Question

在我使用1409x900和960x696图像的试验中，在我的64位6核3.2 GHz Windows机器中使用OpenCV分割RGB图像的通道平均需要2.5 ms。

vector<cv::Mat> channels;
cv::split(img, channels);

我发现其他图像处理的时间差不多（布尔操作+形态开放）。

考虑到我的代码只使用了分割中的通道图像，我想知道是否有更快的方法从RGB图像中提取单个通道，最好使用OpenCV。

更新

正如@DanMašek指出的那样，还有另一个函数mixChannels可以从多通道中提取单个通道图像。我测试了大约2000张相同尺寸的图像。 mixChannels平均花了大约1毫秒。现在，我对结果感到满意。但是如果你能更快地发布你的答案。

cv::Mat channel(img.rows, img.cols, CV_8UC1);
int from_to[] = { sel_channel,0 };
mixChannels(&img, 1, &channel, 1, from_to, 1);

Answer 1

这里有两个简单的选择。

您提到您对从相机拍摄的图像反复执行此操作。因此可以安全地假设图像总是相同的大小。

cv::Mat的分配具有不可忽略的开销，因此在这种情况下重用信道Mat将是有益的。（即，当您收到第一帧时分配目标图像，然后只覆盖后续帧的内容）

这种方法的额外好处（很可能）减少了内存碎片。这可能成为32位代码的真正问题。
您提到您只对一个特定频道感兴趣（用户可以任意选择）。这意味着您可以使用cv::mixChannels，这使您可以灵活地选择要提取的渠道以及如何提取它们。

这意味着您可以只提取单个通道的数据，理论上（取决于实现 - 研究源代码以获取更多详细信息），避免提取和/或复制您不感兴趣的通道的数据的开销英寸

让我们制作一个测试程序，评估上述方法的4种可能组合。

变体0：cv::split无需重复使用
变式1：cv::split并重复使用
变体2：cv::mixChannels无需重复使用
变式3：cv::mixChannels并重复使用

注意：我这里只是简单地使用static，通常我会在包含算法的类中创建此成员变量。

#include <opencv2/opencv.hpp>

#include <chrono>
#include <cstdint>
#include <iostream>
#include <vector>

#define SELECTED_CHANNEL 1

cv::Mat variant_0(cv::Mat const& img)
{
    std::vector<cv::Mat> channels;
    cv::split(img, channels);
    return channels[SELECTED_CHANNEL];
}

cv::Mat variant_1(cv::Mat const& img)
{
    static std::vector<cv::Mat> channels;
    cv::split(img, channels);
    return channels[SELECTED_CHANNEL];
}

cv::Mat variant_2(cv::Mat const& img)
{
    // NB: output Mat must be preallocated
    cv::Mat channel(img.rows, img.cols, CV_8UC1);
    int from_to[] = { SELECTED_CHANNEL, 0 };
    cv::mixChannels(&img, 1, &channel, 1, from_to, 1);
    return channel;
}

cv::Mat variant_3(cv::Mat const& img)
{
    // NB: output Mat must be preallocated
    static cv::Mat channel(img.rows, img.cols, CV_8UC1);
    int from_to[] = { SELECTED_CHANNEL, 0 };
    cv::mixChannels(&img, 1, &channel, 1, from_to, 1);
    return channel;
}

template<typename T>
void timeit(std::string const& title, T f)
{
    using std::chrono::high_resolution_clock;
    using std::chrono::duration_cast;
    using std::chrono::microseconds;

    cv::Mat img(1024,1024, CV_8UC3);
    cv::randu(img, 0, 256);

    int32_t const STEPS(1024);

    high_resolution_clock::time_point t1 = high_resolution_clock::now();
    for (uint32_t i(0); i < STEPS; ++i) {
        cv::Mat result = f(img);
    }
    high_resolution_clock::time_point t2 = high_resolution_clock::now();

    auto duration = duration_cast<microseconds>(t2 - t1).count();
    double t_ms(static_cast<double>(duration) / 1000.0);
    std::cout << title << "\n"
        << "Total = " << t_ms << " ms\n"
        << "Iteration = " << (t_ms / STEPS) << " ms\n"
        << "FPS = " << (STEPS / t_ms * 1000.0) << "\n"
        << "\n";
}

int main()
{
    for (uint8_t i(0); i < 2; ++i) {
        timeit("Variant 0", variant_0);
        timeit("Variant 1", variant_1);
        timeit("Variant 2", variant_2);
        timeit("Variant 3", variant_3);
        std::cout << "--------------------------\n\n";
    }

    return 0;
}

第二遍的输出（因此我们避免任何预热成本）。

注意：使用OpenCV 3.1.0（64位，MSVC12.0），Windows 10 - YMMV在i7-4930K上运行此功能，特别是对于具有AVX2的CPU

Variant 0
Total = 1518.69 ms
Iteration = 1.48309 ms
FPS = 674.267

Variant 1
Total = 359.048 ms
Iteration = 0.350633 ms
FPS = 2851.99

Variant 2
Total = 820.223 ms
Iteration = 0.800999 ms
FPS = 1248.44

Variant 3
Total = 427.089 ms
Iteration = 0.417079 ms
FPS = 2397.63

有趣的是，重用的cv::split在这里获胜。随意编辑答案并添加来自不同平台/ CPU代的时间（特别是如果比例根本不同）。

似乎在我的设置中，这些都没有很好地并行化，所以这可能是另一种可能的加速（类似cv::parallel_for_）的道路。

在OpenCV中从RGB图像访问频道的更快方法？

1 个答案: