多线程&并行

知识概念更新于 2026-10-02编辑本文

#include <iostream>
#include <thread>
#include <opencv2/opencv.hpp>

void processImage(cv::Mat image)
{
    // 图像处理代码
    // ...
    std::cout << "Processed image." << std::endl;
}

int main()
{
    // 加载图像
    cv::Mat image1 = cv::imread("image1.jpg");
    cv::Mat image2 = cv::imread("image2.jpg");

    // 创建两个线程来处理图像
    std::thread thread1(processImage, image1);
    std::thread thread2(processImage, image2);

    // 等待线程结束
    thread1.join();
    thread2.join();

    return 0;
}

在上面的示例中，我们通过std::thread类创建了两个线程，每个线程都调用processImage函数来处理一个图像。join函数用于等待线程结束。通过使用多线程，我们可以同时处理两个图像，从而减少了处理时间。

需要注意的是，在使用多线程处理图像时，应避免对同一个图像进行并发访问，以免引发数据竞争和不一致的结果。可以使用互斥锁（std::mutex）等同步机制来保护共享资源的访问。

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/core/parallel/parallel.hpp>

void processImage(cv::Mat image, int start, int end)
{
    // 图像处理代码，只处理[start, end)范围内的像素
    // ...
    std::cout << "Processed image part from " << start << " to " << end << std::endl;
}

int main()
{
    // 加载图像
    cv::Mat image = cv::imread("image.jpg");

    // 定义并行处理任务
    cv::Size imageSize = image.size();
    int numTasks = 4; // 并行处理任务数量
    int taskSize = imageSize.height / numTasks; // 每个任务处理的行数

    // 并行处理图像
    cv::parallel_for_(cv::Range(0, numTasks), [&](const cv::Range& range)
    {
        int start = range.start * taskSize;
        int end = range.end * taskSize;

        // 最后一个任务处理剩余的行
        if (range.end == numTasks - 1)
            end = imageSize.height;

        processImage(image, start, end);
    });

    return 0;
}

在上面的示例中，我们将图像的处理工作分成了多个任务，每个任务处理一行或多行像素。使用cv::parallel_for_函数可以并行执行这些任务，从而加快处理速度。

需要注意的是，并行处理时需要避免对共享资源（如图像的像素）进行并发访问，以免引发数据竞争。可以使用线程局部存储（cv::parallel_for_的cv::SimpleParallelLoopBody派生类中的成员）等机制来避免这种情况的发生。

多线程&并行

Hough Transform