opencv中CPU指令集优化、GPU

一

CPU指令集优化功能可以根据需要开启或关闭：

首先可以使用此函数 

           bool cv::useOptimized()

        来查询当前是否开启了CPU指令集优化功能，

        可以使用函数

                       void cv::setUseOptimized(bool onoff)

来设置是否开启CPU指令集优化功能；

        可以使用此函数

 bool checkHardwareSupport(int feature);

                     来查询你的CPU是否支持某种指令集优化特性。

 feature的取值有以下几种：

          

请看一下代码：

[cpp] view plain copy

1. #include   
2. #include    
3.   
4. using namespace std;  
5. using namespace cv;   
6.   
7. int main(int argc ,char** args)  
8. {  
9.     //设置是否启用指令集优化特性  
10.     cv::setUseOptimized(true);  
11.     //获取当前机器的CPU指令集支持特性  
12.     bool opt_status = cv::useOptimized();  
13.     cout<<"当前的指令集优化状态："<  

在上述代码中，如果setUseOptimized()函数的参数为true的话，则CPU的硬件指令优化功能被开启，状态函数opt_status = cv::useOptimized()返回为真，

bool simd = checkHardwareSupport(CV_CPU_SSE);
	cout << "当前的指令集优化状态：" << simd << endl;
	bool simd1 = checkHardwareSupport(CV_CPU_SSE2);
	cout << "当前的指令集优化状态：" << simd1 << endl;
	bool simd2 = checkHardwareSupport(CV_CPU_SSE3);
	cout << "当前的指令集优化状态：" << simd2 << endl;
	bool simd3 = checkHardwareSupport(CV_CPU_SSSE3);
	cout << "当前的指令集优化状态：" << simd3 << endl;
	bool simd4 = checkHardwareSupport(CV_CPU_MMX);
	cout << "当前的指令集优化状态：" << simd4 << endl;
	bool simd5 = checkHardwareSupport(CV_CPU_SSE4_1);
	cout << "当前的指令集优化状态：" << simd5 << endl;
	bool simd6 = checkHardwareSupport(CV_CPU_SSE4_2);
	cout << "当前的指令集优化状态：" << simd6 << endl;
	bool simd7 = checkHardwareSupport(CV_CPU_AVX);
	cout << "当前的指令集优化状态：" << simd7 << endl;
	bool simd8 = checkHardwareSupport(CV_CPU_POPCNT);
	cout << "当前的指令集优化状态：" << simd8 << endl;

二、

OpenCV的GPU模块只支持NVIDIA的显卡，原因是该部分是基于NVIDIA的CUDA和NVIDIA的NPP模块实现的。而该模块的好处在于使用GPU模块无需安装CUDA工具，也无需学习GPU编程，因为不需要编写GPU相关的代码。但如果你想重新编译OpenCV的GPU模块的话，还是需要CUDA的toolkit。

由于GPU模块的发展，使大部分函数使用起来和之前在CPU下开发非常类似。首先，就是把GPU模块链接到你的工程中，并包含必要的头文件gpu.hpp。其次，就是GPU模块下的数据结构，原本在cv名字空间中的现在都在gpu名字空间中，使用时可以gpu：：和cv：：来防止混淆。

需要再说明的是，在GPU模块中，矩阵的名字为GpuMat，而不是之前的Mat，其他的函数名字和CPU模块中相同，不同的是，现在的参数输入不再是Mat，而是GpuMat。

还有一个问题就是，对于2.0的GPU模块，多通道的函数支持的并不好，推荐使用GPU模块处理灰度的图像。有些情况下，使用GPU模块的运行速度还不及CPU模块下的性能，所以可以认为，GPU模块相对而言还不够成熟，需要进一步优化。很重要的一个原因就是内存管理部分和数据转换部分对于GPU模块而言消耗了大量的时间。

需要注意的是，在所有使用GPU模块的函数之前，最好需要调用函数gpu::getCudaEnabledDeviceCount，如果你在使用的OpenCV模块编译时不支持GPU，这个函数返回值为0；否则返回值为已安装的CUDA设备的数量。

还有一点就是使用GPU模块，需要在用CMake编译OpenCV时使其中的WITH_CUDA和WITH_TBB的宏生效，为ON。

由于我对GPU部分的熟悉程度还不行，先拿来一段sample自带的一段求矩阵转置的程序来做例子，代码如下：

[cpp] view plain copy

1. #include <iostream>  
2. #include "cvconfig.h"  
3. #include "opencv2/core/core.hpp"  
4. #include "opencv2/gpu/gpu.hpp"  
5. #include "opencv2/core/internal.hpp" // For TBB wrappers  
6.   
7. using namespace std;  
8. using namespace cv;  
9. using namespace cv::gpu;  
10.   
11. struct Worker { void operator()(int device_id) const; };  
12.   
13. int main()  
14. {  
15.     int num_devices = getCudaEnabledDeviceCount();  
16.     if (num_devices < 2)  
17.     {  
18.         std::cout << "Two or more GPUs are required\n";  
19.         return -1;  
20.     }  
21.     for (int i = 0; i < num_devices; ++i)  
22.     {  
23.         DeviceInfo dev_info(i);  
24.         if (!dev_info.isCompatible())  
25.         {  
26.             std::cout << "GPU module isn't built for GPU #" << i << " ("  
27.                  << dev_info.name() << ", CC " << dev_info.majorVersion()  
28.                  << dev_info.minorVersion() << "\n";  
29.             return -1;  
30.         }  
31.     }  
32.   
33.     // Execute calculation in two threads using two GPUs  
34.     int devices[] = {0, 1};  
35.     parallel_do(devices, devices + 2, Worker());  
36.   
37.     return 0;  
38. }  
39.   
40.   
41. void Worker::operator()(int device_id) const  
42. {  
43.     setDevice(device_id);  
44.   
45.     Mat src(1000, 1000, CV_32F);  
46.     Mat dst;  
47.   
48.     RNG rng(0);  
49.     rng.fill(src, RNG::UNIFORM, 0, 1);  
50.   
51.     // CPU works  
52.     transpose(src, dst);  
53.   
54.     // GPU works  
55.     GpuMat d_src(src);  
56.     GpuMat d_dst;  
57.     transpose(d_src, d_dst);  
58.   
59.     // Check results  
60.     bool passed = norm(dst - Mat(d_dst), NORM_INF) < 1e-3;  
61.     std::cout << "GPU #" << device_id << " (" << DeviceInfo().name() << "): "  
62.         << (passed ? "passed" : "FAILED") << endl;  
63.   
64.     // Deallocate data here, otherwise deallocation will be performed  
65.     // after context is extracted from the stack  
66.     d_src.release();  
67.     d_dst.release();  
68. }  

1、OpenCV提供的开发包中提供的库没有开启gpu和ocl模块功能，虽然有***gpu.lib/***gpu.dll文件，但不能用。如果调用gpu::getCudaEnableDeviceCount()将会return 0；要开启该功能需要重新编译opencv的库。

2、 参考http://docs.opencv.org/modules/gpu/doc/introduction.html和http://blog.csdn.net/quanquanyu/article/details/8917765文章，需要在编译之前安装：CMake用于生成vs工程，Tbb, Qt(gui), cuda tool kit, python 等程序。

3、用CMake生成vs工程时，要打开cuda功能，其他功能可以任选，要让cmake找到你的tbb、qt、cuda和python的位置。

4、有时候要编译静态库，这时需要更改vs工程。对于不同目录下的更改设置不同。对于输出是.EXE的工程，要修改Use of MFC为 use MFC in a Static Library， 在C/C++中的Runtime Library中修改为/Mt（d debug or release），而对于输出是.dll的工程则需要把输出的改为.lib并修改configuration Type为 Static Library（.lib）

配置CUDA