这里有两个简单的选择。
-
您提到您对从相机捕获的图像重复执行此操作。因此可以安全地假设图像的大小始终相同。
cv::Mat 的分配具有不可忽略的开销，因此在这种情况下，重用通道 Mats 将是有益的。 （即在收到第一帧时分配目标图像，然后覆盖后续帧的内容）
这种方法的额外好处是（很可能）减少了内存碎片。这可能成为 32 位代码的真正问题。
-
您提到您只对一个特定频道感兴趣（用户可以任意选择）。这意味着您可以使用cv::mixChannels，它使您可以灵活地选择哪些频道以及如何提取它们。
这意味着您可以仅提取单个通道的数据，理论上（取决于实现 - 研究源代码以了解更多详细信息）避免为您不感兴趣的通道提取和/或复制数据的开销在。
让我们编写一个测试程序来评估上述方法的 4 种可能组合。
- 变体 0：
cv::split 不重复使用
- 变体 1：
cv::split 可重复使用
- 变体 2：
cv::mixChannels 不重复使用
- 变体 3：
cv::mixChannels 可重复使用
注意：为了简单起见，我在这里只使用static，通常我会将这个成员变量放在封装算法的类中。
#include <opencv2/opencv.hpp>
#include <chrono>
#include <cstdint>
#include <iostream>
#include <vector>
#define SELECTED_CHANNEL 1
cv::Mat variant_0(cv::Mat const& img)
{
std::vector<cv::Mat> channels;
cv::split(img, channels);
return channels[SELECTED_CHANNEL];
}
cv::Mat variant_1(cv::Mat const& img)
{
static std::vector<cv::Mat> channels;
cv::split(img, channels);
return channels[SELECTED_CHANNEL];
}
cv::Mat variant_2(cv::Mat const& img)
{
// NB: output Mat must be preallocated
cv::Mat channel(img.rows, img.cols, CV_8UC1);
int from_to[] = { SELECTED_CHANNEL, 0 };
cv::mixChannels(&img, 1, &channel, 1, from_to, 1);
return channel;
}
cv::Mat variant_3(cv::Mat const& img)
{
// NB: output Mat must be preallocated
static cv::Mat channel(img.rows, img.cols, CV_8UC1);
int from_to[] = { SELECTED_CHANNEL, 0 };
cv::mixChannels(&img, 1, &channel, 1, from_to, 1);
return channel;
}
template<typename T>
void timeit(std::string const& title, T f)
{
using std::chrono::high_resolution_clock;
using std::chrono::duration_cast;
using std::chrono::microseconds;
cv::Mat img(1024,1024, CV_8UC3);
cv::randu(img, 0, 256);
int32_t const STEPS(1024);
high_resolution_clock::time_point t1 = high_resolution_clock::now();
for (uint32_t i(0); i < STEPS; ++i) {
cv::Mat result = f(img);
}
high_resolution_clock::time_point t2 = high_resolution_clock::now();
auto duration = duration_cast<microseconds>(t2 - t1).count();
double t_ms(static_cast<double>(duration) / 1000.0);
std::cout << title << "\n"
<< "Total = " << t_ms << " ms\n"
<< "Iteration = " << (t_ms / STEPS) << " ms\n"
<< "FPS = " << (STEPS / t_ms * 1000.0) << "\n"
<< "\n";
}
int main()
{
for (uint8_t i(0); i < 2; ++i) {
timeit("Variant 0", variant_0);
timeit("Variant 1", variant_1);
timeit("Variant 2", variant_2);
timeit("Variant 3", variant_3);
std::cout << "--------------------------\n\n";
}
return 0;
}
第二遍的输出（因此我们避免了任何预热成本）。
注意：在 i7-4930K 上运行此程序，使用 OpenCV 3.1.0（64 位，MSVC12.0），Windows 10 -- YMMV，尤其是带有 AVX2 的 CPU
Variant 0
Total = 1518.69 ms
Iteration = 1.48309 ms
FPS = 674.267
Variant 1
Total = 359.048 ms
Iteration = 0.350633 ms
FPS = 2851.99
Variant 2
Total = 820.223 ms
Iteration = 0.800999 ms
FPS = 1248.44
Variant 3
Total = 427.089 ms
Iteration = 0.417079 ms
FPS = 2397.63
有趣的是，cv::split 重用在这里获胜。随意编辑答案并添加来自不同平台/CPU 代的计时（特别是如果比例根本不同）。
似乎在我的设置中，这些都没有很好地并行化，所以这可能是加快速度的另一种可能途径（类似于cv::parallel_for_）。