长时间用着Python和深度学习框架,还是要回到图像处理篇,下面我就要重回图像处理(C++)篇了,以此来记录自己下一阶段的学习历程。
我们知道,一般的OpenCV基本都是基于CPU模块的,所以速度方面受限很大,而如果使用GPU来处理图像的话,性能会飞一般的提升。本章主要是记录OpenCV和CUDA结合在C++上的应用,有关CUDA安装和OpenCV+CUDA的C++编译,读者自行去其他博文里找寻答案。
文本实验的环境是:VS2017、CUDA10.0、C++、Cmake-3.14.5
代码:
#include<opencv2/opencv.hpp>
#include<opencv2/cudaimgproc.hpp>
using namespace std;
int main(int argc, char** argv)
{
cv::Mat src= cv::imread("F:/test/lena.jpg"); //读取图像,CPU内存读取
cv::imshow("input image", src);
cv::cuda::GpuMat G_image(src); //还有一种赋值方法,如下注释的部分
//cv::cuda::GpuMat G_image;
//G_image.upload(src);
cv::cuda::GpuMat gray;
cv::cuda::cvtColor(G_image, gray, cv::COLOR_BGR2GRAY);//cuda版本里也有cvtColor这个API
cv::Mat c_gray;
gray.download(c_gray); //创建一个CPU mat对象后,由于imshow无法显示GMat对象,所以需要从GMat中取出来赋给CMat对象
cv::imshow("gray", c_gray); //imshow显示不了GMat对象
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
关于GMat和Mat对象,这里需要注意两点:
1)upload,它把cpu对象上传到gpu对象中;
2)download,它把gpu对象下载到cpu对象中。
关于其它的性能方面需要注意的有:
1)upload和download是cpu和gpu之间的数据交换,这一部分是非常耗费时间性能的,所以,最好是upload和download只执行一次;
2)创建了Mat或GMat对象后,最好把它释放掉。
运行结果: