c++伪代码_【2】OpenCV核心模块（9）使用OpenCV parallel_for_并行运行代码

本文是OpenCV核心模块（core module）的最后一节内容。下一部分会更新OpenCV的图像处理模块，基本的图像处理算法都在这个模块中。

本文的目标是展示如何用parallel_for_框架快速实现代码的并行运行。下面例程中，并行方法使用几乎100%的CPU资源，绘制一个Mandelbrot集合图像。与单线程相比，速度提升约7倍。如果想了解更多的多线程编程信息，需要阅读相关的参考书或课程，本例只是简单的例子。

• 原文网址How to use the OpenCV parallel_for_ to parallelize your code
• 本地目录D:opencvsourcesdoctutorialscorehow_to_use_OpenCV_parallel_for_
• 代码目录D:opencvsourcessamplescpptutorial_codecorehow_to_use_OpenCV_parallel_for_
• GitHub 有相应文档和OpenCV源代码
• 版本OpenCV4.1.2（版本兼容性见英文原文，部分文档适用于OpenCV2.0和3.0）
• 环境Windows、C++、VS2019 Community

---

预先条件

首先，需要OpenCV编译时添加一个并行框架。在OpenCV3.2中，提供了并行框架：

1. Intel TBB（第三方库，显式引用）
2. C= 并行C/C++编程语言扩展（第三方库，显式引用）
3. OpenMP（集成到编译器，显式引用）
4. APPLE GCD（自动使用，苹果系统专用）
5. Windows RT并发（自动使用，Windows RT专用）
6. Windows 并发（运行时的一部分，自动使用，Windows专用-MSVC++10以上）
7. Pthreads

上面的并行框架都可用于OpenCV库。一些第三方库需要在OpenCV库生成时显式引用，cmake时选中。其他的根据平台不同可以自动使用，但是要有直接使用的权限或者编译生成时选择使用。

另外，要执行的任务适合于并行计算。或者能够分解为并行计算的子任务。计算机视觉通常很容易并行化，因为一般一个像素在处理时，与其他像素处理与否不冲突。

简单例子：绘制一个Mandelbrot集合

通过使用绘制Mandelbrot集的示例来说明，如何轻松调整常规的连续执行代码，实现并行化计算。

理论

Mandelbrot集合的命名是数学家Adrien Douady向数学家Benoit Mandelbrot致敬。是图像分形表示的一个例子，表现为图像的自相似性，即整个图像的形状在不同图像的尺度重复出现。为更深入的了解可以看维基百科。这里，只是介绍如何绘制Mandelbrot集合的公式。

Mandelbrot集合是复数c在复平面，从初值0开始进行二次迭代，保持有界的值的集合：

复数

是Mandelbrot集合的一部分，若对于起始的

，重复迭代，无论n多大，

有界。以上可表达为：

伪代码

生成Mandelbrot集合中一个像素的算法成为“逃逸时间算法”。递归生成图像的某个像素过程中，测试复数是否有界或达到最大迭代次数（上面所述条件）。不属于Mandelbrot集合的像素会迅速逃逸，而假定这个像素在最大迭代次数后仍在集合中。迭代次数越多，生成的图像就越精细，计算时间相应增加。用能够逃逸的迭代次数作为图像中的像素值。

For each pixel (Px, Py) on the screen, do:
{
  x0 = scaled x coordinate of pixel (scaled to lie in the Mandelbrot X scale (-2, 1))
  y0 = scaled y coordinate of pixel (scaled to lie in the Mandelbrot Y scale (-1, 1))
  x = 0.0
  y = 0.0
  iteration = 0
  max_iteration = 1000
  while (x*x + y*y < 2*2  AND  iteration < max_iteration) {
    xtemp = x*x - y*y + x0
    y = 2*x*y + y0
    x = xtemp
    iteration = iteration + 1
  }
  color = palette[iteration]
  plot(Px, Py, color)
}

为了把伪代码和理论相联系，有：

图中，虚数的实部在X轴，虚部在Y轴。如果放大指定位置，整个形状重复可见。

实现

逃逸时间算法实现

//[mandelbrot逃逸时间算法]

这里用到了std::complex模板类来表示复数。这个函数来测试像素是否在集合中，并返回逃逸的迭代次数。

连续Mandelbrot实现

//[连续mandelbrot实现]

在实现过程中，遍历图像的每个像素，分别迭代、尺度变换，得到最终的像素值。

另外，需要将像素坐标转换到Mandelbrot集合坐标空间：

//[获取mandelbrot变换所需的初值x1，y1，scaleX，scaleY]

最后，给像素赋值，用下面的规则：

• 如果一个像素达到最大迭代次数，为黑色（认为像素在集合中）
• 否则用逃逸迭代次数赋值，然后将迭代次数的数值转换到灰度尺度范围内

//[mandelbrot灰度尺度变换]

使用线性尺度变换不能精确反映出灰度变化。为克服该缺点，用平方根尺度变换来增强显示：

绿色是线性尺度变换，蓝色对应平方根尺度变换。可以看到左侧最低值的增强。

并行Mandelbrot实现

从上面的连续Mandelbrot实现可以看到，每个像素都是独立计算的。为了优化计算，利用多核架构的处理器，执行多个像素并行计算。用OpenCV的cv::parallel_for_框架很容易实现。

//[并行mandelbrot实现]

首先要做的是声明一个自定义类，继承于cv::ParalelLoopBoody，并且重载虚函数virtual void operator()(const cv::Range& range) const。

operator中的range重新表示被独立线程处理的像素子集。分解任务是自动完成的，并根据CPU核心的计算能力平均分配。将像素索引坐标转换为[row,col]坐标。另外，对mat图像保持引用（reference），以实现in-place修改。

并行执行用下面方式调用：

//[并行mandelbrot调用方式二：需要前面定义的类]

这里，range表示将要执行的运算次数，即图像的像素个数。为了设置线程数目，可以用cv::setNumThreads(2)或者设置parallel_for_的第三个参数nstrips=2。默认会使用所有可用处理器线程，但是任务会分为两个线程。

注意：C++11标准允许通过lambda表达式代替ParalleMandelbrot类，简化上述并行实现：

//[并行mandelbrot调用方式一：cxx11，不需要前面定义的类]

代码

//---parallel_for_实现并行计算-----------//

结果

并行运算的性能取决于CPU的类型。例如4核8线程CPU，可以提升约6.9倍速度。有很多因素可以解释为什么没有达到8倍的加速。主要原因是：

• 创建与管理线程的时间
• 后台有其它进程在并行运行
• 4核每核两逻辑线程与8核的不同

本例运行结果生成的图像如下图。（可以修改代码使用更多的迭代次数，根据逃逸迭代次数的不同用调色板为像素配色）

图像(480, 540, CV_8U); x1 = -2.1f, x2 = 0.6f， y1 = -1.2f, y2 = 1.2f; 最大迭代次数500