卷积

概述

卷积算法使用提供的 2D 核对输入图像执行 2D 卷积操作。当核不可分离且其尺寸小于 5x5 时，此方法非常有用。在其他情况下，通常最好使用可分离卷积算法，因为它速度更快。

输入	核	输出
	\[ \begin{bmatrix} 1 & 0 & -1 \\ 0 & 0 & 0 \\ -1 & 0 & 1 \end{bmatrix} \]

实现

离散 2D 卷积是使用以下离散函数实现的

\[ I'[x,y] = \sum_{m=0}^{k_h} \sum_{n=0}^{k_w} K[m,n] \times I[x-(n-\lfloor k_w/2 \rfloor), y-(m-\lfloor k_h/2 \rfloor) ] \]

其中

• \(I\) 是输入图像。
• \(I'\) 是结果图像。
• \(K\) 是卷积核。
• \(k_w,k_h\) 分别是核的宽度和高度。

注意

大多数计算机视觉库期望在调用其卷积函数之前反转内核。VPI 则不然，我们实现的是实际的卷积，而不是互相关。当然，如果内核是对称的，则这无关紧要。

C API 函数

有关实现该算法的限制、约束和后端列表，请查阅以下函数的参考文档

函数	描述
vpiSubmitConvolution	在图像上运行通用 2D 卷积。

用法

语言 C/C++ Python

1. 导入 VPI 模块

   import vpi

2. 定义一个 3x3 卷积核以执行边缘检测。

   kernel = [[ 1, 0, -1],
             [ 0, 0,  0],
             [-1, 0,  1]]

3. 使用 CPU 后端和给定的核，在输入图像上运行卷积滤波器。输入和输出均为 VPI 图像。

   with vpi.Backend.CUDA
   output = input.convolution(kernel, border=vpi.Border.ZERO)

1. 初始化阶段
   1. 包含定义所需函数和结构的头文件。

      #include <vpi/algo/Convolution.h>

   2. 定义输入图像对象。

          VPIImage input = /*...*/;

   3. 创建输出图像。它从输入图像获取其尺寸和格式。

      int32_t w, h;
          vpiImageGetSize(input, &w, &h);
       
          VPIImageFormat type;
          vpiImageGetFormat(input, &type);
       
          VPIImage output;
          vpiImageCreate(w, h, type, 0, &output);

   4. 创建将在其中提交算法以供执行的流。

          VPIStream stream;
          vpiStreamCreate(0, &stream);

2. 处理阶段
   1. 定义要使用的核。在本例中，是一个简单的 3x3 边缘检测器。

          float kernel[3 * 3] = { 1, 0,-1,
                                  0, 0, 0,
                                 -1, 0, 1};

   2. 将算法提交到流，传递内核和其他参数。它将由 CPU 后端执行。

          vpiSubmitConvolution(stream, VPI_BACKEND_CPU, input, output, kernel, 3, 3, VPI_BORDER_ZERO);

   3. （可选）等待直到处理完成。

          vpiStreamSync(stream);

3. 清理阶段
   1. 释放流以及输入和输出图像所持有的资源。

          vpiStreamDestroy(stream);
          vpiImageDestroy(input);
          vpiImageDestroy(output);

有关完整示例，请参阅图像卷积。

有关更多信息，请参阅VPI - 视觉编程接口的“C API 参考”部分中的卷积。

性能

有关如何使用下表中的性能信息，请参阅算法性能表。
在比较测量结果之前，请查阅比较算法运行时间。
有关性能基准测试方式的更多信息，请参阅性能基准。

清除过滤器 设备 Jetson AGX Orin  - 流 1 2 4 8