调整cv::Mat大小的最有效方法
调整cv::Mat大小的最有效方法
提问于 2015-08-01 19:16:36
全
我正在编写一个图像处理程序，它在一帧中使用cv::resize(INTER_LINEAR)数百次。然而，我发现cv::resize()是一个cpu杀手，它是我的程序中的热点。有没有更好的方法来调整图像的大小，而cpu使用率更低？
代码有点像这样：
void process(const cv::Mat& frame) {
for(int i = 0; i < COUNTS; ++i) {
int new_rows = CalculateHeight();
int new_cols = CalculateWidth();
cv::Mat new_img;
cv::resize(frame, new_mg, cv::Size(new_cols, new_rows));
// ...
}
// ...
}谢谢!
回答 1
Stack Overflow用户
发布于 2015-08-01 20:59:43
以下是我使用OpenCV函数10,000次调整随机图像大小的一些测试结果。最好的解决方案似乎是在调整大小之前转换为灰度(如果可能)，使用ROI或滚动您自己的ASM AVX函数来使用每1/3(或任何您需要的缩放因子)行和列来调整大小。调整大小的函数得到了相当的优化。
Colour
INTER_LINEAR 7953.89ms
INTER_LINEAR GPU 2252.72ms
INTER_LINEAR GPU MEMIO 23303.7ms
INTER_NEAREST 7297.58ms
INTER_NEAREST GPU 906.336ms
INTER_NEAREST GPU MEMIO 22374.1ms
BORDER_DEFAULT 47488.8ms
BORDER_REFLECT 47515.4ms
BORDER_REPLICATE 47516ms
BORDER_WRAP 47980.7ms
PYR GPU 4126.93ms
Grayscale
INTER_LINEAR 413.789ms
INTER_LINEAR GPU 1027.85ms
INTER_LINEAR GPU MEMIO 9568.99ms
INTER_NEAREST 978.89ms
INTER_NEAREST GPU 747.621ms
INTER_NEAREST GPU MEMIO 9346.28ms
BORDER_DEFAULT 19266.7ms
BORDER_REFLECT 19274.1ms
BORDER_REPLICATE 19300.8ms
BORDER_WRAP 19386.3ms
PYR GPU 2272.7ms
#include "opencv2/opencv.hpp"
#include "opencv2/cudaimgproc.hpp"
#include "opencv2/cudawarping.hpp"
#include <iostream>
#include <string>
#include <chrono>
using namespace std;
using namespace cv;
template <typename T>
double resizePerfEval(const Mat& frame, unsigned int n, T resizeFlag) {
auto start = chrono::steady_clock::now();
for (auto i = 0; i < n; i++) {
Mat temp;
resize(frame, temp, Size(), 0.5, 0.5, resizeFlag);
}
return chrono::duration <double, milli>(chrono::steady_clock::now() - start).count();
}
template <typename T>
double pyramidPerfEval(const Mat& frame, unsigned int n, T border) {
auto start = chrono::steady_clock::now();
Size s(frame.cols / 2, frame.rows / 2);
for (auto i = 0; i < n; i++) {
Mat tmp;
pyrDown(frame, tmp, s, border);
}
return chrono::duration <double, milli>(chrono::steady_clock::now() - start).count();
}
template <typename T>
double resizePerfEvalGPU(const Mat& frame, unsigned int n, T resizeFlag, bool uploadDownload=false) {
auto start = chrono::steady_clock::now();
Mat tmp;
cuda::GpuMat frame_d, temp;
frame_d.upload(frame);
for (auto i = 0; i < n; i++) {
cuda::resize(frame_d, temp, Size(), 0.5, 0.5, resizeFlag);
if (uploadDownload) {
temp.download(tmp);
frame_d.upload(frame);
}
}
return chrono::duration <double, milli>(chrono::steady_clock::now() - start).count();
}
double pyramidPerfEvalGPU(const Mat& frame, unsigned int n, bool uploadDownload = false) {
auto start = chrono::steady_clock::now();
Mat tmp;
cuda::GpuMat frame_d, temp;
frame_d.upload(frame);
for (auto i = 0; i < n; i++) {
cuda::pyrDown(frame_d, temp);
if (uploadDownload) {
temp.download(tmp);
frame_d.upload(frame);
}
}
return chrono::duration <double, milli>(chrono::steady_clock::now() - start).count();
}
void runTest(const Mat& frame, unsigned int n) {
cout << "INTER_LINEAR " << resizePerfEval(frame, n, INTER_LINEAR) << "ms" << endl;
cout << "INTER_LINEAR GPU " << resizePerfEvalGPU(frame, n, INTER_LINEAR) << "ms" << endl;
cout << "INTER_LINEAR GPU MEMIO " << resizePerfEvalGPU(frame, n, INTER_LINEAR, true) << "ms" << endl;
cout << "INTER_NEAREST " << resizePerfEval(frame, n, INTER_NEAREST) << "ms" << endl;
cout << "INTER_NEAREST GPU " << resizePerfEvalGPU(frame, n, INTER_NEAREST) << "ms" << endl;
cout << "INTER_NEAREST GPU MEMIO " << resizePerfEvalGPU(frame, n, INTER_NEAREST, true) << "ms" << endl;
cout << "BORDER_DEFAULT " << pyramidPerfEval(frame, n, BORDER_DEFAULT) << "ms" << endl;
cout << "BORDER_REFLECT " << pyramidPerfEval(frame, n, BORDER_REFLECT) << "ms" << endl;
cout << "BORDER_REPLICATE " << pyramidPerfEval(frame, n, BORDER_REPLICATE) << "ms" << endl;
cout << "BORDER_WRAP " << pyramidPerfEval(frame, n, BORDER_WRAP) << "ms" << endl;
cout << "PYR GPU " << pyramidPerfEvalGPU(frame, n) << "ms" << endl;
}
int main(int argc, char* argv[])
{
Mat gsframe, frame = Mat::ones(Size(1920, 1080), CV_8UC3);
randu(frame, Scalar::all(0), Scalar::all(255));
cvtColor(frame, gsframe, CV_BGR2GRAY);
auto n = 10000;
cout << "Colour" << endl;
runTest(frame, n);
cout << endl << "Grayscale" << endl;
runTest(gsframe, n);
return 0;
}如果算法在PC上运行，另一种方法是在支持CUDA的GPU上进行大小调整。但是，您在选择卡时必须小心，因为您需要足够高的内存带宽，以适应从GPU内存上传和下载图像所需的时间。
请注意，当图像在GPU内存中不可用时，CPU在灰度上优于GPU。如果图像在GPU内存中可用，那么对于Colour来说，使用GPU可以加速3.5倍(特别是对于非常大的图像尺寸)。对于高端应用，可以使用带有GPUDirect的NVIDIA捕获卡来实现这一点。
在Xeon E5 v2 @3.0 out 680GTX上进行了测试
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/31761203
复制相关文章
相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号