OpenCL 图像卷积 3 使用 CPU
▶ CPU 图像卷积，共四种方法。分别为基本串行，使用模板，使用局部内存，使用AVX指令优化
● 全部的代码，仅在主函数中选择调用的函数名即可。
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <opencv2/opencv.hpp> const char *inputFile = "R:/1.png";
const char *outputFile = "R:/2.png"; bool floatEq(const float a, const float b)// 相等返回 1
{
if (b == )
return fabs(a) < 0.001;
return fabs(a / b - ) < 0.001;
} void convolution01(const float *input, float *output, const int inputRow, const int inputCol,
const float *filter, const int filterWidth)
{
const int halfFilterWidth = filterWidth / ;
int row, col, rr, cc;
float sum; //memset(output, 0, sizeof(float) * inputRow * inputCol); // 使用 memset 将 output 全部凃成 0 #pragma omp parallel for num_threads(8) default(none) shared(halfFilterWidth, output, inputRow, inputCol) private(row, col)
for (row = ; row < halfFilterWidth; row++) // 人工将边角涂成 0
{
for (col = ; col < inputCol; col++)
output[row*inputCol + col] = output[(inputRow - - row)*inputCol + col] = ;
}
#pragma omp parallel for num_threads(8) default(none) shared(halfFilterWidth, output, inputRow, inputCol) private(row, col)
for (row = halfFilterWidth; row < inputRow - halfFilterWidth; row++)
{
for (col = ; col < halfFilterWidth; col++)
output[row*inputCol + col] = output[row*inputCol + inputCol - - col] = ;
} #pragma omp parallel for num_threads(8) default(none) shared(halfFilterWidth, input, output, inputRow, inputCol, filter) private(row, col, rr, cc, sum)
for (row = halfFilterWidth; row < inputRow - halfFilterWidth; row++)// 内部计算部分
{
for (col = halfFilterWidth; col < inputCol - halfFilterWidth; col++)
{
for (sum = 0.0f, rr = -halfFilterWidth; rr <= halfFilterWidth; rr++)
{
for (cc = -halfFilterWidth; cc <= halfFilterWidth; cc++)
sum += filter[(rr + halfFilterWidth) * filterWidth + cc + halfFilterWidth] * input[(row + rr)*inputCol + col + cc];
}
output[row * inputCol + col] = sum;
}
}
/*
for (row = 0; row < inputRow; row++) // 全范围循环，在最里层判断
{
for (col = 0; col < inputCol; col++)
{
if (row < halfFilterWidth || row >= inputRow - halfFilterWidth || col < halfFilterWidth || col >= inputCol - halfFilterWidth)
{
output[row * inputCol + col] = 0;
continue;
}
for (sum = 0.0f, rr = -halfFilterWidth; rr <= halfFilterWidth; rr++)
{
for (cc = -halfFilterWidth; cc <= halfFilterWidth; cc++)
sum += filter[(rr + halfFilterWidth) * filterWidth + cc + halfFilterWidth] * input[(row + rr)*inputCol + col + cc];
}
output[row * inputCol + col] = sum; }
}
*/
} template<int filterWidth>
void convolution02(const float *input, float *output, const int inputRow, const int inputCol, const float *filter)// 卷积宽度作为模板
{
const int halfFilterWidth = filterWidth / ;
int row, col, rr, cc;
float sum; memset(output, , sizeof(float) * inputRow * inputCol);
#pragma omp parallel for num_threads(8) default(none) shared(halfFilterWidth, input, output, inputRow, inputCol, filter) private(row, col, rr, cc, sum)
for (row = halfFilterWidth; row < inputRow - halfFilterWidth; row++)
{
for (col = halfFilterWidth; col < inputCol - halfFilterWidth; col++)
{
for (sum = 0.0f, rr = -halfFilterWidth; rr <= halfFilterWidth; rr++)
{
for (cc = -halfFilterWidth; cc <= halfFilterWidth; cc++)
sum += filter[(rr + halfFilterWidth) * filterWidth + cc + halfFilterWidth] * input[(row + rr)*inputCol + col + cc];
}
output[row * inputCol + col] = sum;
}
}
} template<int filterWidth, int blockRow, int blockCol>
void convolution03(const float *input, float *output, const int inputRow, const int inputCol, const float *filter)// 使用局部内存块
{
const int halfFilterWidth = filterWidth / ;
int row, col, rr, cc, i, j;
float filterElement; if (inputRow % blockRow || inputCol % blockCol) // 要求图片长宽为局部内存块的整数倍
{
printf("Failed, outputRow %% blockRow || outputCol %% blockCol\n");
return;
} memset(output, , sizeof(float) * inputRow * inputCol);
#pragma omp parallel for num_threads(8)
for (row = halfFilterWidth; row < inputRow - halfFilterWidth; row += blockRow)
{
for (col = halfFilterWidth; col < inputCol - halfFilterWidth; col += blockCol)
{
float sum[blockRow * blockCol] = { 0.0f };
for (rr = -halfFilterWidth; rr <= halfFilterWidth; rr++)
{
for (cc = -halfFilterWidth; cc <= halfFilterWidth; cc++)
{
filterElement = filter[(rr + halfFilterWidth) * filterWidth + cc + halfFilterWidth];
for (i = ; i < blockRow; i++)
{
for (j = ; j < blockCol; j++)
{
if (row + rr + i >= inputRow || col + cc + j >= inputCol)
break;
sum[i * blockCol + j] += filterElement * input[(row + rr + i) * inputCol + col + cc + j];
}
}
}
}
for (i = ; i < blockRow; i++)
{
for (j = ; j < blockCol; j++)
{
if (row + i >= inputRow || col + j >= inputCol)
continue;
output[(row + i) * inputCol + col + j] = sum[i * blockCol + j];
}
}
}
}
} template<int filterWidth, int blockRow, int blockCol>
void convolution04(const float *input, float *output, const int inputRow, const int inputCol, const float *filter)// 使用 AVX 指令扩展
{
const int halfFilterWidth = filterWidth / ;
int row, col, rr, cc, i, j; if (inputRow % blockRow || inputCol % (blockCol * ))
{
printf("Failed, inputRow %% blockRow || inputCol %% blockCol\n");
return;
} memset(output, , sizeof(float) * inputRow * inputCol);
#pragma omp parallel for num_threads(8)
for (row = halfFilterWidth; row < inputRow - halfFilterWidth; row += blockRow)
{
for (col = halfFilterWidth; col < inputCol - halfFilterWidth; col += blockCol * )
{
__m256 sum[blockRow * blockCol] = {_mm256_setzero_ps()};
for (rr = -halfFilterWidth; rr <= halfFilterWidth; rr++)
{
for (cc = -halfFilterWidth; cc <= halfFilterWidth; cc++)
{
__m256 filterElement = _mm256_broadcast_ss(filter + (rr + halfFilterWidth) * filterWidth + cc + halfFilterWidth);
for (i = ; i < blockRow; i++)
{
for (j = ; j < blockCol; j++)
{
//if (row + rr + i >= inputRow || col + cc + j * 8 >= inputCol)// 在局部内存块较大时需要越界检查
// continue;
__m256 imageElement = _mm256_loadu_ps(input + (row + rr + i)*inputCol + col + cc + j * );
sum[i * blockCol + j] = _mm256_fmadd_ps(filterElement, imageElement, sum[i * blockCol + j]);
}
}
}
}
for (i = ; i < blockRow; i++)
{
for (j = ; j < blockCol; j++)
{
//if (row + i >= inputRow || col + j * 8 >= inputCol)
// continue;
_mm256_storeu_ps(output + (row + i)*inputCol + col + j * , sum[i * blockCol + j]);
}
}
}
}
} int main()
{
int i, k;
clock_t time;
float filterSum; // 卷积窗口相关
const int filterWidth = , filterSize = filterWidth * filterWidth, halfFilterWidth = filterWidth / ;
float filter[filterSize] =
{// 模糊窗口
, , , , ,
, .f / , .f / , .f / , ,
, .f / , .f / , .f / , ,
, .f / , .f / , .f / , ,
, , , ,
};
for (filterSum = 0.0f, i = ; i < filterSize; filterSum += filter[i++]);
if (!floatEq(filterSum, ))// 非归零的卷积窗口（如模糊）需要归一化
for (i = ; i < filterSize; filter[i] /= filterSum, i++); // 图片相关
cv::Mat input = cv::imread(inputFile), output = input, channel[];
cv::split(input, channel);
const int inputRow = input.rows, inputCol = input.cols, inputDataSize = inputRow * inputCol;
float *inputData = (float*)malloc(sizeof(float) * inputDataSize);
float *outputData = (float*)malloc(sizeof(float) * inputDataSize); for (k = ; k < ; k++)// 三个通道，分别为蓝、绿、红
{
for (i = ; i < inputRow * inputCol; inputData[i] = (float)channel[k].data[i], i++);
time = clock();
convolution01(inputData, outputData, inputRow, inputCol, (const float *)filter, filterWidth);
//convolution02<filterWidth>(inputData, outputData, inputRow, inputCol, filter);
//convolution03<filterWidth, 4, 4>(inputData, outputData, inputRow, inputCol, filter);
//convolution04<filterWidth, 4, 4>(inputData, outputData, inputRow, inputCol, filter);
time = clock() - time;
printf("Time for channel[%d]:%d ms\n", k, time);
for (i = ; i < inputRow * inputCol; channel[k].data[i] = (unsigned char)outputData[i], i++);
} cv::merge(channel, , output);
cv::imwrite(outputFile, output);
//imshow("merge", output);
//cv::waitKey(0);
free(inputData);
free(outputData);
printf("\nFinished.\n");
getchar();
return ;
}
● 输出结果，使用一张 4608 × 6656 的图片（bmp87.7MB）进行测试，使用主函数中那个边长为5、实际窗口长度为 3 的均值窗口。图片太大喘不上来，偷梁换柱成小图看效果
■ 计时结果
// convolution01，memset + 内部计算，无 OpenMP
Time for channel[]: ms
Time for channel[]: ms
Time for channel[]: ms Finished. // convolution01，手动除边 + 内部计算，无 OpenMP
Time for channel[]: ms
Time for channel[]: ms
Time for channel[]: ms Finished. // convolution01，循环内判断，无 OpenMP
Time for channel[]: ms
Time for channel[]: ms
Time for channel[]: ms Finished. // convolution01，手动除边 + 内部计算，有 OpenMP
Time for channel[]: ms
Time for channel[]: ms
Time for channel[]: ms Finished. // convolution02，有 OpenMP
Time for channel[]: ms
Time for channel[]: ms
Time for channel[]: ms Finished. // convolution03<filterWidth, 4, 4>，无 OpenMP
Time for channel[]: ms
Time for channel[]: ms
Time for channel[]: ms Finished. // convolution04<filterWidth, 4, 4>，无 OpenMP
Time for channel[]: ms
Time for channel[]: ms
Time for channel[]: ms Finished.
■ 没法给 convolution03 和 convolution04 加 OpenMP，一加就各种内存冲突，便捷判断都挡不住。
■
OpenCL 图像卷积 3 使用 CPU的更多相关文章
- OpenCL 图像卷积 2
▶ 上一篇图像卷积 http://www.cnblogs.com/cuancuancuanhao/p/8535569.html.这篇使用了 OpenCV 从文件读取彩色的 jpeg 图像,进行边缘检测 ...
- OpenCL 图像卷积 1
▶ 书上的代码改进而成,从文件读入一张 256 阶灰度图,按照给定的卷积窗口计算卷积,并输出到文件中. ● 代码,使用 9 格的均值窗口,居然硬读写 .bmp 文件,算是了解一下该文件的具体格式,留作 ...
- SSE图像算法优化系列十一：使用FFT变换实现图像卷积。
本文重点主要不在于FFT的SSE优化,而在于使用FFT实现快速卷积的相关技巧和过程. 关于FFT变换,有很多参考的代码,特别是对于长度为2的整数次幂的序列,实现起来也是非常简易的,而对于非2次幂的序列 ...
- 图像卷积、相关以及在MATLAB中的操作
图像卷积.相关以及在MATLAB中的操作 2016年7月11日 20:34:35, By ChrisZZ 区分卷积和相关 图像处理中常常需要用一个滤波器做空间滤波操作.空间滤波操作有时候也被叫做卷积滤 ...
- zz图像卷积与滤波的一些知识点
Xinwei: 写的通俗易懂,终于让我这个不搞CV.不搞图像的外行理解卷积和滤波了. 图像卷积与滤波的一些知识点 zouxy09@qq.com http://blog.csdn.net/zouxy09 ...
- 对抗生成网络-图像卷积-mnist数据生成(代码) 1.tf.layers.conv2d(卷积操作) 2.tf.layers.conv2d_transpose(反卷积操作) 3.tf.layers.batch_normalize(归一化操作) 4.tf.maximum(用于lrelu) 5.tf.train_variable(训练中所有参数) 6.np.random.uniform(生成正态数据
1. tf.layers.conv2d(input, filter, kernel_size, stride, padding) # 进行卷积操作 参数说明:input输入数据, filter特征图的 ...
- UFLDL教程笔记及练习答案五（自编码线性解码器与处理大型图像**卷积与池化）
自己主动编码线性解码器 自己主动编码线性解码器主要是考虑到稀疏自己主动编码器最后一层输出假设用sigmoid函数.因为稀疏自己主动编码器学习是的输出等于输入.simoid函数的值域在[0,1]之间,这 ...
- TensorFlow实现图像卷积并可视化示例
图片尺寸要自己修改. 看起来好像没啥意思,不知道下一步能干什么,先卷了再说.由于weights是随机生成的(tf.random_normal作用:用于从服从指定正太分布的数值中取出随机数),所以每次卷 ...
- opencv：图像卷积
卷积基本概念 C++代码实现卷积 #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; u ...
随机推荐
- zookeeper 入门指导
zookeeper数据模型 zookeeper有一个层级命名空间,和一个分布式文件系统非常相似 .唯一的不同是每个节点可以有关联的数据,子节点也是.就像有一个文件系统,并且允许文件可以是一个目录. ...
- 文件和文件夹不存在的时候，FileSystemWatcher 监听不到文件的改变？如果递归地监听就可以了
当你需要监视文件或文件夹的改变的时候,使用 FileSystemWatcher 便可以完成.不过,FileSystemWatcher 对文件夹的监视要求文件夹必须存在,否则会产生错误“无效路径”. 那 ...
- 不要使用 Dispatcher.Invoke，因为它可能在你的延迟初始化 Lazy 中导致死锁
WPF 中为了 UI 的跨线程访问,提供了 Dispatcher 线程模型.其 Invoke 方法,无论在哪个线程调用,都可以让传入的方法回到 UI 线程. 然而,如果你在 Lazy 上下文中使用了 ...
- NSObject之一
Objective-C中有两个NSObject,一个是NSObject类,另一个是NSObject协议.而其中NSObject类采用了NSObject协议.在本文中,我们主要整理一下NSObject类 ...
- Spring学习--静态工厂方法、实例工厂方法创建 Bean
通过调用静态工厂方法创建 bean: 调用静态工厂方法创建 bean 是将对象创建的过程封装到静态方法中 , 当客户端需要对象时 , 只需要简单地调用静态方法 , 而不需要关心创建对象的细节. 要声明 ...
- 使用点聚 weboffice 以及vsto、 web service 实现word 的自动化文档处理
开发环境的搭建: 1.visual studio 2010 2. 点聚web office 开发步骤 1. 创建word vsto 项目 比较简单 1. 添加任务窗格 页面如下: 代码如下: 1. 使 ...
- mysql和redis加入到windows服务
mysql加入到windows服务: mysqld --install Mysql5.6 mysqld --remove mysql5.6 从windows的服务中删除mysql服务 net st ...
- ace 在线编辑器 知识点
ace 常用方法: 功能 语句 设置值 editor.setValue("the new text here"); // or session.setValue 获取值 edito ...
- WinForm 窗体间参数传递
http://www.cnblogs.com/xinjian/archive/2011/09/15/2177851.html 本人刚刚接触Winform ,学习之后分享下心得. winform 窗体与 ...
- Django ORM基本的单表增删改查
创建表 步骤: 1.app下models.py里创建类(继承models.Model) from django.db import models class UserInfo(models.Model ...