C++ 执行数千次比较的最快方式

我正在开发一个图像处理工具，它可以将RGB颜色转换为人类可读的关键字。 我需要：

初始化/声明1000个静态已知元素集

在一个动态元件和整个1000个元件之间进行10次比较（总共10×1000次比较）

重复步骤1和2，生成数千张图像

每个元素都是如下所示的结构：

struct KnownColor{
    cv::Scalar rgb;
    std::string name;
    std::vector<std::string> strings;

    KnownColor ( cv::Scalar rgb, std::string name, std::vector<std::string> strings) :
        rgb(rgb),
        name(name),
        strings(strings) {};
};

struct KnownColor{
标量rgb；
std：：字符串名；
std：：向量字符串；
KnownColor（cv:：标量rgb、std:：字符串名称、std:：向量字符串）：
rgb（rgb），
姓名，
字符串（字符串）{}；
};

目前，我正在使用静态

std:：vector

来存储它们。为了初始化这个向量，我正在使用一个名为once的函数，我将1000个元素放入向量中。使用KnownColor构造函数初始化每个结构：

static std::vector<CustomStruct> Vector;    

void vectorInit() //I call this only once per image:
{
    ...
    Vector.push_back(KnownColor(Scalar(188,198,204),"Metallic Silver",std::vector<std::string>{"gray"}));
    Vector.push_back(KnownColor(Scalar(152,175,199),"Blue Gray",std::vector<std::string>{"gray","blue"}));
    ... (1000 push_back in total)
}

static std:：vector；
void vectorInit（）//我对每个图像只调用一次：
{
...
Vector.push_back（已知颜色（标量（188198204），“金属银”，标准：：Vector{“gray”}）；
Vector.push_back（已知颜色（标量（152175199），“蓝灰色”，std:：Vector{“灰色”，“蓝色”}）；
…（总共向后推1000个）
}

比较函数是返回最接近“knownColor”的标量与其人类可读关键字之间的自定义欧氏距离：

double min = std::numeric_limits<double>::max();
int index=0;
for(int i=0; i<KnownColors.size(); i++)
{
    double tmp = scalarLABDistance(rgb,KnownColors[i].rgb);
    if(tmp < distanceThreshold )
    {
        min = tmp;
        break;
    }
    if(tmp < min )
    {
        min = tmp;
        index = i;
    }
}
return KnownColors[index].strings;

double min=std:：numeric_limits:：max（）；
int指数=0；
对于（int i=0；i我在类似情况下所做的是编写一个程序，用我需要的数据结构为我构建一个C文件。通常我用Perl或Python编写。数据可能是生成的，也可能是从数据文件读取的

您可以在编译时构建Boost数组，这不需要初始化时间。但是，在任何桌面类型的CPU上，将1000个元素写入向量应该是非常快的

搜索1000个元素是一个更大的问题

你说你在寻找欧几里德距离。游戏开发者用来解决这个问题的是一种称为二进制空间划分的技术。这可能会对你有所帮助。它的工作原理，非常粗略地说，是一个二维空间被划分为4个正方形。一个三维空间被划分为8个立方体。然后每个空间被进一步划分，直到最小的美国不可分割的单位。这提供了一种快速搜索树的方法。但搜索不适合一个分区的区域时会变得复杂。您可能会决定搜索多棵树，或者在它接触的所有树中放置对象的副本。对于圆或球体，您可能会返回到完美的距离计算，或者您可以将其细分为多个分区正方形/立方体，直到最小的单位，并称之为足够接近。有很多例子和文献

而且，我几乎可以肯定，您可以对其进行散列，因为2D BSP中的一个点是一个由2位位置值组成的字符串，它只是一个大小不同的整数，具体取决于您的BSP分辨率

看起来另一个很好的选择可能是kd树，这是一个“k”维度树。我没有使用过维度树，但从我刚刚读到的关于维度树的内容来看，它们在这方面非常有用。
在类似的情况下，我所做的是编写一个程序，为我构建一个C文件，其中包含我需要的数据结构。通常我用Perl或Python编写。数据可能会生成，也可能从da读取ta文件

您可以在编译时构建Boost数组，这不需要初始化时间。但是，在任何桌面类型的CPU上，将1000个元素写入向量应该是非常快的

搜索1000个元素是一个更大的问题

你说你在寻找欧几里德距离。游戏开发者用来解决这个问题的是一种称为二进制空间划分的技术。这可能会对你有所帮助。它的工作原理，非常粗略地说，是一个二维空间被划分为4个正方形。一个三维空间被划分为8个立方体。然后每个空间被进一步划分，直到最小的美国不可分割的单位。这提供了一种快速搜索树的方法。但搜索不适合一个分区的区域时会变得复杂。您可能会决定搜索多棵树，或者在它接触的所有树中放置对象的副本。对于圆或球体，您可能会返回到完美的距离计算，或者您可以将其细分为多个分区正方形/立方体，直到最小的单位，并称之为足够接近。有很多例子和文献

而且，我几乎可以肯定，您可以对其进行散列，因为2D BSP中的一个点是一个由2位位置值组成的字符串，它只是一个大小不同的整数，具体取决于您的BSP分辨率

看起来另一个很好的选择可能是kd树，这是一个“k”维度树。我没有使用过维度树，但从我刚刚读到的关于维度树的内容来看，它们在这方面非常有用。
在类似的情况下，我所做的是编写一个程序，为我构建一个C文件，其中包含我需要的数据结构。通常我用Perl或Python编写。数据可能会生成，也可能从da读取ta文件

您可以在编译时构建Boost数组，这不需要初始化时间。但是，在任何桌面类型的CPU上，将1000个元素写入向量应该是非常快的

搜索1000个元素是一个更大的问题

你说你在寻找欧几里德距离。游戏开发者用来解决这个问题的是一种称为二进制空间划分的技术。这可能会对你有所帮助。它的工作原理，非常粗略地说，是一个二维空间被划分为4个正方形。一个三维空间被划分为8个立方体。然后每个空间被进一步划分，直到最小的美国可分割单元。这提供了一种快速搜索树的方法。但在搜索不适合一个分区的区域时，它会变得复杂。您可能会决定搜索多棵树，或者在它接触的所有树中放置对象的副本。对于圆或球体，您可能会落在树上