CUDA小白 - NPP(3) 图像处理 Color and Sampling Conversion

news2024/11/22 5:20:31

cuda小白
原始API链接 NPP

GPU架构近些年也有不少的变化，具体的可以参考别的博主的介绍，都比较详细。还有一些cuda中的专有名词的含义，可以参考《详解CUDA的Context、Stream、Warp、SM、SP、Kernel、Block、Grid》

常见的NppStatus，可以看这里。

如有问题，请指出，谢谢

本节内容主要涉及到使用NPP进行一些图像色域变换等，类似功能的就不细说，仅针对一些常见的。由于Debayer，不同yuv之间的转换（Color Sampling Format Conversion），Gamma校正，Complement Color Key（一直不清楚这个啥）以及Color Processing（调色相关）的接触不对，后面就不介绍了，按需。

Color Model Conversion

当前模块主要涉及到的RGB，BGR，YUV，YUV420，YUV422，NV12，YCbCr，YCbCr422和YCbCr420之间的相互转换，以及批处理（分为同样ROI和不同ROI两个接口）的接口。其他还有一些未接触过的XYZ，LUV，Lab，YCC，CMYK_JPEG，HLS，HSV等与RGB或者BGR之间的转换。
本文就那比较简单的转换，以为RGB和YUV之间的相互转换为例子。

// 此处介绍的RGB和YUV都是三通道的，如果是packed的相互转换，则后缀是C3R，如果都是planar的，则后缀是P3R，反之则是P3C3R或者C3P3R。
// =========== RGB2YUV原理 ===========
// Npp32f nY =  0.299F * R + 0.587F * G + 0.114F * B; 
// Npp32f nU = (0.492F * ((Npp32f)nB - nY)) + 128.0F;
// Npp32f nV = (0.877F * ((Npp32f)nR - nY)) + 128.0F;
// if (nV > 255.0F) 
//     nV = 255.0F; 
NppStatus nppiRGBToYUV_8u_C3R(const Npp8u *pSrc,
							  int nSrcStep,
							  Npp8u *pDst,
							  int nDstStep,
							  NppiSize oSizeROI);

// =========== RGB2YUV原理 ===========
// Npp32f nY = (Npp32f)Y;
// Npp32f nU = (Npp32f)U - 128.0F;
// Npp32f nV = (Npp32f)V - 128.0F;
// Npp32f nR = nY + 1.140F * nV; 
// if (nR < 0.0F)    nR = 0.0F;
// if (nR > 255.0F)  nR = 255.0F;    
// Npp32f nG = nY - 0.394F * nU - 0.581F * nV;
// if (nG < 0.0F)    nG = 0.0F;
// if (nG > 255.0F)  nG = 255.0F;    
// Npp32f nB = nY + 2.032F * nU;
// if (nB < 0.0F)    nB = 0.0F;
// if (nB > 255.0F)  nB = 255.0F;    
NppStatus nppiYUVToRGB_8u_C3R(const Npp8u *pSrc,
						  	  int nSrcStep,
						 	  Npp8u *pDst,
							  int nDstStep,
							  NppiSize oSizeROI);
code
#include <iostream>
#include <cuda_runtime.h>
#include <npp.h>
#include <opencv2/opencv.hpp>

#define CUDA_FREE(ptr) { if (ptr != nullptr) { cudaFree(ptr); ptr = nullptr; } }

int main() {
  std::string directory = "../";

  // =============== load image ===============
  cv::Mat image_dog = cv::imread(directory + "dog.png");
  int image_width = image_dog.cols;
  int image_height = image_dog.rows;
  int image_size = image_width * image_height * 3;

  // =============== device memory ===============
  uint8_t *in_ptr, *yuv, *out_ptr;
  cudaMalloc((void**)&in_ptr, image_size * sizeof(uint8_t));
  cudaMalloc((void**)&yuv, image_size * sizeof(uint8_t));
  cudaMalloc((void**)&out_ptr, image_size * sizeof(uint8_t));
  cudaMemcpy(in_ptr, image_dog.data, image_size, cudaMemcpyHostToDevice);
  
  NppiSize roi1, roi2;
  roi1.width = image_width;
  roi1.height = image_height;
  roi2.width = image_width / 2;
  roi2.height = image_height / 2;

  // =============== nppiRGBToYUV_8u_C3R ===============
  uint8_t *host_yuv = (uint8_t *)malloc(image_size);
  NppStatus status;
  status = nppiRGBToYUV_8u_C3R(in_ptr, image_width * 3, yuv, image_width * 3, roi1);
  if (status != NPP_SUCCESS) {
    std::cout << "[GPU] ERROR nppiRGBToYUV_8u_C3R failed, status = " << status << std::endl;
    return false;
  }
  cudaMemcpy(host_yuv, yuv, image_size, cudaMemcpyDeviceToHost);
  std::string out_yuv_file = directory + "yuv.bin";
  FILE *fp = fopen(out_yuv_file.c_str(), "wb");
  fwrite(host_yuv, image_size, 1, fp);
  fclose(fp);

  // =============== nppiYUVToRGB_8u_C3R ===============
  cv::Mat out_image = cv::Mat::zeros(image_height, image_width, CV_8UC3);
  status = nppiYUVToRGB_8u_C3R(yuv, image_width * 3, out_ptr, image_width * 3, roi2);
  if (status != NPP_SUCCESS) {
    std::cout << "[GPU] ERROR nppiYUVToRGB_8u_C3R failed, status = " << status << std::endl;
    return false;
  }
  cudaMemcpy(out_image.data, out_ptr, image_size, cudaMemcpyDeviceToHost);
  cv::imwrite(directory + "out_rgb.jpg", out_image);

  // free
  CUDA_FREE(in_ptr)
  CUDA_FREE(yuv)
  CUDA_FREE(out_ptr)
  if (host_yuv != nullptr) { free(host_yuv); host_yuv = nullptr; }
}
make
cmake_minimum_required(VERSION 3.20)
project(test)

find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})

find_package(CUDA REQUIRED)
include_directories(${CUDA_INCLUDE_DIRS})
file(GLOB CUDA_LIBS "/usr/local/cuda/lib64/*.so")

add_executable(test test.cpp)
target_link_libraries(test
                      ${OpenCV_LIBS}
                      ${CUDA_LIBS}
)
result

yuv的结果，使用7yuv工具查看
请添加图片描述
使用转换之后的yuv，再转回RGB，在限定ROI之后的结果:
请添加图片描述
注意点：

  1. 可以使用7yuv进行yuv图像的查看，7yuv，下载对应的版本即可，可以体验。
  2. 还有一个接口是基于JPEG的，主要介绍的是JPEG的Color Conversion，由于平时接触较少，这里暂时不介绍了，按需取《JPEG Color Conversion》.

ColorToGray Conversion

当前模块也主要分为三个大方向：RGBToGray，ColorToGray和GradientColorToGray。三个大方向都只选取一个比较常见的进行介绍：

// nGray =  0.299F * R + 0.587F * G + 0.114F * B; 
NppStatus nppiRGBToGray_8u_C3C1R(const Npp8u *pSrc,
								 int nSrcStep,
								 Npp8u *pDst,
								 int nDstStep,
								 NppiSize oSizeROI);
// nGray =  aCoeffs[0] * R + aCoeffs[1] * G + aCoeffs[2] * B;
NppStatus nppiColorToGray_8u_C3C1R(const Npp8u *pSrc,
								   int nSrcStep,
								   Npp8u *pDst,
								   int nDstStep,
								   NppiSize oSizeROI,
								   const Npp32f aCoeffs[3]);							 
// NppiNorm { max(inf) / sum(L1) / square root of sum of squares(L2) }
NppStatus nppiGradientColorToGray_8u_C3C1R(const Npp8u *pSrc,
										   int nSrcStep,
										   Npp8u *pDst,
										   int nDstStep,
										   NppiSize oSizeROI,
										   NppiNorm eNorm);
code
#include <iostream>
#include <cuda_runtime.h>
#include <npp.h>
#include <opencv2/opencv.hpp>

#define CUDA_FREE(ptr) { if (ptr != nullptr) { cudaFree(ptr); ptr = nullptr; } }

int main() {
  std::string directory = "../";

  // =============== load image ===============
  cv::Mat image_dog = cv::imread(directory + "dog.png");
  cv::cvtColor(image_dog, image_dog, CV_RGB2BGR);
  int image_width = image_dog.cols;
  int image_height = image_dog.rows;
  int image_size = image_width * image_height;

  // =============== device memory ===============
  uint8_t *in_ptr;
  cudaMalloc((void**)&in_ptr, image_size * 3 * sizeof(uint8_t));
  cudaMemcpy(in_ptr, image_dog.data, image_size * 3 * sizeof(uint8_t), cudaMemcpyHostToDevice);
  
  uint8_t *out_ptr1, *out_ptr2, *out_ptr3;
  cudaMalloc((void**)&out_ptr1, image_size * sizeof(uint8_t));
  cudaMalloc((void**)&out_ptr2, image_size * sizeof(uint8_t));
  cudaMalloc((void**)&out_ptr3, image_size * sizeof(uint8_t));

  NppiSize roi1, roi2;
  roi1.width = image_width;
  roi1.height = image_height;
  roi2.width = image_width / 2;
  roi2.height = image_height / 2;

  // =============== nppiRGBToGray_8u_C3C1R ===============
  cv::Mat out_image_gray = cv::Mat::zeros(image_height, image_width, CV_8UC1);
  NppStatus status;
  status = nppiRGBToGray_8u_C3C1R(in_ptr, image_width * 3, out_ptr1, image_width, roi1);
  if (status != NPP_SUCCESS) {
    std::cout << "[GPU] ERROR nppiRGBToGray_8u_C3C1R failed, status = " << status << std::endl;
    return false;
  }
  cudaMemcpy(out_image_gray.data, out_ptr1, image_size, cudaMemcpyDeviceToHost);
  cv::imwrite(directory + "rgb2gray.jpg", out_image_gray);

  // =============== nppiColorToGray_8u_C3C1R ===============
  float coeffs[3] = { 0.1f, 0.8f, 0.1f};
  status = nppiColorToGray_8u_C3C1R(in_ptr, image_width * 3, out_ptr2, image_width, roi1, coeffs);
  if (status != NPP_SUCCESS) {
    std::cout << "[GPU] ERROR nppiColorToGray_8u_C3C1R failed, status = " << status << std::endl;
    return false;
  }
  cudaMemcpy(out_image_gray.data, out_ptr2, image_size, cudaMemcpyDeviceToHost);
  cv::imwrite(directory + "color2rgb.jpg", out_image_gray);

  // =============== nppiGradientColorToGray_8u_C3C1R_Ctx ===============
  status = nppiGradientColorToGray_8u_C3C1R(in_ptr, image_width * 3, out_ptr3, image_width, roi1, nppiNormInf);
  if (status != NPP_SUCCESS) {
    std::cout << "[GPU] ERROR nppiGradientColorToGray_8u_C3C1R failed, status = " << status << std::endl;
    return false;
  }
  cudaMemcpy(out_image_gray.data, out_ptr3, image_size, cudaMemcpyDeviceToHost);
  cv::imwrite(directory + "gradient.jpg", out_image_gray);

  // free
  CUDA_FREE(in_ptr)
  CUDA_FREE(out_ptr1)
  CUDA_FREE(out_ptr2)
  CUDA_FREE(out_ptr3)
}
make

cmake_minimum_required(VERSION 3.20)
project(test)

find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})

find_package(CUDA REQUIRED)
include_directories(${CUDA_INCLUDE_DIRS})
file(GLOB CUDA_LIBS “/usr/local/cuda/lib64/*.so”)

add_executable(test test.cpp)
target_link_libraries(test
${OpenCV_LIBS}
${CUDA_LIBS}
)

result

请添加图片描述
注意点：

  1. Color2Gray的接口与RGB2Gray的区别主要在于三个通道是不是比例关系。由于都是灰度图的，ColorGray的变化与直接rgb的转换结果差异性不易从肉眼看出来，但是通过不同的比例组合明显看出图像是有区别的。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/950751.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

标准库STL容器使用值语义

标准库STL容器使用值语义

C自学精简实践教程 目录(必读) 标准库STL的容器都是值语义的。 即&#xff0c;无法将一个变量放到容器里。容器里存放的只是我们放进去的变量的拷贝&#xff08;副本&#xff09;。 示例&#xff1a; #include <iostream> #include <vector> using namespace s…
阅读更多...
【Apollo学习笔记】——规划模块TASK之RULE_BASED_STOP_DECIDER

【Apollo学习笔记】——规划模块TASK之RULE_BASED_STOP_DECIDER

文章目录 前言RULE_BASED_STOP_DECIDER相关配置RULE_BASED_STOP_DECIDER总体流程StopOnSidePassCheckClearDoneCheckSidePassStopIsPerceptionBlockedIsClearToChangeLaneCheckSidePassStopBuildStopDecisionELSE:涉及到的一些其他函数NormalizeAngleSelfRotate CheckLaneChang…
阅读更多...
创建python环境——Anaconda

创建python环境——Anaconda

在Windows中安装Anaconda和简单使用 一.Anaconda发行概述 Anaconda是一个可以便捷获取和管理包&#xff0c;同时对环境进行统一管理的发行版本&#xff0c;它包含了conda、 Python在内的超过180个科学包及其依赖项。 1.Anaconda发行版本具有以下特点&#xff1a; (1)包含了…
阅读更多...
Qt实现一个简单的放射式弹出菜单

Qt实现一个简单的放射式弹出菜单

Qt实现一个简单的放射式弹出菜单 实现效果&#xff1a; GitHub源码 支持特性 可设置弹出选项的起始角度与角度范围 按住中心按钮&#xff0c;可以拖拽窗口 动画支持&#xff0c;可以设置动画时间、选项的延迟弹出 设置菜单的布局对齐、边距&#xff0c;方便根据场景放置在…
阅读更多...
YOLO目标检测——蔬菜检测数据集下载分享

YOLO目标检测——蔬菜检测数据集下载分享

YOLO蔬菜检测数据集&#xff0c;真实场景的高质量图片数据&#xff0c;数据场景丰富&#xff0c;图片格式为jpg&#xff0c;共21000张图片。 数据集点击下载&#xff1a;YOLO蔬菜检测数据集21000图片数据说明.rar
阅读更多...
科研无人机平台P600进阶版，突破科研难题！

科研无人机平台P600进阶版，突破科研难题！

随着无人机技术日益成熟&#xff0c;无人机的应用领域不断扩大&#xff0c;对无人机研发的需求也在不断增加。然而&#xff0c;许多开发人员面临着无法从零开始构建无人机的时间和精力压力&#xff0c;同时也缺乏适合的软件平台来支持他们的开发工作。为了解决这个问题&#xf…
阅读更多...
7.Redis-list

7.Redis-list

list list常用命令lpushlrangelpushxrpushrpushxlpop / rpoplindexlinsertllenlremltrimlset 阻塞版本命令blpop/brpop 总结内部编码应用场景使用redis作为消息队列 redis中的 list 是一个双端队列, list 相当于是数组或者顺序表。list 并非是一个简单的数组&#xff0c;而是更…
阅读更多...
matlab使用教程(29)—微分方程实例

matlab使用教程(29)—微分方程实例

此示例说明如何使用 MATLAB 构造几种不同类型的微分方程并求解。MATLAB 提供了多种数值算法来求解各种微分方程&#xff1a; 1.初始值问题 vanderpoldemo 是用于定义 van der Pol 方程的函数 type vanderpoldemo function dydt vanderpoldemo(t,y,Mu) %VANDERPOLDEMO Defin…
阅读更多...
UDP协议的重要知识点

UDP协议的重要知识点

UDP&#xff0c;即用户数据报协议&#xff08;User Datagram Protocol&#xff09;&#xff0c;是一个简单的无连接的传输层协议。与TCP相比&#xff0c;UDP提供了更少的错误检查机制&#xff0c;并允许数据包在网络上更快地传输。在这篇博客中&#xff0c;我们将深入探讨UDP的…
阅读更多...
【请求报错：javax.net.ssl.SSLHandshakeException: No appropriate protocol】

【请求报错：javax.net.ssl.SSLHandshakeException: No appropriate protocol】

1、问题描述 在请求服务时报错说SSL握手异常协议禁用啥的 javax.net.ssl.SSLHandshakeException: No appropriate protocol (protocol is disabled or cipher suites are inappropriate)2、解决方法 在网上查找了方法原因后得知是jdk的问题 修改java.security 文件 Linu…
阅读更多...
UG\NX二次开发BlockUI 进入NX的BlockUI编辑界面

UG\NX二次开发BlockUI 进入NX的BlockUI编辑界面

文章作者：里海 来源网站：王牌飞行员_里海_里海NX二次开发3000例,里海BlockUI专栏,C\C++-CSDN博客 简介： 要使用BlockUI，需要先进入NX的BlockUI编辑界面。在低版本中，可以在Toolbar工具条中进入开始→所有应用模块→块UI样式编辑器；在高版本中，可以在Ribbon工具栏…
阅读更多...
iframe如何用？常见的一些套路

iframe如何用？常见的一些套路

文章目录 &#x1f30a;什么是iframe我们来看一个demoiframe的常用属性iframe的优缺点 &#x1f30a;点击劫持和安全策略&#x1f30a;postMessage通信postMessage &#x1f30a;iframe如何解决跨域资源链接 &#x1f30a;什么是iframe iframe 标签规定一个内联框架。内联框架…
阅读更多...
阿里云轻量应用服务器Linux-Centos7下Oracle19c的配置

阿里云轻量应用服务器Linux-Centos7下Oracle19c的配置

初始环境&#xff1a;阿里云轻量应用服务器已经安装Oracle19c 具体目标&#xff1a;配置Oracle Database 19c 目录 第一步&#xff1a;切换到Oracle命令行第二步&#xff1a;新建用户和表空间第三步&#xff1a;切换用户第四步&#xff1a;在当前用户下创建一些表第五步&#x…
阅读更多...
自动驾驶和辅助驾驶系统的概念性架构(一)

自动驾驶和辅助驾驶系统的概念性架构(一)

摘要&#xff1a; 本文主要介绍包括功能模块图&#xff0c;涵盖了底层计算单元、示例工作负载和行业标准。 前言 本文档参考自动驾驶计算联盟(Autonomous Vehicle Computing Consortium)关于自动驾驶和辅助驾驶计算系统的概念系统架构。 该架构旨在与SAE L1-L5级别的自动驾驶保…
阅读更多...
[Pandas] pandas.melt

[Pandas] pandas.melt

melt是溶解 / 分解的意思&#xff0c;即拆分数据 melt()函数可以将一些列的内容进行合并&#xff0c;把宽表整合成长表 语法格式 pandas.melt(frame, id_varsNone, value_varsNone, var_nameNone, value_namevalue)参数说明 frame&#xff1a;要处理的数据集 id_vars&#…
阅读更多...
超时取消订单

超时取消订单

博主介绍&#xff1a;✌全网粉丝3W&#xff0c;全栈开发工程师&#xff0c;从事多年软件开发&#xff0c;在大厂呆过。持有软件中级、六级等证书。可提供微服务项目搭建与毕业项目实战&#xff0c;博主也曾写过优秀论文&#xff0c;查重率极低&#xff0c;在这方面有丰富的经验…
阅读更多...
BlockUI专栏目录

BlockUI专栏目录

文章作者&#xff1a;里海 来源网站&#xff1a;王牌飞行员_里海_里海NX二次开发3000例,里海BlockUI专栏,C\C-CSDN博客 简介&#xff1a; BlockUI是一个设计NX对话框的工具&#xff0c;是官方推荐使用的对话框制作方法&#xff0c;能够与NX自身风格相统一&#xff0c;并且在实际…
阅读更多...
el-checkbox 多选搜索查询，搜索后选中状态仍保留

el-checkbox 多选搜索查询，搜索后选中状态仍保留

<template><div><div class"half-transfer"><div class"el-transfer-panel"><div><el-checkbox v-model"selectAll" change"handleSelectAll">全部</el-checkbox></div><el-input…
阅读更多...
java入坑之泛型

java入坑之泛型

一、泛型入门 1.1基础概念 Java泛型是JDK 5中引入的一个新特性&#xff0c;它提供了编译时类型安全检测机制&#xff0c;该机制允许程序员在编译时检测到非法的类型 泛型的本质是参数化类型&#xff0c;也就是说所操作的数据类型被指定为一个参数。这意味着你可以使用一套代码…
阅读更多...
【Jetpack】Navigation 导航组件 ⑤ ( NavigationUI 类使用 )

【Jetpack】Navigation 导航组件 ⑤ ( NavigationUI 类使用 )

文章目录 一、NavigationUI 类简介二、NavigationUI 类使用流程1、创建 Fragment2、创建 NavigationGraph3、Activity 导入 NavHostFragment4、创建菜单5、Activity 界面开发 NavigationUI 的主要逻辑 ( 重点 )a、添加 Fragment 布局b、处理 Navigation 导航逻辑 ( 重点 )c、启…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023