一个CUDA编程GPU是否适合于OpenCV自适应阈值的实现？

Question

在我的系统中，对于一个大窗口大小(75 am )的5 MP图像来说，要完成140 ms (大约是线性操作的20倍)，我希望对其进行优化。我注意到OpenCV gpu模块没有实现adaptiveThreshold的gpu版本，所以我一直在考虑自己为GPU实现该算法。

如果我在CUDA中实现了一种基于大窗口大小(50px+)和大图像(5 MP+)的自适应阈值算法，而忽略了将内存加载到GPU的开销，我还能期望有任何加速吗？

关于adaptiveThreshold的opencv.org文档：

transformations.html#adaptivethreshold

Answer 1

通过CUDA的实施应该会给你一个满意的性能增益。

由于您的窗口大小很大，这个操作应该是有计算界的。在特斯拉K20X GPU上，具有75 on窗口的5MP图像的理论峰值性能应该是大约

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

这是一张关于图像卷积的白皮书。说明了如何用CUDA实现一个高性能的箱形报警器。

Imaging/convolutionSeparable/doc/convolutionSeparable.pdf

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

http://docs.nvidia.com/cuda/cuda-samples/index.html#box-filter-with-npp

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

NPP文档NPP.1009 Library.pdf

Answer 2

在埃里克回答的基础上：

Npp库没有实现adaptiveThreshold，但它似乎有利于以一种非常简单的方式获得一个自适应阈值(刚刚测试了它，而且很有用)：

1. 在src上运行一个盒子过滤器(即计算每个像素的平均窗口值)，存储在中间图像tmp中。
2. 从tmp中的每个像素减去一个数字K
3. 将src和tmp之间的比较函数运行到dst中。结束了。

代码可能如下所示(在这里，K=0省略了第二步)：

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);

此外，维基百科索赔要求表示，连续三次应用盒子过滤器，将高斯滤波器的准确度提高到97%。

Answer 3

是的，这个算法可以在GPU上进行优化。我希望能看到一个很好的加速。

对于ADAPTIVE_THRESH_MEAN_C，可以使用标准的并行约简来计算算术平均值。对于ADAPTIVE_THRESH_GAUSSIAN_C，您可以使用一个内核来执行每像素的高斯衰减，并对和进行标准的并行缩减。