如何用寄存器平衡流水线、如何优化内存访问模式。实际项目往往要在速度和资源之间做权衡。
从系统架构角度看，FPGA 的实时性优势在于它能将采集、处理和输出整合在同一个硬件时序里。比如一个典型的工业检测流程：传感器数据通过 LVDS 进入 FPGA，FPGA 内部同时进行缺陷检测算法（比如 Blob 分析或模板匹配），检测结果直接触发 I/O 控制执行机构（如剔除气缸）。整个过程是硬件触发、硬件执行，延迟确定且极短。
对比 CPU/GPU 方案，数据要在传感器、采集卡、内存、处理器之间来回搬运，多次中断和上下文切换导致延迟不可控。在高帧率（如每秒上千帧）场景下，这种差异会被放大。
学习重点：除了算法和 RTL 设计，还要了解图像传感器接口（如 MIPI CSI-2）、工业通信协议（如 GigE Vision）以及如何做系统级时序分析。掌握高层次综合（HLS）工具也能提升开发效率，但要注意其对实时性的潜在影响。
简单说，FPGA 在那些需要逐像素实时处理的环节优势明显。比如高速生产线上的字符识别，FPGA 可以在图像传感器输出数据的同时就完成二值化、去噪和特征提取，结果直接送给后续单元，整个延迟可能就几十微秒。
具体算法上，像阈值分割、腐蚀膨胀这些形态学操作，FPGA 实现起来非常高效，因为逻辑简单，可以深度流水。模板匹配如果用全并行方式，虽然资源消耗大，但速度极快。
想学的话，重点两件事：一是图像处理算法本身，得知道每种算法的适用场景和计算特点；二是 FPGA 实现，要会设计流水线，合理使用 Block RAM 和 DSP。建议从简单的算法开始练手，比如先实现个 Sobel 边缘检测，再慢慢增加复杂度。
我做过一个工业瑕疵检测的项目，正好可以分享点经验。我们用 FPGA 做预处理，包括非均匀校正、高斯滤波和 Canny 边缘检测。对比过用 i7 CPU 做同样算法，FPGA 的延迟稳定在 10 微秒左右，而 CPU 的延迟在几百微秒到几毫秒之间跳动，而且 CPU 占用率很高。
FPGA 实现确定性的关键在于硬件并行和固定时序。比如做 3x3 卷积，我们可以同时读取 9 个像素，在一个时钟周期内完成所有乘加运算。而 CPU 需要循环处理，GPU 虽然并行但启动内核和传输数据也有开销。
学习这个方向，建议先吃透常用的图像处理算法原理，然后学习用 HLS 或 Verilog/VHDL 实现。重点掌握如何将算法映射到硬件结构，比如用 FIFO 管理数据流，用状态机控制流程。实际项目中，往往还要考虑和上位机的通信协调。
FPGA 的实时性优势主要体现在数据流处理的低延迟和确定性上。比如图像采集环节，FPGA 可以直接对接 Camera Link 或 CoaXPress 接口，在像素数据流入的瞬间就进行预处理，无需像 CPU/GPU 那样先存到内存再处理，这能省下大量时间。
具体到算法，像中值滤波、Sobel 边缘检测这类卷积操作，FPGA 可以设计成流水线结构，每个时钟周期都能输出一个像素的处理结果，延迟就是流水线级数乘以时钟周期，通常是微秒级。而 CPU/GPU 受操作系统调度和内存访问延迟影响，延迟是波动的，没法保证确定性。
学习的话，重点掌握图像预处理算法（滤波、二值化、形态学）和特征提取（边缘、角点）的硬件实现思路，比如如何用移位寄存器做行缓存，如何用 DSP 块做乘累加。FPGA 技巧方面，流水线设计、资源优化和时序收敛是关键。
