C++ 对直方图使用OpenCV原始指针和lambda的不同结果

尝试使用lambda重写OpenCV代码，因为它们非常快。但结果表明，直方图值并不完全相同，这影响了以后的计算

这是我看到的一些日志。我期望相同的颜色通道（r、g、b），它们的直方图值应该相同

hist b 255=274163
hist2 b255=271049
历史g 255=260360
hist2 g255=258447
历史r 255=257104
hist2 r255=255348
运行时间：136759us（136.759ms）
历史B255=274289
hist2 b255=271266
历史g 255=260346
hist2 g255=258108
历史r 255=257084
hist2 r255=255236
运行时间：135269us（135.269ms）
历史B255=274294
hist2 b255=271183
历史g 255=260342
hist2 g255=258242
历史r 255=257099
hist2 r255=255197
运行时间：142417us（142.417ms）
历史B255=274218
hist2 b255=271021
历史g 255=260375
hist2 g255=258768
历史r 255=257039
hist2 r255=255643
运行时间：138296us（138.296ms）

这是我的密码

//使用原始指针访问
std:：vector hists（3，std:：vector（256,0））；
对于（int y=0；y<_opencvImage.rows；++y）
{
uchar*ptr=_opencvImage.ptr（y）；
对于（int x=0；x<_opencvImage.cols；++x）
{
对于（int j=0；j<3；++j）
{
hists[j][ptr[x*3+j]]+=1；
}
}
}
//使用lambda
std:：vector hist_检验（3，std:：vector（256,0））；
_opencvImage.forEach(
[&hist_test]（像素和像素，常量int*pos）->void{
hist_测试[0][pixel.x]++；
历史检验[1][pixel.y]++；
hist_测试[2][pixel.z]++；
}
);
printf（“hist b 255=%d\r\n”，hist[0][255]）；
printf（“hist2 b255=%d\r\n”，hist_测试[0][255]）；
printf（“hist g 255=%d\r\n”，hist[1][255]）；
printf（“hist2 g255=%d\r\n”，hist_test[1][255]）；
printf（“histr 255=%d\r\n”，hists[2][255]）；
printf（“hist2 r255=%d\r\n”，histu测试[2][255]）；

您遇到的问题是竞争条件，我简化了您的示例，并试图了解您使用的是什么类型的

Pixel

：

int main()
{
    using Pixel = cv::Point3_<uint8_t>;
    cv::Mat _opencvImage(120, 120, CV_8UC3, cv::Scalar(0, 0, 0));

    std::vector<std::vector<int>> hist_test(3, std::vector<int>(256, 0));
    _opencvImage.forEach<Pixel>(
        [&hist_test](Pixel& pixel, const int* pos) -> void {
            hist_test[0][pixel.x]++;
            hist_test[1][pixel.y]++;
            hist_test[2][pixel.z]++;
        }
    );


    printf("hist2 b255= %d\r\n", hist_test[0][0]);
    printf("hist2 g255= %d\r\n", hist_test[1][0]);
    printf("hist2 r255= %d\r\n", hist_test[2][0]);
}

序列化对直方图的访问可以获得正确的结果，但显然会抵消使用更多线程带来的性能提升

---

现在，有很多方法可以获得您想要的性能，例如，您可以并行计算不相交区域中的直方图，然后将它们相加。但是我建议使用OpenCV的功能，它可以完全满足您的需要，您可以找到一个官方教程。我浏览了

calcHist

的部分，我可以看到

calcHist

已经利用了加速功能（我可以看到对OpenVX和IPP实现的调用）。因此，我认为您的代码不可能比OpenCV附带的代码表现得更好，除非您有一个非常特殊的用例，并且愿意投入大量时间。

感谢您的详细和即时回复！在lambda中添加另一个捕获计数像素后，我发现了这个多线程的问题。按照您的建议使用

calcHist

后，我的自动白平衡运行速度比以前快得多。

#include <mutex>
int main()
{
    using Pixel = cv::Point3_<uint8_t>;
    cv::Mat _opencvImage(120, 120, CV_8UC3, cv::Scalar(0, 0, 0));

    std::vector<std::vector<int>> hist_test(3, std::vector<int>(256, 0));
    std::mutex mx;
    _opencvImage.forEach<Pixel>(
        [&hist_test, &mx](Pixel& pixel, const int* pos) -> void {
            std::lock_guard<std::mutex> lck{ mx };
            hist_test[0][pixel.x]++;
            hist_test[1][pixel.y]++;
            hist_test[2][pixel.z]++;
        }
    );


    printf("hist2 b255= %d\r\n", hist_test[0][0]);
    printf("hist2 g255= %d\r\n", hist_test[1][0]);
    printf("hist2 r255= %d\r\n", hist_test[2][0]);
}