独家｜OpenCV1.9 如何利用OpenCV的parallel_for_并行化代码（附代码）

目标

本教程的目标是展示如何使用OpenCV的parallel_for_框架轻松实现代码并行化。为了说明这个概念，我们将编写一个程序，利用几乎所有的CPU负载来绘制Mandelbrot集合。完整的教程代码可见原文。如果想了解更多关于多线程的信息，请参考本教程中提及的参考书或课程。

预备条件

首先是搭建OpenCV并行框架。在OpenCV3.2中，可以按此顺序使用以下并行框架：

1. 英特尔线程构建模块（第三方库，应该明确启用）

2. C =并行C / C ++编程语言扩展（第三方库，应该明确启用）

3. OpenMP（集成的编译器，应明确启用）

4. APPLE GCD（系统层面，自动使用（仅适用APPLE））

5. Windows RT并发（系统层面，自动使用（仅适用Windows RT））

6. Windows并发（部分运行时间，自动使用（仅适用Windows  -  MSVC ++> = 10））

7. Pthreads (如果适用)

正如前面所述，OpenCV库可以使用多个并行框架。有些并行库为第三方提供的库，建立时应明确地用CMake（如TBB，C =）启用，其余均为自动可用的平台（例如APPLE GCD），但是，无论是直接使用并行框架还是利用CMake启用并行框架并重建库，首先要做的是启用并行框架。

第二个（弱）预备条件与任务相关，因为不是所有任务的计算都可以/适合以并行方式来运行。为了尽量保持简单，可以将任务分解为与存储器无关的多个元素，从而使其更加容易实现并行化。在计算机视觉处理过程中，由于大多数时间里一个像素的处理不依赖于其它像素的状态，所以往往更加容易实现并行化。

简单的示例：绘制Mandelbrot集合

这个例子中将展示如何绘制Mandelbrot集合，将普通的顺序代码实现并行化计算。

理论

Mandelbrot集合的名称是数学家阿德里恩·多迪（Adrien Douady）为悼念数学家蒙德布罗特（Mandelbrot），以他的名字来命名的。它在数学界之外，作为分形类的一个例子，在图像表示领域非常著名。Mandelbrot集合为一组自相似的重复图案在不同尺度下重复显示结果。为了进一步深入介绍，可以参考Wikipedia article。在这里，仅介绍利用公式绘制Mandelbrot集合（选自维基百科的文章）。

Mandelbrot集合是在复平面中一组值C沿着0轨迹的二次迭代映射的边界。

即，复数c作为Mandelbrot集的一部分，从 Z0 = 0开始重复进行迭代，当n趋近于无穷大时，Zn的绝对值的边界值，它可以表示为：

伪代码

生成Mandelbrot集合的简单的算法被称为“逃逸时间算法”。为渲染图像中的每个像素，根据复数值是否在边界范围之内，利用递推关系进行测试。经过数次迭代之后，不属于Mandelbrot集合的像素将快速逃逸，留下来的将是属于Mandelbrot集合的像素。随着计算时间的增加，迭代后的高阶值将产生一个更详细的图像。在这里使用实现“逃逸”所需要的迭代次数来描绘图像中的像素值。

将伪代码和理论相关联之后，得到：

在上图中，复数的实部在x轴上，复数的虚部在y轴上。通过对图形局部放大，可以看到整个形状均重复可见。

代码实现

逃逸时间算法的实现

在这里，我们使用了std::complex模板类来表示复数。利用这个函数来进行测试，以检查像素是否在集合之中，并返回“逃逸”迭代。

顺序的Mandelbrot实现

在此程序中，通过依次遍历渲染图像中的像素来进行测试，以检查像素是否属于Mandelbrot集合。

需要做的另一件事是把像素坐标转换Mandelbrot集合空间：

最后，将灰度值分配给像素，使用以下规则：

当迭代次数达到最大值时，像素为黑色（假定像素在Mandelbrot集合中）；

否则根据逃脱“逃逸迭代”和缩放尺度，为像素分配一个灰度值，以适应灰度范围。

使用线性缩放转换不足以感知的灰度变化。为了克服这个问题，使用一个平方根转换来提升感知度（引用了Jeremy D. Frens博客中的内容）：

绿色曲线对应于简单的线性缩放转换，蓝色曲线对应于平方根转换，可以从中观察到的最低值如何沿着斜坡正向上升。

并行Mandelbrot实现

在顺序的Mandelbrot实现中，每个像素被独立计算。为了优化计算，我们可以利用现代处理器的多核架构并行执行多个像素的计算，利用OpenCV的CV :: parallel_for_框架可以轻松实现。

第一件事是声明一个继承CV :: ParallelLoopBody的自定义类，覆盖virtual void operator ()(const cv::Range& range) const。

 operator ()表示将通过一个独立的线程来处理像素的子集，这种拆分是自动完成的，以平均分配计算负荷，为此必须将像素索引坐标转换成2D [行，列]坐标。还要注意的是，必须保持图像的mat对象引用值，以便能够适时地对图像进行修改。

调用并行执行程序：

在这里，range表示将要执行的操作总数，即图像中的像素总数。使用CV :: setNumThreads设置线程数，还可以使用CV :: parallel_for_中的 nstripes参数指定拆分的数量CV :: parallel_for_。例如，如果处理器有4个线程，则设置CV :: setNumThreads（2）或者设置nstripes = 2应该是一样的，默认情况下它会使用所有可用的处理器线程，但拆分后只有两个线程。

注

为了简化并行的实现，C ++ 11标准删除了ParallelMandelbrot类，采用lambda表达式代替它：

运行结果

可以在原文找到完整的教程源代码，并行实现的性能取决于CPU的种型。例如，在4核/ 8线程的CPU上，可以提速6.9倍左右。如果要问，为什么达不到8倍速，其中有很多因素；主要原因是由于：

创建和管理线程的额外开销；

并行运行的后台进程；

带2个逻辑线程的4硬件核与8硬件核之间是有区别的。

由教程代码生成的输出图像（可以对代码进行修改，以使用更多次的迭代，根据逃逸迭代次数来分配像素颜色，并使用调色板以获得更美的图像）：

Mandelbrot集合XMIN = -2.1，XMAX = 0.6，YMIN = -1.2，YMAX = 1.2，maxIterations = 500

原文链接：

https://docs.opencv.org/4.5.2/d7/dff/tutorial_how_to_use_OpenCV_parallel_for_.html