一、opecnCL简介
OpenCL(全称Open Computing Language,开放运算语言)是第一个面向异构系统通用目的并行编程的开放式、免费标准,也是一个统一的编程环境,便于软件开发人员为高性能计算服务器、桌面计算系统、手持设备编写高效轻便的代码,而且广泛适用于多核心处理器(CPU)、图形处理器(GPU)、Cell类型架构以及数字信号处理器(DSP)等其他并行处理器,在游戏、娱乐、科研、医疗等各种领域都有广阔的发展前景。(抄自百度百科)
简单的理解,openCL是一种规范,也是一门语言,使用它,可以调用其他处理器如GPU、FPAG、CPU等用于运行代码,代码就是openCL语言写的(在c语言的基础上增加一些特性)。本文使用openCL调用GPU运行代码。
二、rk3588搭建openCL环境
笔者使用的rk3588固件时是RK官网的ubuntu固件,名字为:ROC-RK3588S-PC_Ubuntu20.04-Gnome-r2202_v1.0.4b_221118.7z。使用官方提供的下载工具 RKDevTool_Release_v2.84下载固件到板子里面。
在终端里面使用find指令,可以看到openCL对应的库文件和头文件。
笔者的板子里面有多个OpenCL库,windows下面指定的库名字时OpenCL,但我这里实际用到的OpenCL库名字时-lmali。笔者使用makefile编译程序,在makefile里面添加对应的库路径和库名字(g++可以找到open CL的头文件)。
OPENCL_LDLIBS = -lmali
OPENCL_LDLIBS_PATH = -L/usr/lib/aarch64-linux-gnu
三、使用OpenCL
OpenCL的环境还是比较容易搭建的。下面用一个简单的demo展示下rk3588上的mali-610 GPU的效果。
之前做图像处理时,写了灰度世界算法(自动白平衡算法的一种),功能就是把摄像头的图像进行白平衡处理,原理请参考其他的博客。代码写的比较简单,用了openCV的库打开图像,CPU版本代码如下。
/*
灰度世界法
dst_img_buffer: 存放处理过的图像缓存区,默认24位BGR格式
src_img_buffer: 原始图像缓存区
img_w: 图像宽
img_h: 图像高
无返回值
*/
void GrayWorldMethod(unsigned char* dst_img_buffer, const unsigned char* src_img_buffer, const int img_w, const int img_h)
{
int src_img_w = img_w;
int src_img_h = img_h;
const unsigned long img_size = src_img_w * src_img_h; //图像像素尺寸大小
const unsigned long img_size_byte = (src_img_w * src_img_h) * 3; //图像占用多少字节,
unsigned long long m_R = 0, m_G = 0, m_B = 0; // RGB分量的平均值
float R, G, B;
unsigned char* src_rgb[3]; // 存放RGB分量
src_rgb[0] = (unsigned char*)malloc(img_size_byte); // R
src_rgb[1] = (unsigned char*)malloc(img_size_byte); // G
src_rgb[2] = (unsigned char*)malloc(img_size_byte); // B
//分离 rgb分量,并储存到src_rgb中
for (int y = 0; y < src_img_h; ++y) {
for (int x = 0; x < src_img_w; ++x) {
src_rgb[0][(src_img_w * y + x)] = src_img_buffer[(src_img_w * y + x) * 3 + 2];
src_rgb[1][(src_img_w * y + x)] = src_img_buffer[(src_img_w * y + x) * 3 + 1];
src_rgb[2][(src_img_w * y + x)] = src_img_buffer[(src_img_w * y + x) * 3 + 0]; //
m_R += src_rgb[0][src_img_w * y + x]; //R
m_G += src_rgb[1][src_img_w * y + x]; //G
m_B += src_rgb[2][src_img_w * y + x]; //B
}
}
R = m_R * 1.0 / img_size;
G = m_G * 1.0 / img_size;
B = m_B * 1.0 / img_size;
//计算RGB对应的系数
float K = (R + G + B) / 3.0f, Kr = K / R, Kg = K / G, Kb = K / B;
// 将RGB进行变换 并写入图像缓冲中
int Tr, Tg, Tb = 0;
for (int y = 0; y < src_img_h; ++y) {
for (int x = 0; x < src_img_w; ++x) {
Tr = (src_rgb[0][src_img_w * y + x] * Kr);
Tg = (src_rgb[1][src_img_w * y + x] * Kg);
Tb = (src_rgb[2][src_img_w * y + x] * Kb);
dst_img_buffer[(src_img_w * y + x) * 3 + 2] = Tr > 255 ? 255 : Tr;
dst_img_buffer[(src_img_w * y + x) * 3 + 1] = Tg > 255 ? 255 : Tg;
dst_img_buffer[(src_img_w * y + x) * 3 + 0] = Tb > 255 ? 255 : Tb;
}
}
free(src_rgb[0]);
free(src_rgb[1]);
free(src_rgb[2]);
}
GPU版本代码如下。参数含义参考CPU版本。
unsigned int m_R = 0, m_G = 0, m_B = 0;
/*
计算RGB分量平均值
*/
__kernel void MeanRGB(
__global unsigned char* src_img_buffer,
const int img_w)
{
int w = get_global_id(0);
int h = get_global_id(1);
//对每个RGB分量进行运算
int r = 0, g = 0, b = 0;
r = src_img_buffer[(h * img_w + w) * 3 + 2];
g = src_img_buffer[(h * img_w + w) * 3 + 1];
b = src_img_buffer[(h * img_w + w) * 3 + 0];
atomic_add(&m_R, r); //必须原子访问
atomic_add(&m_G, g);
atomic_add(&m_B, b);
}
/*
对图像进行灰度时间算法处理。
*/
__kernel void GrayWorldMethod(
__global unsigned char* dst_img_buffer,
__global const unsigned char* src_img_buffer,
const int img_w,
const int img_h)
{
float R, G, B;
unsigned int img_size = img_w * img_h;
int Tr, Tg, Tb = 0;
int w = get_global_id(0);
int h = get_global_id(1);
R = m_R * 1.0 / img_size;
G = m_G * 1.0 / img_size;
B = m_B * 1.0 / img_size;
//计算RGB对应的系数
double K = (R + G + B) / 3.0, Kr = K / R, Kg = K / G, Kb = K / B;
// 将RGB进行变换 并写入图像缓冲中
Tr = (src_img_buffer[(h * img_w + w) * 3 + 2] * Kr);
Tg = (src_img_buffer[(h * img_w + w) * 3 + 1] * Kg);
Tb = (src_img_buffer[(h * img_w + w) * 3 + 0] * Kb);
dst_img_buffer[(h * img_w + w) * 3 + 2] = Tr > 255 ? 255 : Tr;
dst_img_buffer[(h * img_w + w) * 3 + 1] = Tg > 255 ? 255 : Tg;
dst_img_buffer[(h * img_w + w) * 3 + 0] = Tb > 255 ? 255 : Tb;
}
OpenCL参考代码。
size_t global[2];
cl_event prof_event;
global[0] = (size_t)src_img_w; //工作项设置成图像大小
global[1] = (size_t)src_img_h;
status = clEnqueueNDRangeKernel(cmd_queue, MeanRGB_kernel, 2, NULL, global, NULL, 0, NULL, &prof_event); //执行GPU代码
if (status)
cout << "执行内核时错误" << endl;
clFinish(cmd_queue);
status = clEnqueueNDRangeKernel(cmd_queue, GrayWorldMethod_kernel, 2, NULL, global, NULL, 0, NULL, &prof_event); //执行GPU代码
if (status)
cout << "执行内核时错误" << endl;
clFinish(cmd_queue);
status = clEnqueueReadBuffer(cmd_queue, memObjects[0], CL_TRUE, 0, img_size_byte, dst_img_buffer, 0, NULL, NULL);//数据拷回 host 内存
if (status)
perror("读回数据的时候发生错误\n");
这里创建了两个内核函数执行代码。传输数据到显存,执行程序。结果如图
图像的分辨率1024*768,cpu执行时间时10.6ms,gpu用了1.59ms。执行时间是取十次运行的平均值,速度还是有非常大的提升的。图像处理结果。
原始图像
文章来源:https://www.toymoban.com/news/detail-471470.html
灰度世界算法处理之后文章来源地址https://www.toymoban.com/news/detail-471470.html
到了这里,关于RK3588使用openCL的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!