图像卷积运算 速度好慢哦 求帮忙优化一下代码

阿哥大花轿 2015-04-02 11:32:21
大概思路是 对1600*400的图求每一个像素点附近7*7范围内的所有像素值最大值和最小值，然后求最大值和最小值之差。
int i, j, s,w ,nmax,nmin;

	int rh=3, rw=3;

	for(j=rh; j<nHeight-rh; j++)

	{

		w=j*nWidth;		

		for(i=rw; i<nWidth-rw; i++)

		{   

			

			nmax=0,nmin=255;

			for (int dj=-rh;dj<=rh;dj++)

			for (int di=-rw;di<=rw;di++)

			{

				if (pbGray[w+dj*nWidth+i+di]>nmax)

				{

					nmax=pbGray[w+dj*nWidth+i+di];

				}

				if (pbGray[w+dj*nWidth+i+di]<nmin)

				{

					nmin=pbGray[w+dj*nWidth+i+di];

				}	



			}

			s=nmax-nmin;

			if(	s <  50)	

				pbEdge[w+i] = 128; 

			else if(s>50&&(nmax+nmin)<2*pbGray[w+i])	

				pbEdge[w+i] = 255;

			else if(s>50&&(nmax+nmin)>2*pbGray[w+i])									

				pbEdge[w+i] = 0;			



		}

	}

pbedge数组是输出结果，主要是嵌套循环太多，占用时间太久，有没有大神帮帮忙，给我一点改进的思路，谢谢
...全文
857 20 打赏 收藏 转发到动态 举报
写回复
用AI写文章
20 条回复
切换为时间正序
请发表友善的回复…
发表回复
prfans1 2015-04-07
  • 打赏
  • 举报
 回复
引用 15 楼 swanlung 的回复:
[quote=引用 13 楼 prfans1 的回复:] 最简单的把图像全部改为指针类运算，并且[ ]内别用太多运算。 如果还想提升，考虑用FFT。
BYTE *m_pbGray 其实几个数组都是 指针类型 [/quote] 其实我主要想说，如果求卷积，可以利用那条时域卷积和频域的乘积公式，会更快点。
阿哥大花轿 2015-04-07
  • 打赏
  • 举报
 回复
引用 18 楼 wangyaninglm 的回复:
SIMD是指单指令多数据技术，它已经成为Intel处理器的重要性能扩展。目前Intel处理器支持的SIMD技术包括MMX,SSE,AVX. MMX提供了8个64bit的寄存器进行SIMD操作，SSE系列提供了128bit的8个寄存器进行SIMD指令操作。而最新的AVX指令则支持256bit的SIMD操作。 目前SIMD指令可以有四种方法进行使用分别是汇编语言，C++类，编译器Intrisincs和自动矢量化。我们用下面的求一个整数数组的和作为例子： int SumAarray(int *buf,int N) { int i,sum=0; for(i=0;i<N;i++) sum+=buf[i]; return sum; } 方法一：自动矢量化 Intel编译器支持自动矢量化，通过选择特点的处理器选项/Q[a]{T|P|N|W|K}，上面的代码可以采用下来命令进行编译： icl /QxP/c /Fa test_vec.c test_vec.c（4）：（col.1）remark:LOOP WAS VECTORIZED.从上面的报告中可以看到第四行的循环自动向量化，还可以通过生成的汇编代码，看到使用了SIMD指令。 方法二：C++类 Intel C++编译器和C++类库中提供了一些新的C++类，这些类对应那些可以直接使用的SIMD指令（支持MMX,SSE,SSE2，不支持SSE3）的数据类型，使用时需要包含如下头文件： #include <ivec.h> //MMX #include <fvec.h>//SSE(also include ivec.h) #include <dvec.h>//SSE2(also include fvec.h) 这些支持SIMD的向量类型采取下面的命名规则：前面用I和F分别表示是支持浮点还是整数SIMD指令，接下来是数字取值为8,16,32,64,表示组向量的基本元素大小。然后后面为字符串vec,最后的数组取值为8,4,2,1，表示组成向量的基本元素的个数。使用64bit的MMX技术的整数类包括I64vec1,I32vec2,I16vec4和I8vec8，而使用128bit的XMM寄存器的浮点类则包括F32vec4,F32vec1，F64vec2。SSE2中使用128bit的XMM寄存器，整数类包括：I128vec1,I64vec2,I32vec4，I16vec8,I8vec16，为了进一步区分封装的是有符号整数还是无符号整数，在那些整数之后也可以包含一个符号标志s或者u，比如I?vec4. 通过类的封装，程序员无须关心那些对于类的运算到底使用了哪些汇编指令或者SIMD intrinsic函数，应用易于阅读和编码，并且没有直接使用SIMD代码，在不同的处理器之间不需要任何改动，但是其缺点是无法访问所有的指令和数据类型的组合。 http://blog.chinaunix.net/uid-20385936-id-3902720.html
感谢普及知识
shiter 2015-04-07
  • 打赏
  • 举报
 回复
SIMD是指单指令多数据技术，它已经成为Intel处理器的重要性能扩展。目前Intel处理器支持的SIMD技术包括MMX,SSE,AVX. MMX提供了8个64bit的寄存器进行SIMD操作，SSE系列提供了128bit的8个寄存器进行SIMD指令操作。而最新的AVX指令则支持256bit的SIMD操作。 目前SIMD指令可以有四种方法进行使用分别是汇编语言，C++类，编译器Intrisincs和自动矢量化。我们用下面的求一个整数数组的和作为例子： int SumAarray(int *buf,int N) { int i,sum=0; for(i=0;i<N;i++) sum+=buf[i]; return sum; } 方法一：自动矢量化 Intel编译器支持自动矢量化，通过选择特点的处理器选项/Q[a]{T|P|N|W|K}，上面的代码可以采用下来命令进行编译： icl /QxP/c /Fa test_vec.c test_vec.c（4）：（col.1）remark:LOOP WAS VECTORIZED.从上面的报告中可以看到第四行的循环自动向量化，还可以通过生成的汇编代码，看到使用了SIMD指令。 方法二：C++类 Intel C++编译器和C++类库中提供了一些新的C++类，这些类对应那些可以直接使用的SIMD指令（支持MMX,SSE,SSE2，不支持SSE3）的数据类型，使用时需要包含如下头文件： #include <ivec.h> //MMX #include <fvec.h>//SSE(also include ivec.h) #include <dvec.h>//SSE2(also include fvec.h) 这些支持SIMD的向量类型采取下面的命名规则：前面用I和F分别表示是支持浮点还是整数SIMD指令，接下来是数字取值为8,16,32,64,表示组向量的基本元素大小。然后后面为字符串vec,最后的数组取值为8,4,2,1，表示组成向量的基本元素的个数。使用64bit的MMX技术的整数类包括I64vec1,I32vec2,I16vec4和I8vec8，而使用128bit的XMM寄存器的浮点类则包括F32vec4,F32vec1，F64vec2。SSE2中使用128bit的XMM寄存器，整数类包括：I128vec1,I64vec2,I32vec4，I16vec8,I8vec16，为了进一步区分封装的是有符号整数还是无符号整数，在那些整数之后也可以包含一个符号标志s或者u，比如I?vec4. 通过类的封装，程序员无须关心那些对于类的运算到底使用了哪些汇编指令或者SIMD intrinsic函数，应用易于阅读和编码，并且没有直接使用SIMD代码，在不同的处理器之间不需要任何改动，但是其缺点是无法访问所有的指令和数据类型的组合。 http://blog.chinaunix.net/uid-20385936-id-3902720.html
阿哥大花轿 2015-04-07
  • 打赏
  • 举报
 回复
引用 14 楼 DelphiGuy 的回复:
从这个运算来看，是可以用SSE/AVX指令优化的，如果灰度数据pbGray[]是8位每像素，可以计算到16x16（SSE）或者32x32（AVX）像素块。对于楼主的具体代码，就是7次movdqu装入待运算像素块的7行，然后分别6次比较pmaxub/pminub求出7列像素（注意不是7行）中的最大/最小值，再对结果用punpcklbw、phminposuw（最大值要先pxor求反，再phminposuw）求最终的最大、最小值。粗略估计可以在50个时钟周期之内完成，可以考虑使用Intrinsics实现，不必用嵌入汇编。
太专业了，我这点薄弱的编程基础完全看呆了，太强大了以至于不是我能实现的。。。
赵4老师 2015-04-07
  • 打赏
  • 举报
 回复
14楼高人也！
阿哥大花轿 2015-04-07
  • 打赏
  • 举报
 回复
引用 13 楼 prfans1 的回复:
最简单的把图像全部改为指针类运算，并且[ ]内别用太多运算。 如果还想提升，考虑用FFT。
BYTE *m_pbGray 其实几个数组都是 指针类型
阿哥大花轿 2015-04-03
  • 打赏
  • 举报
 回复
引用 5 楼 FancyMouse 的回复:
不要直接做7*7的，做横向1D的附近7个元素范围的最值，再纵向1D做最值，出来的就是7*7范围的最值。 顺便，1D的做法也可以通过单调队列把常数从7降到2~3左右。
大神，帮忙简单写点代码，我还是不能领悟你的思路是如何提高效率的，
日立奔腾浪潮微软松下联想 2015-04-03
  • 打赏
  • 举报
 回复
从这个运算来看，是可以用SSE/AVX指令优化的，如果灰度数据pbGray[]是8位每像素，可以计算到16x16（SSE）或者32x32（AVX）像素块。对于楼主的具体代码，就是7次movdqu装入待运算像素块的7行，然后分别6次比较pmaxub/pminub求出7列像素（注意不是7行）中的最大/最小值，再对结果用punpcklbw、phminposuw（最大值要先pxor求反，再phminposuw）求最终的最大、最小值。粗略估计可以在50个时钟周期之内完成，可以考虑使用Intrinsics实现，不必用嵌入汇编。
prfans1 2015-04-03
  • 打赏
  • 举报
 回复
最简单的把图像全部改为指针类运算，并且[ ]内别用太多运算。

如果还想提升，考虑用FFT。
阿哥大花轿 2015-04-03
  • 打赏
  • 举报
 回复
引用 11 楼 zhao4zhong1 的回复:
[quote=引用 10 楼 zhao4zhong1 的回复:] 我这个OpenCV版本教低，也许高版本的OpenCV里面有利用并发编程的卷积代码也说不定。 楼主自己搜搜看。 http://www.baigoogledu.com/s.php?hl=zh-CN&q=convolution+fast
自顶！自赞！ 高效使用搜索引擎是现代码农必须掌握的技能之一！[/quote] 向你学习，我在摸索摸索，感谢指教啊
赵4老师 2015-04-03
  • 打赏
  • 举报
 回复
引用 10 楼 zhao4zhong1 的回复:
我这个OpenCV版本教低，也许高版本的OpenCV里面有利用并发编程的卷积代码也说不定。 楼主自己搜搜看。 http://www.baigoogledu.com/s.php?hl=zh-CN&q=convolution+fast
自顶！自赞！ 高效使用搜索引擎是现代码农必须掌握的技能之一！
赵4老师 2015-04-03
  • 打赏
  • 举报
 回复
我这个OpenCV版本教低，也许高版本的OpenCV里面有利用并发编程的卷积代码也说不定。 楼主自己搜搜看。 http://www.baigoogledu.com/s.php?hl=zh-CN&q=convolution+fast
阿哥大花轿 2015-04-03
  • 打赏
  • 举报
 回复
引用 7 楼 zhao4zhong1 的回复:
File: "C:\Program Files\OpenCV\modules\objdetect\src\matching.cpp":
     13: /*
     14: // Function for convolution computation
     15: //
     16: // INPUT
     17: // Fi                - filter object
     18: // map               - feature map
     19: // OUTPUT
     20: // f                 - the convolution
     21: // RESULT
     22: // Error status
     23: */
     24: int convolution(const CvLSVMFilterObject *Fi, const CvLSVMFeatureMap *map, float *f)
     25: {
     26:     int n1, m1, n2, m2, p, size, diff1, diff2;
     27:     int i1, i2, j1, j2, k;
     28:     float tmp_f1, tmp_f2, tmp_f3, tmp_f4;
     29:     float *pMap = NULL;
     30:     float *pH = NULL;
     31:     
     32:     n1 = map->sizeY;
     33:     m1 = map->sizeX;
     34:     n2 = Fi->sizeY;
     35:     m2 = Fi->sizeX;
     36:     p = map->p;
     37: 
     38:     diff1 = n1 - n2 + 1;
     39:     diff2 = m1 - m2 + 1;
     40:     size = diff1 * diff2;
     41:     for (j1 = diff2 - 1; j1 >= 0; j1--)
     42:     {
     43:         
     44:         for (i1 = diff1 - 1; i1 >= 0; i1--)
     45:         {
     46:             tmp_f1 = 0.0f;
     47:             tmp_f2 = 0.0f;
     48:             tmp_f3 = 0.0f;
     49:             tmp_f4 = 0.0f;
     50:             for (i2 = 0; i2 < n2; i2++)
     51:             {
     52:                 for (j2 = 0; j2 < m2; j2++)
     53:                 {
     54:                     pMap = map->Map + (i1 + i2) * m1 * p + (j1 + j2) * p;//sm2
     55:                     pH = Fi->H + (i2 * m2 + j2) * p;//sm2
     56:                     for (k = 0; k < p/4; k++)
     57:                     {
     58: 
     59:                         tmp_f1 += pMap[4*k]*pH[4*k];//sm2
     60:                         tmp_f2 += pMap[4*k+1]*pH[4*k+1];
     61:                         tmp_f3 += pMap[4*k+2]*pH[4*k+2];
     62:                         tmp_f4 += pMap[4*k+3]*pH[4*k+3];
     63:                     }
     64:             
     65:                     if (p%4==1)
     66:                     {
     67:                         tmp_f1 += pH[p-1]*pMap[p-1];
     68:                     }
     69:                     else
     70:                     {
     71:                         if (p%4==2)
     72:                         {
     73:                             tmp_f1 += pH[p-2]*pMap[p-2] + pH[p-1]*pMap[p-1];
     74:                         }
     75:                         else
     76:                         {
     77:                             if (p%4==3)
     78:                             {
     79:                                 tmp_f1 += pH[p-3]*pMap[p-3] + pH[p-2]*pMap[p-2] + pH[p-1]*pMap[p-1];
     80:                             }
     81:                         }
     82:                     }
     83: 
     84:                 }
     85:             }
     86:             f[i1 * diff2 + j1] = tmp_f1 + tmp_f2 + tmp_f3 + tmp_f4;//sm1
     87:         }
     88:     }
     89:     return LATENT_SVM_OK;
     90: }
对分辨率较高的图像，貌似也不会节约多少时间哦，我电脑是i5,3.2GHZ，我希望能够在10ms以内完成
shiter 2015-04-03
  • 打赏
  • 举报
 回复
这opencv 的代码跟楼主的代码好像也差不多。。。
赵4老师 2015-04-03
  • 打赏
  • 举报
 回复 
File: "C:\Program Files\OpenCV\modules\objdetect\src\matching.cpp":
     13: /*
     14: // Function for convolution computation
     15: //
     16: // INPUT
     17: // Fi                - filter object
     18: // map               - feature map
     19: // OUTPUT
     20: // f                 - the convolution
     21: // RESULT
     22: // Error status
     23: */
     24: int convolution(const CvLSVMFilterObject *Fi, const CvLSVMFeatureMap *map, float *f)
     25: {
     26:     int n1, m1, n2, m2, p, size, diff1, diff2;
     27:     int i1, i2, j1, j2, k;
     28:     float tmp_f1, tmp_f2, tmp_f3, tmp_f4;
     29:     float *pMap = NULL;
     30:     float *pH = NULL;
     31:     
     32:     n1 = map->sizeY;
     33:     m1 = map->sizeX;
     34:     n2 = Fi->sizeY;
     35:     m2 = Fi->sizeX;
     36:     p = map->p;
     37: 
     38:     diff1 = n1 - n2 + 1;
     39:     diff2 = m1 - m2 + 1;
     40:     size = diff1 * diff2;
     41:     for (j1 = diff2 - 1; j1 >= 0; j1--)
     42:     {
     43:         
     44:         for (i1 = diff1 - 1; i1 >= 0; i1--)
     45:         {
     46:             tmp_f1 = 0.0f;
     47:             tmp_f2 = 0.0f;
     48:             tmp_f3 = 0.0f;
     49:             tmp_f4 = 0.0f;
     50:             for (i2 = 0; i2 < n2; i2++)
     51:             {
     52:                 for (j2 = 0; j2 < m2; j2++)
     53:                 {
     54:                     pMap = map->Map + (i1 + i2) * m1 * p + (j1 + j2) * p;//sm2
     55:                     pH = Fi->H + (i2 * m2 + j2) * p;//sm2
     56:                     for (k = 0; k < p/4; k++)
     57:                     {
     58: 
     59:                         tmp_f1 += pMap[4*k]*pH[4*k];//sm2
     60:                         tmp_f2 += pMap[4*k+1]*pH[4*k+1];
     61:                         tmp_f3 += pMap[4*k+2]*pH[4*k+2];
     62:                         tmp_f4 += pMap[4*k+3]*pH[4*k+3];
     63:                     }
     64:             
     65:                     if (p%4==1)
     66:                     {
     67:                         tmp_f1 += pH[p-1]*pMap[p-1];
     68:                     }
     69:                     else
     70:                     {
     71:                         if (p%4==2)
     72:                         {
     73:                             tmp_f1 += pH[p-2]*pMap[p-2] + pH[p-1]*pMap[p-1];
     74:                         }
     75:                         else
     76:                         {
     77:                             if (p%4==3)
     78:                             {
     79:                                 tmp_f1 += pH[p-3]*pMap[p-3] + pH[p-2]*pMap[p-2] + pH[p-1]*pMap[p-1];
     80:                             }
     81:                         }
     82:                     }
     83: 
     84:                 }
     85:             }
     86:             f[i1 * diff2 + j1] = tmp_f1 + tmp_f2 + tmp_f3 + tmp_f4;//sm1
     87:         }
     88:     }
     89:     return LATENT_SVM_OK;
     90: }
FancyMouse 2015-04-02
  • 打赏
  • 举报
 回复
不要直接做7*7的，做横向1D的附近7个元素范围的最值，再纵向1D做最值，出来的就是7*7范围的最值。 顺便，1D的做法也可以通过单调队列把常数从7降到2~3左右。
yshuise 2015-04-02
  • 打赏
  • 举报
 回复
直接inline试试。
阿哥大花轿 2015-04-02
  • 打赏
  • 举报
 回复
引用 1 楼 zhao4zhong1 的回复:
参考OpenCV源代码中相关片断。
我电脑上没有opencv源码查看软件，你方便截取一段给我参考一下嘛，自己写的效率太低了。
hhhhhhhhhhkkkkkkkkkk 2015-04-02
  • 打赏
  • 举报
 回复
不要用CPU渲染啦，非常慢的。用GPU来做吧。
赵4老师 2015-04-02
  • 打赏
  • 举报
 回复
参考OpenCV源代码中相关片断。
深度学习图像处理之垃圾分类
【超实用课程内容】 深度学习在图像处理领域的发展过程； 解析经典的卷积神经网络； 垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战，并在ubuntu系统上进行演示，包括：不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。 【课程如何观看？】 PC端：https://edu.csdn.net/course/detail/26295 移动端：CSDN 学院APP（注意不是CSDN APP哦） 【学员专享增值服务】 源码开放 课件、课程案例代码完全开放给你，你可以根据所学知识，自行修改、优化 下载方式：电脑登录https://edu.csdn.net/course/detail/26295，点击右下方课程资料、代码等打包下载
第2例 基于卷积神经网络LeNet的手写体数字识别
卷积神经网络去做图像分类的思路非常简单，先使用卷积运算对图像进行边缘纹理特征提取，多层卷积即是提取深度特征的边缘纹理特征；卷积核是通过机器学习得到的，所以具体提取到什么样的纹理我们不必要去考究。 思路...
Pytorch基于卷积神经网络的人脸表情识别（白话CNN+数据集+代码实战）
Pytorch基于卷积神经网络的人脸识别（保姆级教程：白话CNN+数据集+代码实战） 前言 提示：本篇文章主要是关于李宏毅教授授课视频中的作业进行介绍，小白博主所作工作只是将现有的知识内容结合网路上一些优秀作者的...
DeepRoute Lab | CUDA算子优化：转置篇
转置是深度模型中应用最广泛的算子之一。各种深度学习框架崛起的今天，它被“隔离”到了框架的底层，不再显式的活跃于用户面前。谈及转置，就不得不先聊聊卷积的优化算法以及它们所需要的图像数据格式。
CVPR2022新作：P图不会，深度学习来帮忙，基于GAN逆映射的图像编辑(中)
现在是求真实图像的编码，期望在特征空间的修改最终映射为对图像语义的修改，比如将人脸图像的属性进行修改(表情变为微笑、戴上眼镜等)。 论文回顾 这篇论文全名为"Style Transformer for Image Inversion and ...
C++ 语言

64,654

社区成员

250,484

社区内容

发帖
与我相关
我的任务
社区描述
C++ 语言相关问题讨论，技术干货分享，前沿动态等
c++ 技术论坛（原bbs）
社区管理员
  • C++ 语言社区
  • encoderlee
  • paschen
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
  1. 请不要发布与C++技术无关的贴子
  2. 请不要发布与技术无关的招聘、广告的帖子
  3. 请尽可能的描述清楚你的问题，如果涉及到代码请尽可能的格式化一下

试试用AI创作助手写篇文章吧

+ 用AI写文章