1.OpenCV中几种卷积的源码实现方式
2.opencv cv::distanceTransform()距离变换论文与源码
3.OpenCV:吊打高斯模糊的StackBlur加入
4.OpenCV中DNN库的架构

OpenCV中几种卷积的实现方式

       自从opencv引入dnn模块后，卷积实现方式不断扩展，并行以适应PC、源码手机、并行边缘计算设备的源码部署需求。目前，并行jython源码解析可调用CUDA、源码OpenCL、并行Tengine、源码Vulkan实现卷积。并行Tengine、源码Vulkan特别适用于移动设备和边缘计算，并行它们内部是源码如何实现的？

       Vulkan是一个渲染库，与OpenGL、并行DirectX等GPU渲染库相比，源码移动设备上使用较多，而深度学习模型又需要在移动设备上部署。因此，探索是否可以使用Vulkan实现卷积等深度学习操作。

       接下来，让我们看看OpenCV是如何使用Vulkan实现深度神经网络中的卷积。

       打开OpenCV源码库的modules/dnn/src目录，可以看到最后一个文件夹是vkcom。"vkcom"这个名字由"Vulkan"库本身与"comp"（glsl语言的源代码后缀）组成。glsl语言可以通过以下命令编译：“vkcom”。ssr节点网站源码GLSL是OpenGL着色语言，用于编写OpenGL着色器的编程语言，通常与并行处理功能强大的GPU结合使用。深度学习操作如卷积、池化都是对图像颜色的处理，因此可以将这些操作实现为着色器，用GLSL编写，然后使用Vulkan调用GPU。

       Vulkan实现的卷积代码示例如下：

       代码中指定了输入输出变量（第3、6、9、行）。在第行计算了输出变量convolved_image_data的值。第行开始的for循环遍历卷积核的c、w、h，计算单个像素位置的卷积结果。显然，这个卷积仅计算一个像素位置的卷积结果，卷积核的滑动过程由Vulkan管理GPU，多个GPU计算单元并行完成。

       在OpenCV中，文件conv.comp首先被编译为二进制，然后将此二进制作为字符串放入conv_spv.cpp中。刷新随机视频源码cpp文件定义了conv_spv数组，其中包含编译后的卷积着色器执行代码。由OpBase::createShaderModule函数将此二进制送入vkCreateShaderModule，从而调度GPU。

       通过分析代码，可以看到Vulkan实现的算子被调用的方式，这同样适用于CUDA、OpenCL、Ngraph、Inference Engine等实现的算子。

       Vulkan渲染库在OpenCV中的调用逻辑已经阐述完毕。Tengine是如何使用的？在convolution_layer.cpp的forward函数的行，调用了tengine_forward(tengine_graph)。

       Tengine_forward来自teng_run_graph函数，我们只需调用库即可得到结果。传入的graph是卷积图，由create_conv_graph在第行创建。create_conv_graph使用create_conv_node、create_input_node生成卷积算子所需的图。

       使用Tengine相对使用Vulkan、CUDA等库完成算子，要简单许多。调用库内的函数生成节点，使用节点构建图即可，github系统的源码无需自己实现算子内的计算。

       本文概述了OpenCV中卷积实现方式的多样性，以下为总结：

       本文详细分析了使用Vulkan用着色器实现卷积计算的方法及其调用路径，这个路径在分析其他类型实现时也很有用。本文还探讨了不同库算子的兼容性。当然，不同算子兼容还涉及更多细节，本文仅关注卷积forward函数的传递。

       本文后半部分简要介绍了Tengine在OpenCV中的集成。发现集成过程相对简单，在convolution_layer.cpp中直接运行Tengine库构建的卷积计算图。这也表明，如果存在更好的边缘计算库，很容易集成到OpenCV中。

       通过几天的分析，我们已经了解了OpenCL、Vulkan、Tengine的实现方式。可以预计，CUDA、Halide、Inference Engine nn、Inference Engine NGraph等实现也会类似。

opencv cv::distanceTransform()距离变换论文与源码

       OpenCV的py怎么保护源码cv::distanceTransform()函数用于计算图像中所有点到最近‘0’点的距离，其应用广泛，例如在无人驾驶中，用于测量图像中最近障碍物的距离。它支持两种距离计算：L1和L2。当maskSize为DIST_MASK_PRECISE且distanceType为DIST_L2时，采用[]中的并行算法，借助TBB库。其他情况下，会使用[]算法。

       简单来说，[]算法在年发表，而[]则更易于理解且适用于L2距离。距离变换定义了一个函数Df，它是输入函数f的欧氏距离变换，即对于每个点p，找到最近的q点，其距离加上f(q)值。

       公式[公式]描述了经典的距离变换方法，它将每个网格位置与最近点P通过二值图像关联。在OpenCV的实现中，如/modules/imgproc/src/distransform.cpp的Line ，有一维和二维情况的处理方法。一维时，欧氏距离平方变换为[公式]，二维则通过两次一维变换简化计算过程。

       如果你对OpenCV的距离变换感兴趣，欢迎查看我的专栏并投稿，共同探讨OpenCV背后的原理和知识，共同进步。

OpenCV:吊打高斯模糊的StackBlur加入

       简化版 StackBlur API介绍

       StackBlur 最近才加入到OpenCV中，将在下一个Release版本（4.7）中出现。C++用户可以尝试从源码编译OpenCV体验一下。Python 用户可以尝试用pip安装rolling版本的OpenCV：pip install opencv-python-rolling==4.6.0.。StackBlur是高斯模糊的近似，同样支持水平和垂直不对称的滤波。

       为什么StackBlur的API中s小写？OpenCV中对API有严格控制，以作者名称开头的API可以大写（如Sobel、GaussianBlur），除此之外都小写字母开头。

       StackBlur的使用建议和最后的实验结果如下：

       建议当kernel size > 时，用stackBlur替换高斯模糊；当kernel size特别大时，OpenCV的所有模糊滤波器中只推荐stackBlur。

       实验结果如下：测试环境为Mac M1，8核，image size [ x ]，数据类型：CV_8U3C。测试方法为跑一千次，选取最小作为耗时，测试脚本在这里。结论为stackBlur不会随着kernel size增加而增加耗时。

       StackBlur算法的坑是由老瓦在年初挖的。当时他给了我一个任务，尝试增加一个新滤波器stackblur。最后在OpenCV上调通并产生正确模糊结果，但卡在了速度优化上。最近在优化OpenCV的DNN模块，学会了一些并行加速的技巧，终于填上了这个坑。

       本文主要介绍新加入OpenCV的模糊算法Stackblur，Stackblur是一种高斯模糊的快速近似，由Mario Klingemann发明。其计算耗时不会随着kernel size增大而增加，专为大kernel size的模糊滤波场景量身定制。本文从新加入OpenCV的cv::stackBlur API开始介绍，通过对比BoxBlur和高斯模糊，阐述Stackblur的优势。接着，详细介绍了Stackblur算法的原始论文及其计算过程，解释了Stack、StackOut和StackIn的运作方式。最后，总结了Stackblur的加速优化策略和实验结果，表明Stackblur在大kernel size下的速度优势。

       StackBlur算法采用Queue和Stack计算方式，与传统滤波算法不同，其计算耗时不会随着kernel size的增大而增加，这得益于其独特的计算机制。Stackblur算法在2维图像上的实现，通过先在水平方向进行1维stackblur算法，然后在垂直方向进行1维stackblur算法，实现整体的模糊效果。同时，通过多线程并行加速、SIMD指令优化等策略，Stackblur算法在性能上实现了显著提升，甚至在某些情况下比BoxBlur更快。

       StackBlur的计算优化包括使用乘法代替除法运算，以减少计算量。同时，针对不同数据格式和通道数，提供了一系列优化策略，以提高性能。实验结果显示，StackBlur在kernel size <= 5的情况下，速度接近高斯模糊，而在大kernel size下（如kernel size=），StackBlur的速度远超高斯模糊。

       如果你对StackBlur的加速优化和性能测试感兴趣，欢迎在评论区留言讨论，分享建议和反馈。

OpenCV中DNN库的架构

       OpenCV的DNN库虽然代码量大，但其架构设计相当清晰。核心在于网络、层内容和层的协作。首先，网络类包含了多个层内容对象，负责整体的前向计算。层内容则包含了层对象、输入输出矩阵、数据转换器和计算节点，它们共同构成了网络计算的基本单元。

       计算节点是核心计算单元，通过策略模式支持不同后台算子，如vkcom、cuda等，通过调用这些算子进行深度学习计算。数据转换器则通过策略模式处理数据在不同设备间的转换，如vkcom数据转换器和cuda数据转换器。

       层内容根据输入数据和层类型动态确定输出矩阵大小，初始化数据转换器和计算节点。网络的前向计算流程会遍历层内容中的节点，调用节点中的算子执行计算。

       算子的具体实现各异，如vkcom通过recordCommandBuffer和runCommandBuffer调用vk库的并行计算，Halide则通过计算节点直接调用Halide::Func进行计算。微软的推理引擎通过net的forward函数，而英伟达CUDA则是直接调用cudnn库的函数。

       除了库内预定义的GPU和CPU实现，OpenCV还支持自定义的算子，如OpenCL实现的算子，这些算子同样通过层内容的前向计算过程被调用。总的来说，OpenCV的DNN库架构巧妙地整合了各种计算资源，为实现深度学习任务提供了灵活且高效的平台。