Question

我试图在HSV图像上用Python做二维直方图，但即使使用numpy和opencv它也不够快（我实际上是用视频做的，但是考虑每个框架只是一个图像）。

我正在寻找最饱和的Hue值。目前我有以下代码，它可以正常工作，但速度太慢了。

hist, xbins, ybins = np.histogram2d(hsv_channels[0].ravel(), saturation_channel.ravel(), [180,256],[[0,180],[0,256]])

我希望希望使用PyOpenCL来实现这一点，并将计算推送到GPU，但除了OpenCL中的hello world程序之外。我发现了一些关于这样做的文章，但我不确定从哪里开始。

我将如何开始这个？

编辑：

我已经考虑过这个了。我认为我想要做的GPU步骤大致如下：

将图像转换为1d阵列（如果是10x10，则转为100长阵列）
将图片上传到GPU
将图像分割成n个切片以进行处理，其中n是并行计算单元的数量。或者每个都可以引用此阵列上的特定范围。
（地图）对于每个计算单元，分配180＆＃39;＆＃39;每个可以包含256个其他箱。每个最里面的内容只是一个用于计数的整数。
对于每个色调（180个分档中的一个），计算每个饱和度级别（其他256个分档）的色调数量。对可以计数的数组的子部分执行此操作。
创建一组新的空箱。
（Reduce）对于所有这些bin计数，然后将它们合并在一起（添加值）。我不确定是否需要等到它们全部完成，或者只是按顺序将它们与上面的空箱合并。
（确定最终答案）对于最后一组箱，循环遍历它们并找到该色调的最大饱和度值，并存储它。现在找到具有最大饱和度的色调。作为最终答案，返回此色调＃和此最大饱和度＃。

尽管如此，我还是对PyOpenCL（或整个OpenCL）的GPU知识不够了解，无法正确完成这项工作。

Answer 1

如果采用不同的方法，可以将计算时间减少到histogram2d所用时间的2％左右。在3143x2095图像上，此方法花费约5毫秒，而histogram2d浪费约280毫秒。

import cv2
import numpy as np
from numpy import unravel_index
import time

img = cv2.imread('ducks.jpg')

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

print hsv.shape
hue = hsv[:, :, 0]
sat = hsv[:, :, 1]

start = time.time()
max_index = unravel_index(sat.argmax(), sat.shape)
end = time.time()
print 'argmax time:', end - start
print sat[max_index]
print hue[max_index]

start = time.time()
hist, xbins, ybins = np.histogram2d(hue.ravel(), sat.ravel(), [180, 256], [[0, 180], [0, 256]])
end = time.time()
print 'histogram2d time:', end - start

输出：

(2095, 3143, 3)
argmax time: 0.00526285171509
255
39
histogram2d time: 0.288522958755

很容易处理具有多个饱和度值的像素的情况。

使用PyOpenCL在OpenCL中快速2d直方图

1 个答案: