Question

在我的系统上，对于窗口大（75px）的500万像素，需要高达<140秒（大约是线性操作的20倍）来完成，我希望优化它。我注意到OpenCV gpu模块没有实现adaptiveThreshold的gpu版本，所以我一直在考虑为GPU自己实现该算法。

如果我在CUDA中实现自适应阈值算法，基于大窗口大小（50px +）和大图像（5 MP +），忽略将内存加载到GPU中的开销，我希望能有任何加速吗？

关于opencv.org的

adaptiveThreshold文档：

Answer 1

以Eric的回答为基础：

Npp CUDA库没有实现adaptiveThreshold，但是以非常直接的方式获得自适应阈值似乎是有益的（只是测试它并且传闻有效）：

在src上运行一个框过滤器（即计算每个像素的平均窗口值），存储在中间图像tmp。
从tmp
在src和之间运行比较功能 tmp dst。nppiFilterBox_8u_C1R(oDeviceSrc.data(), oDeviceSrc.pitch(), oDeviceIntermediate.data(), oDeviceDst.pitch(), oSizeROI, oAdapThreshWindowSize,oAnchor); nppiCompare_8u_C1R(oDeviceSrc.data(),oDeviceSrc.pitch(), oDeviceDst.data(),oDeviceDst.pitch(), oDeviceResult.data(),oDeviceResult.pitch(), oSizeROI,NPP_CMP_LESS);。结束。

代码可能如下所示（此处K = 0，省略第2步）：

{{1}}

此外，维基百科claims连续3次应用箱式滤波器近似于高斯滤波器，精度达到97％。

Answer 2

是的，这个算法可以在GPU上进行优化。我希望看到一个很好的加速。

对于ADAPTIVE_THRESH_MEAN_C，您可以使用标准的并行缩减来计算算术平均值。对于ADAPTIVE_THRESH_GAUSSIAN_C，您可以使用执行每像素高斯衰减的内核以及总和的标准并行缩减。

Answer 3

CUDA的实施应该会让您获得满意的性能提升。

由于您的窗口大小很大，因此此操作应该是计算限制的。在Tesla K20X GPU上具有75px窗口的5MP图像的理论峰值性能应该是

5e6 * 75 * 75 / 3.95 Tflops = 7ms

这是一篇关于图像卷积的白皮书。它展示了如何使用CUDA实现高性能的盒式文件管理器。

Nvidia cuNPP库还提供了一个函数nppiFilterBox()，可用于直接实现ADAPTIVE_THRESH_MEAN_C。

对于ADAPTIVE_THRESH_GAUSSIAN_C，可以使用具有适当掩码的函数nppiFilter()。