接口OpenCV'；用于矩阵乘法的带blas的s Mat容器
我正在处理UHD（2160 x 3840）图像。 其中一个处理是在X轴和Y轴上处理Sobel滤波，然后我必须将每个输出矩阵乘以它的转置，然后我将梯度图像处理为梯度和的平方根 所以：S=sqrt（S_x*S_x^t+S_y*S_y^t） 由于图像的尺寸，OpenCV在不使用多线程的情况下最多需要20秒来处理，而使用多线程的情况下则需要10秒 我知道OpenCV调用OpenCL是为了加快过滤操作，所以我认为要想从过滤步骤中获得性能，可能需要很长时间 对于矩阵乘法，我从OpenCV的OpenCLGEMM内核实现中体验到一种不稳定性 所以我想尝试使用OpenBLAS insted 我的问题是： 1.） 我编写了以下代码，但接口OpenCV的Mat对象面临一些问题：接口OpenCV'；用于矩阵乘法的带blas的s Mat容器,opencv,matrix-multiplication,openblas,Opencv,Matrix Multiplication,Openblas,我正在处理UHD（2160 x 3840）图像。 其中一个处理是在X轴和Y轴上处理Sobel滤波，然后我必须将每个输出矩阵乘以它的转置，然后我将梯度图像处理为梯度和的平方根 所以：S=sqrt（S_x*S_x^t+S_y*S_y^t） 由于图像的尺寸，OpenCV在不使用多线程的情况下最多需要20秒来处理，而使用多线程的情况下则需要10秒 我知道OpenCV调用OpenCL是为了加快过滤操作，所以我认为要想从过滤步骤中获得性能，可能需要很长时间 对于矩阵乘法，我从OpenCV的OpenCLGEM
template<class _Ty>
void mm(cv::Mat& A,cv::Mat& B,cv::Mat& C)
{
static_assert(true,"support matrix_multiply is only defined for floating precision numbers.");
}
template<>
inline void mm<float>(cv::Mat& A,cv::Mat& B,cv::Mat& C)
{
const int M = A.rows;
const int N = B.cols;
const int K = A.cols;
cblas_sgemm( CblasRowMajor ,// 1
CblasNoTrans, // 2 TRANSA
CblasNoTrans, // 3 TRANSB
M, // 4 M
N, // 5 N
K, // 6 K
1., // 7 ALPHA
A.ptr<float>(),//8 A
A.rows, //9 LDA
B.ptr<float>(),//10 B
B.rows, //11 LDB
0., //12 BETA
C.ptr<float>(),//13 C
C.rows); //14 LDC
}
template<>
inline void mm<double>(cv::Mat& A,cv::Mat& B,cv::Mat& C)
{
cblas_dgemm(CblasRowMajor,CblasNoTrans,CblasNoTrans,A.rows,B.cols,A.cols,1.,A.ptr<double>(),A.rows,B.ptr<double>(),B.cols,0.,C.ptr<double>(),C.rows);
}
void matrix_multiply(cv::InputArray _src1, cv::InputArray _src2, cv::OutputArray _dst)
{
CV_DbgAssert( (_src1.isMat() || _src1.isUMat()) && (_src1.kind() == _src2.kind()) &&
(_src1.depth() == _src2.depth()) && (_src1.depth() == CV_32F) && (_src1.depth() == _src1.type()) &&
(_src1.rows() == _src2.cols())
);
cv::Mat src1 = _src1.getMat();
cv::Mat src2 = _src2.getMat();
cv::Mat dst;
bool cpy(false);
if(_dst.rows() == _src1.rows() && _dst.cols() == _src2.cols() && _dst.type() == _src1.type())
dst = _dst.getMat();
else
{
dst = cv::Mat::zeros(src1.rows,src2.cols,src1.type());
cpy = true;
}
if(cpy)
dst.copyTo(_dst);
}
模板
空隙mm（cv:Mat&A、cv:Mat&B、cv:Mat&C）
{
静态_断言（true，“支持矩阵_乘法仅定义为浮点数”）；
}
模板
内联空隙mm（cv:：Mat&A、cv:：Mat&B、cv:：Mat&C）
{
const int M=A.行；
常数int N=B.cols；
常数int K=A.cols；
cblas_sgemm（CBLASROWMARGE，//1
CblasNoTrans，//2交易
CblasNoTrans，//3 TRANSB
M、 //4米
N、 //5 N
K、 //6K
1.，//7α
A.ptr（），//8 A
A.rows，//9 LDA
B.ptr（），//10 B
B.rows，//11 LDB
0.，//12贝塔
C.ptr（），//13 C
C.rows）；//14 LDC
}
模板
内联空隙mm（cv:：Mat&A、cv:：Mat&B、cv:：Mat&C）
{
cblas_dgemm（CblasRowMajor，CblasNoTrans，CblasNoTrans，A.rows，B.cols，A.cols，1.，A.ptr（），A.rows，B.ptr（），B.cols，0.，C.ptr（），C.rows）；
}
空矩阵乘法（cv:：InputArray src1，cv:：InputArray src2，cv:：OutputArray dst）
{
CV_DbgAssert（（_src1.isMat（）| | u src1.isUMat（））&&（_src1.kind（）==_src2.kind（））&&
（\u src1.depth（）&&
（_src1.rows（）==_src2.cols（））
);
cv:：Mat src1=_src1.getMat（）；
cv:：Mat src2=_src2.getMat（）；
cv：：Mat dst；
boolcpy（假）；
如果（_dst.rows（）
dst=_dst.getMat（）；
其他的
{
dst=cv:：Mat:：zeros（src1.rows、src2.cols、src1.type（））；
cpy=真；
}
if（cpy）
dst.copyTo（_dst）；
}
提前感谢您的帮助。我找到了问题1）的解决方案。 我的第一个实现基于BLAS库的文档。 BLAS已经用FORTRAN语言编写，在这个语言中索引开始于1，而不是在C或C++中的0。 另一件事是许多图书馆用FORTRAN语言编写的存储在列顺序（例如BLAS，LAPACK）的存储器，而不是大多数C或C++库（例如OpenCV）按顺序排列存储器。 将这两个属性计入计数后，我将代码修改为：
template<class _Ty>
void mm(cv::Mat& A,cv::Mat& B,cv::Mat& C)
{
static_assert(true,"The function gemm is only defined for floating precision numbers.");
}
template<>
void mm<float>(cv::Mat& A,cv::Mat& B,cv::Mat& C)
{
const int M = A.cols+1;
const int N = B.rows;
const int K = A.cols;
cblas_sgemm( CblasRowMajor ,// 1
CblasNoTrans, // 2 TRANSA
CblasNoTrans, // 3 TRANSB
M, // 4 M
N, // 5 N
K, // 6 K
1., // 7 ALPHA
A.ptr<float>(),//8 A
A.step1(), //9 LDA
B.ptr<float>(),//10 B
B.step1(), //11 LDB
0., //12 BETA
C.ptr<float>(),//13 C
C.step1()); //14 LDC
}
template<>
void mm<double>(cv::Mat& A,cv::Mat& B,cv::Mat& C)
{
const int M = A.cols+1;
const int N = B.rows;
const int K = A.cols;
cblas_dgemm( CblasRowMajor ,// 1
CblasNoTrans, // 2 TRANSA
CblasNoTrans, // 3 TRANSB
M, // 4 M
N, // 5 N
K, // 6 K
1., // 7 ALPHA
A.ptr<double>(),//8 A
A.step1(), //9 LDA
B.ptr<double>(),//10 B
B.step1(), //11 LDB
0., //12 BETA
C.ptr<double>(),//13 C
C.step1()); //14 LDC
}
模板
空隙mm（cv:Mat&A、cv:Mat&B、cv:Mat&C）
{
static_assert（true，“函数gemm仅为浮点数定义”）；
}
模板
空隙mm（cv:Mat&A、cv:Mat&B、cv:Mat&C）
{
常数int M=A.cols+1；
常量int N=B行；
常数int K=A.cols；
cblas_sgemm（CBLASROWMARGE，//1
CblasNoTrans，//2交易
CblasNoTrans，//3 TRANSB
M、 //4米
N、 //5 N
K、 //6K
1.，//7α
A.ptr（），//8 A
A.step1（），//9 LDA
B.ptr（），//10 B
B.step1（），//11 LDB
0.，//12贝塔
C.ptr（），//13 C
C.step1（））；//14 LDC
}
模板
空隙mm（cv:Mat&A、cv:Mat&B、cv:Mat&C）
{
常数int M=A.cols+1；
常量int N=B行；
常数int K=A.cols；
cblas_dgemm（CblasRowMajor，//1
CblasNoTrans，//2交易
CblasNoTrans，//3 TRANSB
M、 //4米
N、 //5 N
K、 //6K
1.，//7α
A.ptr（），//8 A
A.step1（），//9 LDA
B.ptr（），//10 B
B.step1（），//11 LDB
0.，//12贝塔
C.ptr（），//13 C
C.step1（））；//14 LDC
}