OpenCL编程:图像卷积

图像卷积，就是对图像所有像素进行一些特定的运算处理。这里涉及两个问题，一是读取图片文件信息，二是作何种卷积运算。第一个问题可在 《freeimage存取图片数据》 里找到答案。第二个问题可以baidu卷积算法。
    卷积是对每个像素都进行相同的处理。以前我们是用ＣＰＵ来串行处理。现在我们可以利用ＯＰＥＮＣＬ进行并行处理（多核ＣＰＵ和ＧＰＵ）。

我们的例子很简单，是一个对图片进行低通滤波处理。卷积大小是5×5，为了方便，对边缘像素不做处理（反正也就２个像素，肉眼看不出）。

low.cl源码

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

__kernel void low(__global int * A,                      __global int * B,                      __global int * C,                      int sum,                      int img_width,                      int kernel_width) {      //获取索引号，这里是二维的，所以可以取两个      //否则另一个永远是0      int col = get_global_id(0);      int row = get_global_id(1);          int stx = (kernel_width - kernel_width%2)/2;      int sty = stx;          int nx,ny;      int totalR=0;      int totalG=0;      int totalB=0;      int nid = 0;        totalR=0;totalG=0;totalB=0;      nid=0;      if (col<=2 || row<=2 || col>=img_width-2 || row>=img_width-2)    {       B[row*img_width*3+col*3+0] = 0;       B[row*img_width*3+col*3+1] = 0;       B[row*img_width*3+col*3+2] = 0;       return ;     }       for (ny=row-sty;ny<=row+sty;ny++)      {          for (nx=col-stx;nx<=col+stx;nx++)          {              totalR += C[nid] * A[ny*img_width*3+nx*3+0];              totalG += C[nid] * A[ny*img_width*3+nx*3+1];              totalB += C[nid] * A[ny*img_width*3+nx*3+2];                   nid++;          }      }          B[row*img_width*3+col*3+0] = min(255,totalR/sum);      B[row*img_width*3+col*3+1] = min(255,totalG/sum);      B[row*img_width*3+col*3+2] = min(255,totalB/sum); }

main.cpp源码

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274

#include <iostream> #include <stdio.h> #include <string.h> #include <string> #include <conio.h> #include <math.h>//数学库 #include <CL/cl.h>//包含CL的头文件 //调用freeimage #include <freeimage.h>    using namespace std;    //8x8数组 const int dim_x = 256; const int dim_y = 256; const int kernel_x =5; const int kernel_y =5;    static int buf_A[dim_x*dim_y*3]; static int buf_B[dim_x*dim_y*3]; static int buf_C[] = {      1,1,1,1,1,      1,4,4,4,1,      1,4,12,4,1,      1,4,4,4,1,      1,1,1,1,1 };    //加载图片 //以RGBA格式存储图片 static bool LoadImg( const char * fname) {      //初始化FreeImage      FreeImage_Initialise(TRUE);         //定义图片格式为未知      FREE_IMAGE_FORMAT fif = FIF_UNKNOWN;         //获取图片格式      fif = FreeImage_GetFileType(fname,0);         //根据获取格式读取图片数据      FIBITMAP* bitmap = FreeImage_Load(fif,fname,0);         if (!bitmap)      {          printf ("load error! ");          return false ;      }         int x,y;      RGBQUAD m_rgb;         //获取图片长宽      int width = ( int )FreeImage_GetWidth(bitmap);      int height = ( int )FreeImage_GetHeight(bitmap);         //获取图片数据      //按RGBA格式保存到数组中      for (y=0;y<height;y++)      {          for (x=0;x<width;x++)          {              //获取像素值              FreeImage_GetPixelColor(bitmap,x,y,&m_rgb);                 //将RGB值存入数组              buf_A[y*width*3+x*3+2] = m_rgb.rgbRed;              buf_A[y*width*3+x*3+1] = m_rgb.rgbGreen;              buf_A[y*width*3+x*3+0] = m_rgb.rgbBlue;             }      }         FreeImage_Unload(bitmap);      return true ; }    //保存图片 static bool SaveImg() {      //初始化FreeImage      FreeImage_Initialise(TRUE);         FIBITMAP* bitmap =FreeImage_Allocate(dim_x,dim_y,32,8,8,8);         int m,n;         for (n=0;n<dim_y;n++)      {          BYTE *bits =FreeImage_GetScanLine(bitmap,n);             for (m=0;m<dim_x;m++)          {              bits[0] = buf_B[dim_x*3*n+m*3+0];              bits[1] = buf_B[dim_x*3*n+m*3+1];              bits[2] = buf_B[dim_x*3*n+m*3+2];              bits[3] = 255;              bits+=4;          }      }         //保存图片为PNG格式      if ( false ==FreeImage_Save(FIF_PNG, bitmap, "low.png" , PNG_DEFAULT))      {          printf ("save image error ");      }         FreeImage_Unload(bitmap);      return true ; }    //从外部文件获取cl内核代码 bool GetFileData( const char * fname,string& str) {      FILE * fp = fopen (fname, "r" );      if (fp==NULL)      {          printf ("no found file ");          return false ;      }         while ( feof (fp)==0)      {          str += fgetc (fp);      }         return true ; }    int main() {      if (LoadImg( "bk.png" )== false )      {          printf ("error load bk.png! ");          return 0;      }      //先读外部CL核心代码，如果失败则退出。      //代码存buf_code里面      string code_file;         if ( false == GetFileData( "low.cl" ,code_file))      {          printf ("Open low.cl error ");          return 0;      }         char * buf_code = new char [code_file.size()];      strcpy (buf_code,code_file.c_str());      buf_code[code_file.size()-1] = NULL;         //声明CL所需变量。      cl_device_id device;      cl_platform_id platform_id = NULL;      cl_context context;      cl_command_queue cmdQueue;      cl_mem bufferA,bufferB,bufferC;      cl_program program;      cl_kernel kernel = NULL;         //我们使用的是二维向量      //设定向量大小（维数）      size_t globalWorkSize[2];      globalWorkSize[0] = dim_x;      globalWorkSize[1] = dim_y;         cl_int err;         /*          定义输入变量和输出变量，并设定初值      */         size_t datasize = sizeof ( int ) * dim_x * dim_y * 3;      size_t kernelsize = sizeof ( int )*kernel_x*kernel_y;         int n=0;      int sum=0;      //计算卷积核元素之和      for (n=0;n<25;n++)      {          sum += buf_C[n];      }         //step 1:初始化OpenCL      err = clGetPlatformIDs(1,&platform_id,NULL);         if (err!=CL_SUCCESS)      {          cout<< "clGetPlatformIDs error:" <<err<<endl;          return 0;      }         //这次我们只用CPU来进行并行运算，当然你也可以该成GPU      clGetDeviceIDs(platform_id,CL_DEVICE_TYPE_CPU,1,&device,NULL);         //step 2:创建上下文      context = clCreateContext(NULL,1,&device,NULL,NULL,NULL);         //step 3:创建命令队列      cmdQueue = clCreateCommandQueue(context,device,0,NULL);         //step 4:创建数据缓冲区      bufferA = clCreateBuffer(context,                               CL_MEM_READ_ONLY,                               datasize,NULL,NULL);         bufferB = clCreateBuffer(context,                               CL_MEM_WRITE_ONLY,                               datasize,NULL,NULL);         bufferC = clCreateBuffer(context,                               CL_MEM_READ_ONLY,                               kernelsize,NULL,NULL);         //step 5:将数据上传到缓冲区      clEnqueueWriteBuffer(cmdQueue,                           bufferA,CL_FALSE,                           0,datasize,                           buf_A,0,                           NULL,NULL);         clEnqueueWriteBuffer(cmdQueue,                           bufferC,CL_FALSE,                           0,kernelsize,                           buf_C,0,                           NULL,NULL);         //step 6:加载编译代码,创建内核调用函数      program = clCreateProgramWithSource(context,1,                                          ( const char **)&buf_code,                                          NULL,NULL);         clBuildProgram(program,1,&device,NULL,NULL,NULL);         kernel = clCreateKernel(program, "low" ,NULL);         //step 7:设置参数，执行内核      clSetKernelArg(kernel,0, sizeof (cl_mem),&bufferA);      clSetKernelArg(kernel,1, sizeof (cl_mem),&bufferB);      clSetKernelArg(kernel,2, sizeof (cl_mem),&bufferC);      clSetKernelArg(kernel,3, sizeof (cl_int),&sum); //卷积元素之和      clSetKernelArg(kernel,4, sizeof (cl_int),&dim_x);   //图片宽度      clSetKernelArg(kernel,5, sizeof (cl_int),&kernel_x); //卷积核宽度         //注意这里第三个参数已经改成2，表示二维数据。      clEnqueueNDRangeKernel(cmdQueue,kernel,                             2,NULL,                             globalWorkSize,                             NULL,0,NULL,NULL);         //step 8:取回计算结果      clEnqueueReadBuffer(cmdQueue,bufferB,CL_TRUE,0,                          datasize,buf_B,0,NULL,NULL);         SaveImg();         //释放所有调用和内存         clReleaseKernel(kernel);      clReleaseProgram(program);      clReleaseCommandQueue(cmdQueue);      clReleaseMemObject(bufferA);      clReleaseMemObject(bufferB);      clReleaseContext(context);         delete buf_code;         return 0; }

源图


处理后图片（黑色是边缘没有处理部分）

http://www.cmnsoft.com/article.php?id=39