##GPU模塊小記 接觸一下OpenCV里一個之前沒有接觸的模塊：GPU。這里只是根據教程和網上一些文章進行簡單的記敘，歡迎大家批評指正。 注：在使用GPU模塊之前，需要確認在使用CMake編譯OpenCV時，勾選了選項WITH_CUDA和WITH_TBB使其生效生效。   若以上配置已經完成，在使用GPU模塊的函數之前，還做一下檢查：調用函數gpu::getCudaEnabledDeviceCount，如果你在使用的OpenCV模塊編譯時不支持GPU，這個函數返回值為0；否則返回值為已安裝的CUDA設備的數量。 OpenCV的GPU模塊只支持NVIDIA的顯卡，原因是該部分是基于NVIDIA的CUDA和NVIDIA的NPP模塊實現的。而該模塊的好處在于使用GPU模塊無需安裝CUDA工具，也無需學習GPU編程，因為不需要編寫GPU相關的代碼。但如果你想重新編譯OpenCV的GPU模塊的話，還是需要CUDA的toolkit。 由于GPU模塊的發展，使大部分函數使用起來和之前在CPU下開發非常類似。首先，就是把GPU模塊鏈接到你的工程中，并包含必要的頭文件gpu.hpp。其次，就是GPU模塊下的數據結構，原本在cv名字空間中的現在都在gpu名字空間中，使用時可以gpu：：和cv：：來防止混淆。 在GPU模塊中，矩陣的類型為：GpuMat而不是OpenCV中使用的cv::Mat，其他的函數命名和CPU模塊中相同。OpenCV中GPU模塊函數的使用步驟如下： ~~~ 1.驗證OpenCV是否已啟用GPU模塊。 2.上傳待處理數據到GPU (Mat --> GpuMat)。 3.調用OpenCV支持的GPU的處理函數。 4.下載處理結果到CPU (GpuMat ---> Mat)。 ~~~ 根據[http://blog.csdn.net/yang_xian521/article/details/7249532](http://blog.csdn.net/yang_xian521/article/details/7249532)?所提到的，一個問題是對于2.0的GPU模塊，多通道的函數支持的并不好，推薦使用GPU模塊處理灰度的圖像。有些情況下，使用GPU模塊的運行速度還不及CPU模塊下的性能，所以可以認為，GPU模塊相對而言還不夠成熟，需要進一步優化。很重要的一個原因就是內存管理部分和數據轉換部分對于GPU模塊而言消耗了大量的時間。 一段自帶的示例代碼如下，實現求矩陣轉置的功能： ~~~ #include <iostream> #include "cvconfig.h" #include "opencv2/core/core.hpp" #include "opencv2/gpu/gpu.hpp" #include "opencv2/core/internal.hpp" // For TBB wrappers using namespace std; using namespace cv; using namespace cv::gpu; struct Worker { void operator()(int device_id) const; }; int main() { int num_devices = getCudaEnabledDeviceCount(); if (num_devices < 2) { std::cout << "Two or more GPUs are required\n"; return -1; } for (int i = 0; i < num_devices; ++i) { DeviceInfo dev_info(i); if (!dev_info.isCompatible()) { std::cout << "GPU module isn't built for GPU #" << i << " (" << dev_info.name() << ", CC " << dev_info.majorVersion() << dev_info.minorVersion() << "\n"; return -1; } } // Execute calculation in two threads using two GPUs int devices[] = {0, 1}; parallel_do(devices, devices + 2, Worker()); return 0; } void Worker::operator()(int device_id) const { setDevice(device_id); Mat src(1000, 1000, CV_32F); Mat dst; RNG rng(0); rng.fill(src, RNG::UNIFORM, 0, 1); // CPU works transpose(src, dst); // GPU works GpuMat d_src(src); GpuMat d_dst; transpose(d_src, d_dst); // Check results bool passed = norm(dst - Mat(d_dst), NORM_INF) < 1e-3; std::cout << "GPU #" << device_id << " (" << DeviceInfo().name() << "): " << (passed ? "passed" : "FAILED") << endl; // Deallocate data here, otherwise deallocation will be performed // after context is extracted from the stack d_src.release(); d_dst.release(); } ~~~ CUDA的基本使用方法：[http://www.cnblogs.com/dwdxdy/archive/2013/08/07/3244508.html](http://www.cnblogs.com/dwdxdy/archive/2013/08/07/3244508.html)