手撕OpenCV源码之filter2D(一)
手撕OpenCV源码之filter2D(一)
在上篇的GaussianBlur中提到,gaussianBlur使用的是filter2D的实现,因此上篇仅仅描述了高斯滤波器的生成细节,并没有针对滤波的计算细节及代码实现进行分析.本篇将详细介绍OpenCV中滤波的实现细节.
filter2D函数的整体结构分析
上篇文章中没有提到,本系列分析源码所使用的opencv版本是opencv-3.4.0.首先从OpenCV的主函数入手.
void cv::filter2D( InputArray _src, OutputArray _dst, int ddepth,
InputArray _kernel, Point anchor0,
double delta, int borderType )- 路径
opencv-3.4.0/modules/imgproc/filter.cpp - 函数原型
void cv::filter2D( InputArray _src, OutputArray _dst, int ddepth,
InputArray _kernel, Point anchor0,
double delta, int borderType )
{
//opencv的profiling,可以在内部追踪函数执行状况,默认情况下是关闭的,不会产生性能开销.
CV_INSTRUMENT_REGION()
//若平台支持OpenCL则使用OpenCL执行
CV_OCL_RUN(_dst.isUMat() && _src.dims() <= 2,
ocl_filter2D(_src, _dst, ddepth, _kernel, anchor0, delta, borderType))
//将传入的参数转换为Mat结构
Mat src = _src.getMat(), kernel = _kernel.getMat();
//在api说明中知道调用cv::filter2D是允许将ddepth设置小于0的
if( ddepth < 0 )
ddepth = src.depth();
//为函数输出创建Mat结构
_dst.create( src.size(), CV_MAKETYPE(ddepth, src.channels()) );
Mat dst = _dst.getMat();
Point anchor = normalizeAnchor(anchor0, kernel.size());
//计算src在进行了边界填充后的数组中的位置
Point ofs;
Size wsz(src.cols, src.rows);
if( (borderType & BORDER_ISOLATED) == 0 )
src.locateROI( wsz, ofs );
//调用hal命名空间下的filter2D函数
hal::filter2D(src.type(), dst.type(), kernel.type(),
src.data, src.step, dst.data, dst.step,
dst.cols, dst.rows, wsz.width, wsz.height, ofs.x, ofs.y,
kernel.data, kernel.step, kernel.cols, kernel.rows,
anchor.x, anchor.y,
delta, borderType, src.isSubmatrix());
}接下来对代码注释中涉及的一些内容进行解释:
- 关于OpenCL
在OpenCV的早起版本中其实就已经有OpenCL的优化了(比如2.4.8);当时版本中需要用户自己指定。在当前的opencv-3.4.0中则把OpenCL版本的实现做了改进;并且会优先选择使用OpenCL。 CV_OCL_RUN就是对OpenCL的检测，若OpenCL可用则执行OpenCL版本的filter2D。 可以看一下 CV_OCL_RUN这个宏 路径： opencv/core/include/opencv2/core/opencl/ocl_defs.hpp
#define CV_OCL_RUN_(condition, func, ...) \
{ \
if (cv::ocl::isOpenCLActivated() && (condition) && func) \
{ \
printf("%s: OpenCL implementation is running\n", CV_Func); \
fflush(stdout); \
CV_IMPL_ADD(CV_IMPL_OCL); \
return __VA_ARGS__; \
} \
else \
{ \
printf("%s: Plain implementation is running\n", CV_Func); \
fflush(stdout); \
} \
}可以看出，首先检测了opencl平台的可用性；之后添加OCL实现（ CV_IMPL_ADD(CV_IMPL_OCL)）;接下来简单了解一下opencv目前的一些优化平台。 路径： opencv/modules/modules/core/include/opencv2/core/utility.hpp
#define CV_IMPL_PLAIN 0x01 // native CPU OpenCV implementation
#define CV_IMPL_OCL 0x02 // OpenCL implementation
#define CV_IMPL_IPP 0x04 // IPP implementation
#define CV_IMPL_MT 0x10 // multithreaded implementation
#define CV_IMPL_ADD(impl) \
if(cv::useCollection()) \
{ \
cv::addImpl(impl, CV_Func); \
}
#else
#define CV_IMPL_ADD(impl)
#endif从这里可以看出，目前opencv主要的优化是，cpu，opencl，IPP库，以及多线程优化。另外opencv是支持cuda的，只是cuda是单独的模块。其他几种优化是作为通用模块实现的。 从cv::filter2D代码的组织形式看，opencv是优先使用opencl的，可以推测，opencv中opencl的实现性能是比较优秀的。
- 接下来的处理再注释中写的比较明确了，不再赘述。
- hal::filter2D 先上源码：
void filter2D(int stype, int dtype, int kernel_type,
uchar * src_data, size_t src_step,
uchar * dst_data, size_t dst_step,
int width, int height,
int full_width, int full_height,
int offset_x, int offset_y,
uchar * kernel_data, size_t kernel_step,
int kernel_width, int kernel_height,
int anchor_x, int anchor_y,
double delta, int borderType,
bool isSubmatrix)
{
bool res;
res = replacementFilter2D(stype, dtype, kernel_type,
src_data, src_step,
dst_data, dst_step,
width, height,
full_width, full_height,
offset_x, offset_y,
kernel_data, kernel_step,
kernel_width, kernel_height,
anchor_x, anchor_y,
delta, borderType, isSubmatrix);
if (res)
return;
CV_IPP_RUN_FAST(ippFilter2D(stype, dtype, kernel_type,
src_data, src_step,
dst_data, dst_step,
width, height,
full_width, full_height,
offset_x, offset_y,
kernel_data, kernel_step,
kernel_width, kernel_height,
anchor_x, anchor_y,
delta, borderType, isSubmatrix))
res = dftFilter2D(stype, dtype, kernel_type,
src_data, src_step,
dst_data, dst_step,
full_width, full_height,
offset_x, offset_y,
kernel_data, kernel_step,
kernel_width, kernel_height,
anchor_x, anchor_y,
delta, borderType);
if (res)
return;
ocvFilter2D(stype, dtype, kernel_type,
src_data, src_step,
dst_data, dst_step,
width, height,
full_width, full_height,
offset_x, offset_y,
kernel_data, kernel_step,
kernel_width, kernel_height,
anchor_x, anchor_y,
delta, borderType);
}这段代码很简单，主要是各个平台计算法的执行顺序；首先是replacementFilter2D，这其实是可分离滤波器，从名字也可以看出来，是替代filter2D；上篇文章中提到的GaussianBlur就是可分离滤波器。满足这种性质的滤波器可以实现更好的计算性能，所以先检测，是否满足可分离特性。关于可分离滤波器会再后续的文章中详细说明，暂且不表。第二是调用IPP库，这是Inter的一个计算库；第三是使用dft进行滤波，再opencv中滤波器尺寸大于11的，会使用dft进行滤波，对于大尺寸滤波器，DFT(离散傅立叶变换-dft)会获得更好的性能。在dftFilter2D函数内部会判断滤波器尺寸；最后是ocvFilter2D，这是使用c++实现的二维滤波。 dftFilter2D函数内部判断：
int dft_filter_size = 50;//不使用SSE的情况下
if (kernel_width * kernel_height < dft_filter_size)
return false;到此为止，filter2D API中的函数结构介绍结束，目前本系列文章中着重介绍c++实现，也就是ocvFilter2D；在后续的文章中也会介绍dft的c++实现；对于各中优化版本的实现，不做深究。以后的别的系列可能会介绍opencl版本的优化。下一篇文章中将详细介绍ocvFilter2D的实现。
更多相关阅读
手撕OpenCV源码之高斯模糊
OpenCV中如何获得物体的主要方向
OpenCV实现图像连通组件标记与分析