import cv2 as cv

gpu_frame = cv．cuda_GpuMat()

screenshot = cv．imread('media/drip．png')

gpu_frame．upload(screenshot)

gpu_frame．download()

概述在单张图像上使用在多张图像上使用对多张图像使用Dask进行并行延时处理在单张图像上使用我们需要创建GPU空间(GPU_frame)来保存图像(就像相框保存图片一样),然后才能将图像上传到GPU。第1步:上传import cv2 as cv

gpu_frame = cv．cuda_GpuMat()

接下来用CPU将图像加载到内存中(截图),并将其上传到gpu上(帧图像);screenshot = cv．imread('media/drop．png')

gpu_frame．upload(screenshot)

第2步:处理图像OpenCV CUDA函数返回cv2．cuda_GpuMat(GPU矩阵),因此每个结果都可以在用户不必重新上传的情况下进行操作。让我们把图像从RGB转换成BGR(OpenCV格式),然后调整大小;screenshot = cv．cuda．cvtColor(gpu_frame, cv．COLOR_RGB2BGR)
screenshot = cv．cuda．resize(screenshot, (400, 400))

注意:你调用的函数的第一个参数应该是GPU矩阵(GPU帧),而不是你刚刚上传的图像,这会返回一个新的GPU矩阵。原始的GPU矩阵(gpu_frame)将继续保存原始图像,直到新图像被上传。第3步:下载处理之后的图像在GPU上,我们需要把它下载回CPU;screenshot．download()

注意:．download()将从cv转换为图像,即从cuda_GpuMat到 numpy．ndarray。在多张图像上使用如果需要处理新图片,只需调用．upload()将新图片加载到现有的GPU矩阵中。图像在传递给GPU之前仍然必须加载到CPU上。import cv2 as cv

img_files = ['bear．png', 'drip．png', 'tldr．png', 'frog．png']

# 创建帧来保存图片(cv2．cuda_GpuMat)

gpu_frame = cv．cuda_GpuMat()

for i in range(len(img_files)):
   # 加载图像(CPU)
   screenshot = cv．imread(f"media/{img_files[i]}")
   # 上传到GPU
   gpu_frame．upload(screenshot)
   # 转换颜色到opencv (numpy) ndarray→cv2．cuda_GpuMat
   screenshot = cv．cuda．cvtColor(gpu_frame, cv．COLOR_RGB2BGR)
   # 反向阈值@ 100
   screenshot = cv．cuda．threshold(screenshot, 105, 255, cv．THRESH_BINARY_INV)
   # 调整图像
   screenshot = cv．cuda．resize(screenshot[1], (200, 200))
   # 从GPU下载图像(cv2) cuda_GpuMat→numpy．ndarray
   screenshot = screenshot．download()
这一次我们在预处理中添加了一个反向的binary．threshold()函数;

对多张图像使用Dask进行并行延时处理使用Dask延时,我们可以将上面的循环推入到Dask延时函数,并行预处理多张图。import cv2 as cv
import dask．delayed
@dask．delayed
def preprocess(files):
   # 复制图像文件
   i_files = files．copy()
   # 创建GPU帧来保存图像
   gpu_frame = cv．cuda_GpuMat()
   for i in range(len(i_files)):
       # 加载图像(CPU)
       screenshot = cv．imread(f'media/{i_files[i]}')
       # 上传到GPU
       gpu_frame．upload(screenshot)
       # 转换颜色到opencv (numpy) ndarray→cv2．cuda_GpuMat
       screenshot = cv．cuda．cvtColor(gpu_frame, cv．COLOR_RGB2BGR)
       screenshot = cv．cuda．cvtColor(screenshot, cv．COLOR_BGR2GRAY)
       # 反向阈值@ 100
       screenshot = cv．cuda．threshold(screenshot, 125, 255, cv．THRESH_BINARY)
       # 调整图像
       screenshot = cv．cuda．resize(screenshot[1], (200, 200))
       
       # 从GPU下载图像 (cv2．cuda_GpuMat -> numpy．ndarray)
       screenshot = screenshot．download()
       # 用新图像
       i_files[i] = screenshot
   
   # 输出预处理图像
   return i_files

添加了另一个．cvtColor()来灰度化图像,并将反转的二进制阈值切换为二进制阈值。我们现在可以使用compute()来进行计算了;from dask import compute

img_files = ['bear．png', 'drip．png', 'tldr．png', 'frog．png']

img_files_2 = ['apple．png', 'eye．png', 'window．png', 'blinds．png']

# 设置延迟

set_a = dask．delayed(preprocess)(img_files)

set_b = dask．delayed(preprocess)(img_files_2)

# 开始计算

out_a, out_b = compute(*[set_a, set_b])

结果