如何在Linux C++中利用多線程加速圖像處理

在Linux環(huán)境下，使用C++和多線程可以有效地加速圖像處理任務(wù)

1. 引入頭文件：

#include <iostream>
#include <vector>
#include <thread>
#include <mutex>
#include <condition_variable>
#include <opencv2/opencv.hpp>

2. 定義全局變量：

std::vector<cv::Mat> images; // 存儲(chǔ)圖像
std::vector<std::thread> threads; // 存儲(chǔ)線程
std::mutex mtx; // 互斥鎖
std::condition_variable cv; // 條件變量
bool done = false; // 標(biāo)記所有線程是否完成

3. 圖像處理函數(shù)：

void processImage(int start, int end) {
    // 在這里執(zhí)行圖像處理任務(wù)
    // 例如，將圖像轉(zhuǎn)換為灰度圖
    cv::Mat &image = images[start];
    cv::cvtColor(image, image, cv::COLOR_BGR2GRAY);

    // 處理完成后通知主線程
    std::unique_lock<std::mutex> lock(mtx);
    cv.notify_one();
}

4. 主函數(shù)：

int main() {
    // 讀取圖像并存儲(chǔ)到vector中
    cv::Mat image1 = cv::imread("image1.jpg");
    cv::Mat image2 = cv::imread("image2.jpg");
    images.push_back(image1);
    images.push_back(image2);

    // 創(chuàng)建線程并分配任務(wù)
    int num_threads = std::thread::hardware_concurrency(); // 獲取系統(tǒng)支持的線程數(shù)
    int images_per_thread = images.size() / num_threads;
    for (int i = 0; i < num_threads; ++i) {
        int start = i * images_per_thread;
        int end = (i == num_threads - 1) ? images.size() : (i + 1) * images_per_thread;
        threads.emplace_back(processImage, start, end);
    }

    // 等待所有線程完成
    {
        std::unique_lock<std::mutex> lock(mtx);
        cv.wait(lock, []{ return done; });
    }

    // 處理后的圖像存儲(chǔ)到vector中
    std::vector<cv::Mat> processed_images;
    for (auto &t : threads) {
        t.join();
    }

    // 將處理后的圖像保存到文件
    for (size_t i = 0; i < processed_images.size(); ++i) {
        cv::imwrite("processed_image" + std::to_string(i) + ".jpg", processed_images[i]);
    }

    return 0;
}

這個(gè)示例中，我們首先讀取圖像并將它們存儲(chǔ)到一個(gè)vector中。然后，我們創(chuàng)建一個(gè)線程池，并根據(jù)硬件并發(fā)級(jí)別將圖像處理任務(wù)分配給每個(gè)線程。每個(gè)線程處理其分配的圖像子集，并在完成后通知主線程。最后，主線程等待所有線程完成，并將處理后的圖像保存到文件。

注意：這個(gè)示例僅用于演示目的，實(shí)際圖像處理任務(wù)可能需要根據(jù)具體需求進(jìn)行調(diào)整。