任意半径局部直方图类算法在PC中快速实现的框架。

2024-08-25 23:48
文章标签 算法 实现 快速 框架 任意 直方图 pc 局部 半径

本文主要是介绍任意半径局部直方图类算法在PC中快速实现的框架。，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

转自： 任意半径局部直方图类算法在PC中快速实现的框架。

　　在图像处理中，局部算法一般来说，在很大程度上会获得比全局算法更为好的效果，因为他考虑到了图像领域像素的信息，而很多局部算法可以借助于直方图获得加速。同时，一些常规的算法，比如中值滤波、最大值滤波、最小值滤波、表面模糊等等都可以通过局部直方图进行加速。而传统的获取局部直方图计算量很大，特别是半径增加时，耗时会成平方关系增加。一些局部算法只有在半径较大时才会获得很好的效果，因此，必须找到一种合适的加速计算局部直方图的方式。

      在参考Median Filter in Constant Time.pdf一文附带的C的代码的基础上，本文提出了基于SSE加速的恒长任意半径局部直方图获取技术，可以大大加速算法的计算时间，特别是大半径时的提速更为明显。

      主要的优化思路是，沿着列方向一行一行的更行整行的列直方图，新的一行对应的列直方图更新时只需要减去已经不再范围内的那个像素同时加入新进入的像素的直方图信息。之后，对于一行中的第一个像素点，累加半径辐射范围内的列直方图，得到改点的局部直方图，对于行中的其他的像素，则类似于更新行直方图，先减去不在范围内那列的列直方图，然后加上移入范围内的列直方图。由于采用了基于SSE函数的加速过程，直方图想加和相减的速度较普通的加减法有了10倍以上的提速，因此大大的提高了整体的实用性。

       具体的过程我用代码加以说明：

  　　1、一些公用的内存分配过程

复制代码 
    TMatrix *Row = NULL, *Col = NULL;unsigned char *LinePS, *LinePD;int  X, Y, K, Width = Src->Width, Height = Src->Height;int *RowOffset, *ColOffSet;unsigned short *ColHist    = (unsigned short *)IS_AllocMemory(256 * (Width + 2 * Radius) * sizeof(unsigned short), true);    if (ColHist == NULL) {Ret = IS_RET_ERR_OUTOFMEMORY; goto Done8;}unsigned short *Hist    = (unsigned short *)IS_AllocMemory(256 * sizeof(unsigned short), true);    if (Hist == NULL) {Ret = IS_RET_ERR_OUTOFMEMORY; goto Done8;}Ret = GetValidCoordinate(Width, Height, Radius, Radius, Radius, Radius, Edge, &Row, &Col);        //    获取坐标偏移量if (Ret != IS_RET_OK) goto Done8;
复制代码

　　其中的ColHist用于保存一行像素对应的列直方图 ，注意这里的行是用的扩展后的行的大小即：Width + 2 * Radius。IS_AllocMemory是个内部使用了_mm_malloc定义的内存分配函数，主要是考虑SSE函数的16字节对齐问题。

      Hist变量用于保存每个像素点的局部直方图数据，任何基于局部直方图技术的函数最终都演变为对于该函数进行各种各样的计算。    

      GetValidCoordinate是一个用于辅助边界处像素点处理的函数，具体可详见附件中给出的代码。

      2、更新一行像素的列直方图

复制代码 
for (Y = 0; Y < Height; Y++)
{if (Y == 0)                                            //    第一行的列直方图,要重头计算
    {for (K = -Radius; K <= Radius; K++)                    {LinePS = Src->Data + ColOffSet[K] * Src->WidthStep;for (X = -Radius; X < Width + Radius; X++){ColHist[X * 256 + LinePS[RowOffset[X]]]++;}}}else                                                //    其他行的列直方图，更新就可以了
    {LinePS = Src->Data + ColOffSet[Y - Radius - 1] * Src->WidthStep;        for (X = -Radius; X < Width + Radius; X++)        // 删除移出范围内的那一行的直方图数据
        {ColHist[X * 256 + LinePS[RowOffset[X]]]--;}LinePS = Src->Data + ColOffSet[Y + Radius] * Src->WidthStep;for (X = -Radius; X < Width + Radius; X++)        // 增加进入范围内的那一行的直方图数据
        {ColHist[X * 256 + LinePS[RowOffset[X]]]++;}}//　　依次获取一行每个像素的局部直方图//　　根据局部直方图获的结果
}
复制代码

　　可见，这部分和普通的局部优化方式类似，没有什么特殊的地方。

　　3、依次获取一行每个像素的局部直方图

复制代码 
    for (Y = 0; Y < Height; Y++){//　　更新一行像素的列直方图memset(Hist, 0, 256 * sizeof(unsigned short));        //    每一行直方图数据清零先LinePS = Src->Data + Y * Src->WidthStep;LinePD = Dest->Data + Y * Dest->WidthStep;for (X = 0; X < Width; X++){if (X == 0){for (K = -Radius; K <= Radius; K++)            //    行第一个像素，需要重新计算    HistgramAddShort(ColHist + K * 256, Hist);}else{/* 　HistgramAddShort(ColHist + RowOffset[X + Radius] * 256, Hist);    HistgramSubShort(ColHist + RowOffset[X - Radius - 1] * 256, Hist);*/HistgramSubAddShort(ColHist + RowOffset[X - Radius - 1] * 256, ColHist + RowOffset[X + Radius] * 256, Hist);  //    行内其他像素，依次删除和增加就可以了
            }

　　　　　　　　//　　根据局部直方图获的结果
            LinePS++;LinePD++;}}
复制代码

　　上面处理的过程其实和2的过程的优化道理是类似的，只不过一个是行方向，一个是列方向，聪明者自然能明白，稍微愚钝者请自己多多斟酌，自然有豁然开朗的时刻。

　　4、 根据局部直方图获的结果

　　根据不同的算法需求，结合局部直方图信息来获取结果，比如最大值算法可以用如下方式获得：

复制代码 
    for (K = 255; K >= 0; K--){if (Hist[K] != 0){LinePD[X] = K;break;}}
复制代码

    　关于直方图累加的代码如下：

复制代码 
/// <summary>
/// 无符号短整形直方图数据相加，Y = X + Y， 整理时间2014.12.28; 
/// </summary>
/// <param name="X">加数。</param>
/// <param name="Y">被加数，结果保存于该数中。</param>
/// <remarks>使用了SSE优化。</remarks>
void HistgramAddShort(unsigned short *X, unsigned short *Y)
{*(__m128i*)(Y + 0)        =    _mm_add_epi16(*(__m128i*)&Y[0],        *(__m128i*)&X[0]);        //    不要想着用自己写的汇编超过他的速度了，已经试过了*(__m128i*)(Y + 8)        =    _mm_add_epi16(*(__m128i*)&Y[8],        *(__m128i*)&X[8]);*(__m128i*)(Y + 16)        =    _mm_add_epi16(*(__m128i*)&Y[16],    *(__m128i*)&X[16]);*(__m128i*)(Y + 24)        =    _mm_add_epi16(*(__m128i*)&Y[24],    *(__m128i*)&X[24]);*(__m128i*)(Y + 32)        =    _mm_add_epi16(*(__m128i*)&Y[32],    *(__m128i*)&X[32]);*(__m128i*)(Y + 40)        =    _mm_add_epi16(*(__m128i*)&Y[40],    *(__m128i*)&X[40]);*(__m128i*)(Y + 48)        =    _mm_add_epi16(*(__m128i*)&Y[48],    *(__m128i*)&X[48]);*(__m128i*)(Y + 56)        =    _mm_add_epi16(*(__m128i*)&Y[56],    *(__m128i*)&X[56]);*(__m128i*)(Y + 64)        =    _mm_add_epi16(*(__m128i*)&Y[64],    *(__m128i*)&X[64]);*(__m128i*)(Y + 72)        =    _mm_add_epi16(*(__m128i*)&Y[72],    *(__m128i*)&X[72]);*(__m128i*)(Y + 80)        =    _mm_add_epi16(*(__m128i*)&Y[80],    *(__m128i*)&X[80]);*(__m128i*)(Y + 88)        =    _mm_add_epi16(*(__m128i*)&Y[88],    *(__m128i*)&X[88]);*(__m128i*)(Y + 96)        =    _mm_add_epi16(*(__m128i*)&Y[96],    *(__m128i*)&X[96]);    *(__m128i*)(Y + 104)    =    _mm_add_epi16(*(__m128i*)&Y[104],    *(__m128i*)&X[104]);*(__m128i*)(Y + 112)    =    _mm_add_epi16(*(__m128i*)&Y[112],    *(__m128i*)&X[112]);*(__m128i*)(Y + 120)    =    _mm_add_epi16(*(__m128i*)&Y[120],    *(__m128i*)&X[120]);*(__m128i*)(Y + 128)    =    _mm_add_epi16(*(__m128i*)&Y[128],    *(__m128i*)&X[128]);*(__m128i*)(Y + 136)    =    _mm_add_epi16(*(__m128i*)&Y[136],    *(__m128i*)&X[136]);*(__m128i*)(Y + 144)    =    _mm_add_epi16(*(__m128i*)&Y[144],    *(__m128i*)&X[144]);*(__m128i*)(Y + 152)    =    _mm_add_epi16(*(__m128i*)&Y[152],    *(__m128i*)&X[152]);*(__m128i*)(Y + 160)    =    _mm_add_epi16(*(__m128i*)&Y[160],    *(__m128i*)&X[160]);*(__m128i*)(Y + 168)    =    _mm_add_epi16(*(__m128i*)&Y[168],    *(__m128i*)&X[168]);*(__m128i*)(Y + 176)    =    _mm_add_epi16(*(__m128i*)&Y[176],    *(__m128i*)&X[176]);*(__m128i*)(Y + 184)    =    _mm_add_epi16(*(__m128i*)&Y[184],    *(__m128i*)&X[184]);*(__m128i*)(Y + 192)    =    _mm_add_epi16(*(__m128i*)&Y[192],    *(__m128i*)&X[192]);*(__m128i*)(Y + 200)    =    _mm_add_epi16(*(__m128i*)&Y[200],    *(__m128i*)&X[200]);*(__m128i*)(Y + 208)    =    _mm_add_epi16(*(__m128i*)&Y[208],    *(__m128i*)&X[208]);*(__m128i*)(Y + 216)    =    _mm_add_epi16(*(__m128i*)&Y[216],    *(__m128i*)&X[216]);*(__m128i*)(Y + 224)    =    _mm_add_epi16(*(__m128i*)&Y[224],    *(__m128i*)&X[224]);    *(__m128i*)(Y + 232)    =    _mm_add_epi16(*(__m128i*)&Y[232],    *(__m128i*)&X[232]);*(__m128i*)(Y + 240)    =    _mm_add_epi16(*(__m128i*)&Y[240],    *(__m128i*)&X[240]);*(__m128i*)(Y + 248)    =    _mm_add_epi16(*(__m128i*)&Y[248],    *(__m128i*)&X[248]);
}
复制代码

　　_mm_add_epi16可以一次性完成16个short类型的数据的加法，比传统的add指令快了很多倍。

     由于_mm_add_epi16是这对短整形数据进行的处理，因此，一般情况下改指令所能处理的半径不能大于127，如果需要大于127，则需要修改过程序中的short类型为int,同时需要使用_mm_add_epi32指令，这样程序的速度会有所下降。

　　经过测试，在我的I5的台式机中，1024*768图像在直方图更新上所需要的平均之间约为30ms，相比局部算法的核心就算部分时间（比如上述的求最大值），可能大部分耗时并不在这里。

     附件的代码中有个完整的测试工程，并有我目前所有的TMatrix结构的完整代码，我以后的文章都将以改结构为依托进行处理。

     代码还共享了很多处理的函数，我很自信一定值得朋友去学习的。

     这种前后依赖的算法都有一个很致命的缺点，就是不可以并行，把图像分段处理，也会造成过多初始化耗时。

     代码下载地址：http://files.cnblogs.com/files/Imageshop/BaseFile.rar

 

****************************作者： laviewpbt   时间： 2015.4.20    联系QQ:  33184777 转载请保留本行信息**********************

这篇关于任意半径局部直方图类算法在PC中快速实现的框架。的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1106972。

相关文章

一文详解如何在idea中快速搭建一个Spring Boot项目

一文详解如何在idea中快速搭建一个Spring Boot项目

《一文详解如何在idea中快速搭建一个SpringBoot项目》IntelliJIDEA作为Java开发者的‌首选IDE‌,深度集成SpringBoot支持,可一键生成项目骨架、智能配置依赖,这篇文... 目录前言1、创建项目名称2、勾选需要的依赖3、在setting中检查maven4、编写数据源5、开启热
阅读更多...
C++中零拷贝的多种实现方式

C++中零拷贝的多种实现方式

《C++中零拷贝的多种实现方式》本文主要介绍了C++中零拷贝的实现示例,旨在在减少数据在内存中的不必要复制,从而提高程序性能、降低内存使用并减少CPU消耗,零拷贝技术通过多种方式实现,下面就来了解一下... 目录一、C++中零拷贝技术的核心概念二、std::string_view 简介三、std::stri
阅读更多...
C++高效内存池实现减少动态分配开销的解决方案

C++高效内存池实现减少动态分配开销的解决方案

《C++高效内存池实现减少动态分配开销的解决方案》C++动态内存分配存在系统调用开销、碎片化和锁竞争等性能问题,内存池通过预分配、分块管理和缓存复用解决这些问题,下面就来了解一下... 目录一、C++内存分配的性能挑战二、内存池技术的核心原理三、主流内存池实现：TCMalloc与Jemalloc1. TCM
阅读更多...
OpenCV实现实时颜色检测的示例

OpenCV实现实时颜色检测的示例

《OpenCV实现实时颜色检测的示例》本文主要介绍了OpenCV实现实时颜色检测的示例,通过HSV色彩空间转换和色调范围判断实现红黄绿蓝颜色检测,包含视频捕捉、区域标记、颜色分析等功能,具有一定的参考... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间
阅读更多...
Python实现精准提取 PDF中的文本,表格与图片

Python实现精准提取 PDF中的文本,表格与图片

《Python实现精准提取PDF中的文本,表格与图片》在实际的系统开发中,处理PDF文件不仅限于读取整页文本,还有提取文档中的表格数据,图片或特定区域的内容,下面我们来看看如何使用Python实... 目录安装 python 库提取 PDF 文本内容：获取整页文本与指定区域内容获取页面上的所有文本内容获取
阅读更多...
基于Python实现一个Windows Tree命令工具

基于Python实现一个Windows Tree命令工具

《基于Python实现一个WindowsTree命令工具》今天想要在Windows平台的CMD命令终端窗口中使用像Linux下的tree命令,打印一下目录结构层级树,然而还真有tree命令,但是发现... 目录引言实现代码使用说明可用选项示例用法功能特点添加到环境变量方法一：创建批处理文件并添加到PATH1
阅读更多...
Java使用HttpClient实现图片下载与本地保存功能

Java使用HttpClient实现图片下载与本地保存功能

《Java使用HttpClient实现图片下载与本地保存功能》在当今数字化时代,网络资源的获取与处理已成为软件开发中的常见需求,其中,图片作为网络上最常见的资源之一,其下载与保存功能在许多应用场景中都... 目录引言一、Apache HttpClient简介二、技术栈与环境准备三、实现图片下载与保存功能1.
阅读更多...
canal实现mysql数据同步的详细过程

canal实现mysql数据同步的详细过程

《canal实现mysql数据同步的详细过程》：本文主要介绍canal实现mysql数据同步的详细过程,本文通过实例图文相结合给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的... 目录1、canal下载2、mysql同步用户创建和授权3、canal admin安装和启动4、canal
阅读更多...
Nexus安装和启动的实现教程

Nexus安装和启动的实现教程

《Nexus安装和启动的实现教程》：本文主要介绍Nexus安装和启动的实现教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、Nexus下载二、Nexus安装和启动三、关闭Nexus总结一、Nexus下载官方下载链接：DownloadWindows系统根
阅读更多...
SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

《SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程》LiteFlow是一款专注于逻辑驱动流程编排的轻量级框架,它以组件化方式快速构建和执行业务流程,有效解耦复杂业务逻辑,下面给大... 目录一、基础概念1.1 组件（Component）1.2 规则（Rule）1.3 上下文（Conte
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2