(转载)opencv+GPU

OpenCV的GPU模块只支持NVIDIA的显卡，原因是该部分是基于NVIDIA的CUDA和NVIDIA的NPP模块实现的。而该模块的好处在于使用GPU模块无需安装CUDA工具，也无需学习GPU编程，因为不需要编写GPU相关的代码。但如果你想重新编译OpenCV的GPU模块的话，还是需要CUDA的toolkit。

由于GPU模块的发展，使大部分函数使用起来和之前在CPU下开发非常类似。首先，就是把GPU模块链接到你的工程中，并包含必要的头文件gpu.hpp。其次，就是GPU模块下的数据结构，原本在cv名字空间中的现在都在gpu名字空间中，使用时可以gpu：：和cv：：来防止混淆。

需要再说明的是，在GPU模块中，矩阵的名字为GpuMat，而不是之前的Mat，其他的函数名字和CPU模块中相同，不同的是，现在的参数输入不再是Mat，而是GpuMat。

还有一个问题就是，对于2.0的GPU模块，多通道的函数支持的并不好，推荐使用GPU模块处理灰度的图像。有些情况下，使用GPU模块的运行速度还不及CPU模块下的性能，所以可以认为，GPU模块相对而言还不够成熟，需要进一步优化。很重要的一个原因就是内存管理部分和数据转换部分对于GPU模块而言消耗了大量的时间。

需要注意的是，在所有使用GPU模块的函数之前，最好需要调用函数gpu::getCudaEnabledDeviceCount，如果你在使用的OpenCV模块编译时不支持GPU，这个函数返回值为0；否则返回值为已安装的CUDA设备的数量。

还有一点就是使用GPU模块，需要在用CMake编译OpenCV时使其中的WITH_CUDA和WITH_TBB的宏生效，为ON。

由于我对GPU部分的熟悉程度还不行，先拿来一段sample自带的一段求矩阵转置的程序来做例子，代码如下：

[cpp] view plaincopy
#include  
#include "cvconfig.h" 
#include "opencv2/core/core.hpp" 
#include "opencv2/gpu/gpu.hpp" 
#include "opencv2/core/internal.hpp" // For TBBwrappers 
 
using namespace std; 
using namespace cv; 
using namespace cv::gpu; 
 
struct Worker { void operator()(int device_id) const;}; 
 
int main() 
{ 
    intnum_devices = getCudaEnabledDeviceCount(); 
    if(num_devices < 2) 
   { 
       std::cout << "Two or more GPUs arerequired\n"; 
       return -1; 
   } 
    for (int i =0; i < num_devices; ++i) 
   { 
       DeviceInfo dev_info(i); 
       if (!dev_info.isCompatible()) 
       { 
           std::cout << "GPU module isn't built for GPU #" << i<< " (" 
                << dev_info.name() << ", CC " <<dev_info.majorVersion() 
                << dev_info.minorVersion() <<"\n"; 
           return -1; 
       } 
   } 
 
    // Executecalculation in two threads using two GPUs 
    intdevices[] = {0, 1}; 
   parallel_do(devices, devices + 2,Worker()); 
 
    return0; 
} 
 
 
void Worker::operator()(int device_id)const 
{ 
   setDevice(device_id); 
 
    Matsrc(1000, 1000, CV_32F); 
    Matdst; 
 
    RNGrng(0); 
   rng.fill(src, RNG::UNIFORM, 0, 1); 
 
    // CPUworks 
   transpose(src, dst); 
 
    // GPUworks 
    GpuMatd_src(src); 
    GpuMatd_dst; 
   transpose(d_src, d_dst); 
 
    // Checkresults 
    bool passed= norm(dst - Mat(d_dst), NORM_INF) <1e-3; 
    std::cout<< "GPU #" << device_id << " (" <<DeviceInfo().name() << "): " 
       << (passed ? "passed" : "FAILED") <<endl; 
 
    //Deallocate data here, otherwise deallocation will beperformed 
    // aftercontext is extracted from the stack 
   d_src.release(); 
   d_dst.release(); 
}