我想加速一种算法（具有圆邻的完整局部二进制模式），为此我遍历所有像素并计算与它相邻的东西（因此我需要相邻像素访问）。
目前，我是通过一个线程/进程遍历所有像素来实现的。我想通过将输入图像分为多个ROI并分别计算每个ROI（使用多个线程）来并行化此任务。
这里的问题是，ROI重叠（因为要计算像素，有时我需要查看远处的邻居），并且可能有多个线程访问Pixel-Data（ READING ）在同一时间。如果两个或多个线程同时读取相同索引的Mat，这是否有问题？
如果我以相同的并行度但以不同的索引写入同一Mat，这也是一个问题吗？
答案 0 :(得分：2)
通常，并行读取不是问题，因为cv::Mat就像是std::vector一样，是数组周围的一个很好的包装器（是的，但有差异，但我看不到它们如何影响问题在这里，所以我将忽略它们）。但是，并行化并不会自动提高性能。这里有很多事情要考虑：
创建线程会占用大量资源，并且如果任务相对较短（在计算时间方面），可能会产生很大的负面影响，因此必须考虑线程池化。
如果编写高性能代码（无论是多线程还是单线程），您都应该掌握硬件的工作方式。在这种情况下：内存和CPU。在2016年CppCon大会上，帖木儿·杜姆勒（Timur Doumler）发了very good talk主题。这应该可以帮助您避免缓存未命中。
值得一提的是编译器优化。打开它。我知道这听起来很明显，但是SO上有很多人在询问有关性能的问题，但他们不知道什么是编译器优化。
最后，有一个OpenCV透明API（TAPI），它基本上利用GPU而不是CPU。几乎所有OpenCV内置算法都支持TAPI，您只需传递cv::UMat而不是cv::Mat。这两种类型可以相互转换。但是，转换是费时的，因为UMat本质上是GPU内存（VRAM）上的一个数组，这意味着每次转换时都必须将其复制。同样，访问VRAM比访问RAM需要更长的时间（对于CPU）。
但是，必须记住，如果不将CPU的VRAM数据复制到RAM中，则无法访问该数据。这意味着如果您使用cv::UMat，则无法迭代像素。仅当您编写自己的OpenCL或Cuda代码以使算法可以在GPU上运行时，才有可能。
在大多数消费级PC中，对于滑动窗口算法（基本上是迭代像素并围绕每个像素执行计算的任何事物），使用GPU通常是迄今为止最快的方法（但也需要花费最大的精力来实现） 。当然，只有在数据缓冲区（您的图像）足够大以至于值得在VRAM之间进行复制时，这种情况才会成立。
对于并行书写：只要没有重叠的区域，通常是安全的。但是，缓存未命中和false sharing（NathanOliver指出）是需要考虑的问题。
答案 1 :(得分：0)
只要在读取中同时发生 次写入，就可以安全地进行多个并发读取。
这适用于任何理智的系统。
考虑备选方案：
如果存在竞争状况，则意味着在读取操作期间存储对象的内存已被修改。如果在读取过程中未写入任何内存（存储对象），则线程之间没有可能的交互。
最后，如果您查看文档，
https://docs.opencv.org/3.1.0/d3/d63/classcv_1_1Mat.html
您将看到两点提到线程安全：
因此，在相同的矩阵中异步操作是安全的 不同的线程。
他们提到在矩阵分配期间执行的引用计数。因此，至少可以在多个线程中安全地将同一矩阵分配给另外两个矩阵。这几乎可以保证简单的读取访问也是线程安全的。