RK opencv CPU && GPU

0 install

1 mkdir build 

2 cd build
3 sudo cmake .. -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=../install -D ENABLE_FAST_MATH=1 -D WITH_OPENCL=ON -D WITH_IPP=OFF -D ITH_GTK=ON -D WITH_GTK3=ON  -D BUILD_SHARED_LIBS=OFF -D CMAKE_C_COMPILER=/home/jeffrey/360/host/bin/aarch64-buildroot-linux-gnu-gcc -D CMAKE_CXX_COMPILER=/home/jeffrey/360/host/bin/aarch64-buildroot-linux-gnu-g++

after make install

opencv/opencv-4.7.0/install/lib
在这里插入图片描述

but run remap

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

using namespace cv;
void perspective_to_maps(cv::Matx33d &perspective_mat, cv::Size img_size, cv::Mat &map1, cv::Mat &map2)
{
    cv::Mat inv_perspective(perspective_mat.inv());
    inv_perspective.convertTo(inv_perspective, CV_32FC1);

    cv::Mat xy(img_size, CV_32FC2);
    float *pxy = (float *)xy.data;
    for (int y = 0; y < img_size.height; y++)
        for (int x = 0; x < img_size.width; x++)
        {
            *pxy++ = x;
            *pxy++ = y;
        }
    // perspective transformation of the points
    cv::Mat xy_transformed;
    cv::perspectiveTransform(xy, xy_transformed, inv_perspective);
    assert(xy_transformed.channels() == 2);
    cv::Mat maps[2];
    cv::split(xy_transformed, maps);
    cv::convertMaps(maps[0], maps[1], map1, map2, CV_32F);
}
cv::Mat mapx,mapy,dst1,dst2;
cv::Matx33d homog(-1.104333310637919, -1.02803450593307, 4.132532927151,
-0.08141394964341982, -1.35103411932037, 4.2699610224884,
-0.0003145704784753452, -0.002810559414638452, 1);
int main(int argc, char **argv) 
{
     
    cv::Size size_map(6, 6);
    perspective_to_maps(homog,size_map,mapx,mapy);    
  
    cv::Mat src = Mat::zeros(size_map,CV_8UC1);  // cv::Mat src= cv::imread("../image/back.png",cv::IMREAD_GRAYSCALE);
    for(int i = 0; i < src.cols;i++) 
            for (int j=0; j < src.cols; j++) 
                src.at<u_char>(i, j) = (i + j)*20;

    cv::resize(src, src, size_map, 0, 0, cv::INTER_NEAREST);
    cv::UMat usrc,udst1;
    src.copyTo(usrc);
    
    cv::remap(usrc, udst1, mapx, mapy, cv::INTER_LINEAR, cv::BORDER_CONSTANT, cv::Scalar(0));
    std::cout<<"udst1:\n"<<dst1<<std::endl;
    return 0;
}
arm_release_ver of this libmali is 'g6p0-01eac0', rk_so_ver is '6'.
[ WARN:0@0.216] global filesystem.cpp:489 getCacheDirectory Using world accessible cache directory. This may be not secure: /var/tmp/
OpenCL program build log: imgproc/remap
Status -11: CL_BUILD_PROGRAM_FAILURE
-D INTER_LINEAR -D BORDER_CONSTANT -D T=uchar -D rowsPerWI=1 -D WT=float -D convertToT=convert_uchar_sat_rte -D convertToWT=convert_float -D convertToWT2=convert_float2 -D WT2=float2 -D T=uchar -D T1=uchar -D cn=1 -D ST=uchar -D depth=0
<built-in>:175:9: error: expected member name or ';' after declaration specifiers
int32_t depth;             /**< The image depth. */
~~~~~~~ ^
<built-in>:14:15: note: expanded from here
#define depth 0
              ^

<built-in>:175:8: error: expected ';' at end of declaration list
int32_t depth;             /**< The image depth. */
       ^

error: Compiler frontend failed (error code 62)

how to resolve this change line 1356 depth to m_depth

在这里插入图片描述

1. OpenCV 测试

1. 验证OpenCV是否已启用GPU模块。
ocl::setUseOpenCL(true);
bool Is_have_opencl=ocl::haveOpenCL();
printf("Is_have_opencl:%d\n",Is_have_opencl);
2.上传待处理数据到GPU (Mat --> GpuMat)。

3.调用OpenCV支持的GPU的处理函数。
GaussianBlur(srcImage,dstImage,Size(23,23),0,0);
4.下载处理结果到CPU (GpuMat ---> Mat)。

2. Test and Result

cpu

在这里插入图片描述
在这里插入图片描述

gpu

在这里插入图片描述

在这里插入图片描述

3.Code

#include <opencv2/core/ocl.hpp>
#include <opencv2/opencv.hpp>
// #include "opencv2/highgui.hpp"
#include<stdio.h>
#include<time.h>
#include<unistd.h>
 
#include<iostream>
using namespace std;
using namespace cv;
int main(int argc,char **argv)
{
    cv::UMat srcImage(3840, 2160, CV_8UC3, Scalar(0, 0, 255));
    cv::UMat dstImage;
    ocl::setUseOpenCL(true);
    bool Is_have_opencl=ocl::haveOpenCL();
    printf("Is_have_opencl:%d\n",Is_have_opencl);
     
    double time_total=0;
    double time_ave=0;
    double time_cost=0;
    int loop_times=10;
   if(2 > argc)
      printf("Error./test_opencv_gpu 1.jpg 10");
    else{
    std::string loop_no=argv[1];
    loop_times=stoi(loop_no);}
   
    int start= 0,endl=0;

    //dstImage.copyTo(udstImage); 
    while(true)
    {
        GaussianBlur(srcImage,dstImage,Size(23,23),0,0);
    }
    
}

4 .conclusion

1.Umat can releave CPU’s load.

2.Umat accelate is not obvious.

5.Reference

RK3399 测试—提速没有TX2 明显

原文链接
只需要把Mat 变量重新定义为UMat 即可调用OpenCV 的GPU

PC 测试 —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

原文链接

封装到里面

OpenCV

OpenCV OpenCL 加速

效果不明显

  • 2
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: RK3588是一款搭载ARM Cortex-A76和Cortex-A55核心的芯片,它支持OpenCL和Vulkan等GPU编程框架。如果你想在RK3588上使用OpenCV调用GPU进行图像处理,你可以使用OpenCV的OpenCL模块或者CUDA模块。 如果你想使用OpenCL进行图像处理,你需要在代码中包含以下头文件: ```cpp #include <opencv2/core/ocl.hpp> #include <opencv2/imgproc.hpp> ``` 然后,你可以使用`cv::ocl::setUseOpenCL(true)`来开启OpenCL支持,例如: ```cpp cv::Mat image = cv::imread("image.jpg"); cv::Mat gray; cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY); cv::ocl::setUseOpenCL(true); cv::UMat gpu_gray; gray.copyTo(gpu_gray); cv::UMat gpu_result; cv::Sobel(gpu_gray, gpu_result, -1, 1, 0); cv::Mat result; gpu_result.copyTo(result); ``` 如果你想使用CUDA进行图像处理,你需要在代码中包含以下头文件: ```cpp #include <opencv2/core/cuda.hpp> #include <opencv2/cudaimgproc.hpp> ``` 然后,你可以使用`cv::cuda::GpuMat`类来创建和处理GPU上的图像,例如: ```cpp cv::Mat image = cv::imread("image.jpg"); cv::cuda::GpuMat gpu_image(image); cv::cuda::GpuMat gpu_gray; cv::cuda::cvtColor(gpu_image, gpu_gray, CV_BGR2GRAY); cv::cuda::GpuMat gpu_result; cv::cuda::Sobel(gpu_gray, gpu_result, -1, 1, 0); cv::Mat result; gpu_result.download(result); ``` 这样就可以在RK3588上使用OpenCV调用GPU进行图像处理了。注意,你需要在编译时指定OpenCL或CUDA相关的库文件和头文件。 ### 回答2: rk3588是一款搭载了强大GPU能力的处理器,它支持OpenCV调用GPU进行图像处理和计算。OpenCV是一个开源的计算机视觉库,它提供了一系列图像处理和计算的函数和工具。 在rk3588上,我们可以使用OpenCV提供的GPU模块进行图像处理和计算任务。通过使用GPU加速,我们可以大大提高图像处理的速度和效率,同时还可以处理更大规模的图像数据。 要在rk3588上进行OpenCVGPU调用,我们首先需要安装OpenCV库和相关的GPU驱动。然后,我们可以使用OpenCV提供的GPU模块进行图像处理和计算任务。通过使用GPU模块,我们可以利用rk3588强大的GPU能力进行并行计算,以加快图像处理的速度。 在使用OpenCVGPU模块时,我们需要注意的是,不是所有的函数和操作都能够直接在GPU上执行。有些函数和操作需要在CPU上进行,然后再将结果传输到GPU上进行处理。因此,我们需要根据具体的图像处理需求选择合适的函数和操作,以充分利用rk3588的GPU能力。 总之,rk3588支持OpenCV调用GPU进行图像处理和计算。通过使用OpenCVGPU模块,我们可以利用rk3588强大的GPU能力加速图像处理的速度和效率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值