learn opencv-使用forEach进行并行像素访问

来源：互联网发布：豆豆软件编辑：程序博客网时间：2024/05/01 05:34

参考：https://github.com/spmallick/learnopencv

OpenCV中使用forEach进行并行像素访问

在本教程中，我们将比较Mat类的forEach方法的性能和访问和转换OpenCV中像素值的其他方式。我们将展示如何使用at方法甚至高效地使用指针算法，forEach比使用at方法快得多。

OpenCV中有隐藏的宝石，有时不是很知名。其中一个隐藏的宝石是Mat类的forEach方法，它利用机器上的所有内核在每个像素上应用任何函数。

让我们先定义一个函数complexThreshold。它采用一个RGB像素值并对其应用一个复杂的阈值。

// Define a pixel typedef Point3_<uint8_t> Pixel;// A complicated threshold is defined so // a non-trivial amount of computation // is done at each pixel. void complicatedThreshold(Pixel &pixel){  if (pow(double(pixel.x)/10,2.5) > 100)  {    pixel.x = 255;    pixel.y = 255;    pixel.z = 255;  }  else  {    pixel.x = 0;    pixel.y = 0;    pixel.z = 0;  }}

与简单的阈值相比，这个函数在计算上要重得多。这样，我们不仅仅是测试像素访问时间，而且每个像素操作的计算量都很大时，forEach如何使用所有内核。

接下来，我们将通过四种不同的方式将这个函数应用到图像中的每个像素，并检查相关的性能。

方法1：使用at方法的朴素像素访问

Mat类有一个方便的方法来访问图像中位置（行，列）的像素。以下代码使用at方法来访问每个像素并将复杂的阈值应用于它。

// Naive pixel access// Loop over all rowsfor (int r = 0; r < image.rows; r++){  // Loop over all columns  for ( int c = 0; c < image.cols; c++)  {    // Obtain pixel at (r, c)    Pixel pixel = image.at<Pixel>(r, c);    // Apply complicatedTreshold    complicatedThreshold(pixel);    // Put result back    image.at<Pixel>(r, c) = pixel;  }}

上面的方法被认为是低效的，因为每次我们调用at方法时，内存中像素的位置正在被计算。这涉及乘法操作。不使用像素位于连续的存储器块中的事实。

方法2：使用指针算法进行像素访问

在OpenCV中，一行中的所有像素都存储在一个连续的内存块中。如果使用create创建了Mat对象，则所有像素都存储在一个连续的内存块中。由于我们正在从磁盘读取图像，imread使用create方法，因此我们可以简单地使用不需要乘法的指针运算来遍历所有像素。

代码如下所示。

// Using pointer arithmetic// Get pointer to first pixelPixel* pixel = image1.ptr<Pixel>(0,0);// Mat objects created using the create method are stored// in one continous memory block.const Pixel* endPixel = pixel + image1.cols * image1.rows;// Loop over all pixelsfor (; pixel != endPixel; pixel++){  complicatedThreshold(*pixel);}

方法3：使用forEach

Mat类的forEach方法接受一个函数操作符。用法是

void cv::Mat::forEach   (const Functor &operation)

了解上述用法的最简单的方法是通过下面的示例。我们定义了一个用于forEach的函数对象（Operator）。

// Parallel execution with function object.struct Operator{  void operator ()(Pixel &pixel, const int * position) const  {    // Perform a simple threshold operation    complicatedThreshold(pixel);  }};

调用forEach很简单，只需要一行代码即可完成

// Call forEachimage2.forEach<Pixel>(Operator());

方法4：在C ++ 11 Lambda中使用forEach

image3.forEach<Pixel>(  [](Pixel &pixel, const int * position) -> void  {    complicatedThreshold(pixel);  });

比较forEach的性能

复杂阈值函数连续五次应用于大小为9000 x 6750的大图像的所有像素。实验中使用的2.5 GHz Intel Core i7处理器有四个内核。以下时间已经获得。请注意，使用forEach比使用Naive Pixel Access或Pointer Arithmetic方法快五倍。

Method Type Time ( milliseconds ) Naive Pixel Access 6656 Pointer Arithmetic 6575 forEach 1221 forEach (C++11 Lambda) 1272

我已经在OpenCV中编写了十多年的代码，每当我必须编写访问像素的优化代码时，我都会使用指针算法而不是naive 的方法。不过，在写这篇博文的时候，我惊讶地发现，即使是大图片，这两种方法之间似乎也没有什么区别。

完整代码：

// Include OpenCV header#include <opencv2/opencv.hpp>// Use cv and std namespacesusing namespace cv;using namespace std;// Define a pixeltypedef Point3_<uint8_t> Pixel;// tic is called to start timervoid tic(double &t){    t = (double)getTickCount();}// toc is called to end timerdouble toc(double &t){    return ((double)getTickCount() - t) / getTickFrequency();}void complicatedThreshold(Pixel &pixel){    if (pow(double(pixel.x) / 10, 2.5) > 100)    {        pixel.x = 255;        pixel.y = 255;        pixel.z = 255;    }    else    {        pixel.x = 0;        pixel.y = 0;        pixel.z = 0;    }}// Parallel execution with function object.struct Operator{    void operator ()(Pixel &pixel, const int * position) const    {        // Perform a simple threshold operation        complicatedThreshold(pixel);    }};int main(int argc, char** argv){    // Read image    Mat image = imread("butterfly.jpg");    // Scale image 30x    resize(image, image, Size(), 30, 30);    // Print image size    cout << "Image size " << image.size() << endl;    // Number of trials    int numTrials = 5;    // Print number of trials    cout << "Number of trials : " << numTrials << endl;    // Make two copies    Mat image1 = image.clone();    Mat image2 = image.clone();    Mat image3 = image.clone();    // Start timer    double t;    tic(t);    for (int n = 0; n < numTrials; n++)    {        // Naive pixel access        // Loop over all rows        for (int r = 0; r < image.rows; r++)        {            // Loop over all columns            for (int c = 0; c < image.cols; c++)            {                // Obtain pixel at (r, c)                Pixel pixel = image.at<Pixel>(r, c);                // Apply complicatedTreshold                complicatedThreshold(pixel);                // Put result back                image.at<Pixel>(r, c) = pixel;            }        }    }    cout << "Naive way: " << toc(t) << endl;    // Start timer    tic(t);    // image1 is guaranteed to be continous, but    // if you are curious uncomment the line below    // cout << "Image 1 is continous : " << image1.isContinuous() << endl;    for (int n = 0; n < numTrials; n++)    {        // Get pointer to first pixel        Pixel* pixel = image1.ptr<Pixel>(0, 0);        // Mat objects created using the create method are stored        // in one continous memory block.        const Pixel* endPixel = pixel + image1.cols * image1.rows;        // Loop over all pixels        for (; pixel != endPixel; pixel++)        {            complicatedThreshold(*pixel);        }    }    cout << "Pointer Arithmetic " << toc(t) << endl;    tic(t);    for (int n = 0; n < numTrials; n++)    {        image2.forEach<Pixel>(Operator());    }    cout << "forEach : " << toc(t) << endl;#if __cplusplus >= 201103L || (__cplusplus < 200000 && __cplusplus > 199711L)    tic(t);    for (int n = 0; n < numTrials; n++)    {        // Parallel execution using C++11 lambda.        image3.forEach<Pixel>            (                [](Pixel &pixel, const int * position) -> void        {            complicatedThreshold(pixel);        }        );    }    cout << "forEach C++11 : " << toc(t) << endl;#endif    return EXIT_SUCCESS;}

阅读全文

0 0