OpenCV CUDA简介

文章概述

·处理单个图像

·处理一系列图像

·对一系列图像使用Dask进行并行延时处理

处理单个图像

首先，我们需要创建GPU空间(GPU_frame)来保存图像(就像相框保存图片一样)，然后才能将图像上传到GPU。

第1步：上传

import cv2 as cvgpu_frame = cv.cuda_GpuMat()

下一步，用CPU将图像加载到内存中(截图)，并将其.upload到gpu上(帧图像)；

screenshot = cv.imread('media/drop.png')gpu_frame.upload(screenshot)

我们可以开始了。

第2步：开始玩图像

OpenCV CUDA函数返回cv2.cuda_GpuMat(GPU矩阵)，因此每个结果都可以在用户不必重新upload的情况下操作。

让我们把图像从RGB转换成BGR(OpenCV格式)，然后调整大小：

screenshot = cv.cuda.cvtColor(gpu_frame, cv.COLOR_RGB2BGR)screenshot = cv.cuda.resize(screenshot, (400, 400))

注意：你调用的函数的第一个参数应该是GPU矩阵(GPU帧)，而不是你刚刚上传的图像。这将返回一个新的GPU矩阵。

原始的GPU矩阵(gpu_frame)将继续保存原始图像，直到新图像被upload。

第3步：下载

现在你可能会想：“图像呢？”

它被存放在GPU上了，我们需要把它下载回CPU：

screenshot.download()

注意:download()将从cv转换为图像，从cuda_GpuMat到numpy.ndarray。

处理一系列图像

要处理新图片，只需用upload()将新图片加载到现有的GPU矩阵中。图像在传递给GPU之前同样须加载到CPU上。

import cv2 as cvimg_files = ['bear.png', 'drip.png', 'tldr.png', 'frog.png']# 创建帧来保存图片(cv2.cuda_GpuMat)gpu_frame = cv.cuda_GpuMat()for i in range(len(img_files)): # 加载图像(CPU) screenshot = cv.imread(f'media/{img_files[i]}') # 上传到GPU gpu_frame.upload(screenshot) # 转换颜色到opencv (numpy) ndarray→cv2.cuda_GpuMat screenshot = cv.cuda.cvtColor(gpu_frame, cv.COLOR_RGB2BGR) # 反向阈值@ 100 screenshot = cv.cuda.threshold(screenshot, 105, 255, cv.THRESH_BINARY_INV) # 调整图像 screenshot = cv.cuda.resize(screenshot[1], (200, 200)) # 从GPU下载图像(cv2) cuda_GpuMat→numpy.ndarray screenshot = screenshot.download()

这一次我们在预处理中添加了一个反向的binary.threshold()。

对一系列图像使用Dask进行并行延时处理

使用Dask延时后，我们可以将上面的循环推入Dask延时函数，并行预处理多个系列的图像。

import cv2 as cvimport [e-mail] preprocess(files): # 复制图像文件 i_files = files.copy() # 创建GPU帧来保存图像 gpu_frame = cv.cuda_GpuMat() for i in range(len(i_files)): # 加载图像(CPU) screenshot = cv.imread(f'media/{i_files[i]}') # 上传到GPU gpu_frame.upload(screenshot) # 转换颜色到opencv (numpy) ndarray→cv2.cuda_GpuMat screenshot = cv.cuda.cvtColor(gpu_frame, cv.COLOR_RGB2BGR) screenshot = cv.cuda.cvtColor(screenshot, cv.COLOR_BGR2GRAY) # 反向阈值@ 100 screenshot = cv.cuda.threshold(screenshot, 125, 255, cv.THRESH_BINARY) # 调整图像 screenshot = cv.cuda.resize(screenshot[1], (200, 200)) # 从GPU下载图像 (cv2.cuda_GpuMat -> numpy.ndarray) screenshot = screenshot.download() # 用新图像 i_files[i] = screenshot # 输出预处理图像 return i_files

我还添加了第二个cvtColor()来灰度化图像，并将反转的二进制阈值切换为二进制阈值。

我们现在可以使用compute()；

from dask import computeimg_files = ['bear.png', 'drip.png', 'tldr.png', 'frog.png']img_files_2 = ['apple.png', 'eye.png', 'window.png', 'blinds.png']# 设置延迟set_a = dask.delayed(preprocess)(img_files)set_b = dask.delayed(preprocess)(img_files_2)# 开始计算out_a, out_b = compute(*[set_a, set_b])

结果如下：

结尾

谢谢你的阅读。Github链接：https://github.com/Dropout-Analytics/opencv_cuda。