使用GPU加速图片处理的多种方案解析

图片处理是最常见的任务之一。如果是熟悉计算机视觉方向的肯定对OpenCV+Numpy的方案不陌生：用OpenCV读取图片，用Numpy的矩阵操作快速完成处理。由于OpenCV支持所有格式的图片，而Numpy对于其内置的算法都实现了CPU端的并行化，因此这一套流程可以很方便又快速地实现图片处理。

然而，当且仅当你的处理算法可以用Numpy的操作实现时，才能够得到满意的加速效果。如果你的算法需要遍历矩阵，效率就会大大折扣。我之前写了一篇如何使用NVidia的Falcor框架来实现快速的图片处理的文章，感兴趣的可以了解一下。但是这个方案要求大家熟悉shader的编写，对于不太了解图形学的人来说可能稍微有些吃力。在这篇文章里我会分析一些简单的替代方案。

Numba

Numba是一个很简单的提高矩阵遍历速度的工具。只需要在你定义的函数前加上@numba.jit()，其就会自动对函数中的循环进行加速。使用的例子如下：

import numba as nb
import numpy as np
@nb.jit()
def nb_cpy(a):
    result = np.zeros(a.shape, np.float32)
    for i in range(len(a)):
        result[i] = a[i]
    return result

但是直接这样使用其只会使用CPU来加速遍历，实际测试中效率的提升并不是很显著。如果希望使用GPU来进行加速，就会相对麻烦一些（需要一些CUDA知识），超过了本篇的讨论范围，具体可以参考一些