C++ 位图上的并发腐蚀或扩展

我需要在位图上做一个形态学操作（一个专门的扩展/腐蚀版本）。 为了加快速度，我正在使用openmp并行化进程：

  int* bitmap = ...;              // pointer to bitmap data with width and height
#pragma omp parallel for
   for(long iy=0; iy<height; iy++) 
      for(long ix=0; ix<width; ix++) 
         if(write_pattern(ix,iy)) 
            apply_pattern(ix,iy, 0);   // writes "0" to bitmap, write only, no read

int*位图=…；//指向具有宽度和高度的位图数据的指针
#pragma-omp并行
对于（long iy=0；iy我不太介意并行化，但我想指出，并行化膨胀/侵蚀并不是我在这里的首选

通过膨胀/侵蚀，您可以对像素周围的结构元素执行最大/最小操作。例如，如果您有一个5x5窗口，您可以查看每个像素的25个像素，因此本质上您可以查看每个像素25次。因此，每个像素的计算复杂度与pixe中结构元素的大小成正比我对这种幼稚的方法很感兴趣

使用更高效的算法计算形态算子，你可以降低这种复杂性，甚至可以降低到恒定的复杂性（每像素），而不管结构元素的大小。有很多关于这方面的文献，我在最后包括了一些参考文献，他们还引用了其他论文并进行了比较

我不知道您所处的环境，以及性能有多重要。但并行化将是我所做的最后一步。首先，我会让算法运行，而不管性能如何。一旦我对此感到满意（或者对运行时感到恼火，我愿意做些事情），我改进为一个更高效的解算器。如果最后，我仍然需要稍微推动运行时，我会并行化（或者考虑使用GPU是否有意义）

如果你现在进行并行化，你可能会得到一些加速，但是你会在提高性能的算法改进上失败

现在，正如承诺的那样，两篇关于高效形态过滤器的论文：
提出了一种基于结构元素的O（1）算法，并对经典的有效算法进行了比较/引用。
看起来也不错。我还没有详细阅读，但我在我的研究领域认识Ron Kimmel，这可能是一本不错的书。
我不太介意并行化，但我想指出，并行化膨胀/侵蚀不是我在这里选择的第一选择

通过膨胀/侵蚀，您可以对像素周围的结构元素执行最大/最小操作。例如，如果您有一个5x5窗口，您可以查看每个像素的25个像素，因此本质上您可以查看每个像素25次。因此，每个像素的计算复杂度与pixe中结构元素的大小成正比我对这种幼稚的方法很感兴趣

使用更高效的算法计算形态算子，你可以降低这种复杂性，甚至可以降低到恒定的复杂性（每像素），而不管结构元素的大小。有很多关于这方面的文献，我在最后包括了一些参考文献，他们还引用了其他论文并进行了比较

我不知道您所处的环境，以及性能有多重要。但并行化将是我所做的最后一步。首先，我会让算法运行，而不管性能如何。一旦我对此感到满意（或者对运行时感到恼火，我愿意做些事情），我改进为一个更高效的解算器。如果最后，我仍然需要稍微推动运行时，我会并行化（或者考虑使用GPU是否有意义）

如果你现在进行并行化，你可能会得到一些加速，但是你会在提高性能的算法改进上失败

现在，正如承诺的那样，两篇关于高效形态过滤器的论文：
提出了一种基于结构元素的O（1）算法，并对经典的有效算法进行了比较/引用。
看起来也不错。我还没有详细阅读过它，但我在我的研究领域认识Ron Kimmel，这可能是一本不错的书。
OpenMP是一种共享内存范例。如果你能保证你所有的不同进程都会将相同的值写入相同的位置，那么让它们这样做是可以的。有竞争条件，但ey不会影响结果

这为您提供了以下代码：

int* bitmap = ...;              // pointer to bitmap data with width and height

#pragma omp parallel for collapse(2)
for(long iy=0; iy<height; iy++) 
for(long ix=0; ix<width; ix++) 
  if(write_pattern(ix,iy)) 
    apply_pattern(ix,iy, 0);   // writes "0" to bitmap, write only, no read

如果写入成本很高，您可以对
模式的内容进行一些处理，以合并写入、消除冗余写入、对写入进行拓扑排序等。
OpenMP是一种共享内存模式。如果您可以保证所有不同的进程都将相同的值写入相同的位置，那么就可以了有比赛条件，但不会影响比赛结果

这为您提供了以下代码：

int* bitmap = ...;              // pointer to bitmap data with width and height

#pragma omp parallel for collapse(2)
for(long iy=0; iy<height; iy++) 
for(long ix=0; ix<width; ix++) 
  if(write_pattern(ix,iy)) 
    apply_pattern(ix,iy, 0);   // writes "0" to bitmap, write only, no read

如果书写成本很高，您可以对
模式的内容进行一些处理，以合并写入、消除冗余写入、对写入进行拓扑排序，&c.
您描述的内容听起来不正常-但如果没有一个具体的答案，就不可能给出具体的答案。您描述的内容听起来不正常-但不可能给出具体的答案没有一个。很好的答案。算法在大多数情况下在性能上都优于并行性，尽管它们需要花费更多的精力来编写代码。虽然不是100%适用于我的问题，但它让我得出结论，将结构元素拆分为多个片段，这些片段的像素位于连续的内存位置。现在我并行处理这些片段。这使e以下优点：段不重叠（无快速写入）还有更好的缓存利用率。回答得好。算法在大多数情况下的性能都优于并行性，尽管它们需要花费更多的精力来编写代码。虽然不是100%适用于我的问题，但它让我得出结论，将结构元素拆分为多个片段，这些片段的像素位于连续的内存位置。现在我并行处理这些片段lel。这提供了以下优点：段不重叠（无快速写入）和更好的缓存利用率。我想简单总结一下这个答案：如果使用并行，不要
int* bitmap = ...;              // pointer to bitmap data with width and height

typedef std::pair<long,long> gridloc;
std::vector<gridloc> patterns;

//Use a custom reduction operator, available in newer versions of OpenMP
#pragma omp declare reduction (merge : std::vector<gridloc> : omp_out.insert(omp_out.end(), omp_in.begin(), omp_in.end()))
#pragma omp parallel for collapse(2) reduction(merge:patterns)
for(long iy=0; iy<height; iy++) 
for(long ix=0; ix<width; ix++) 
  if(write_pattern(ix,iy)) {
    patterns.emplace_back(ix,iy)
  }

for(const auto &c: patterns)
  apply_pattern(c.first,c.second, 0);   // writes "0" to bitmap, write only, no read