opencv大多数只使用到了cpu的版本，实际上对于复杂的图像处理过程用cuda（特别是高分辨率的图像）可能会有加速效果。是否需要使用cuda需要思考：
- 1、opencv的cuda库是否提供了想要的算子。在CUDA-accelerated Computer Vision你可以看到cv的cuda库提供了哪些方法。
- 2、如果要使用cv的cuda库，会涉及到数据从cpu和gpu之间的交换。一张图片首先会被cpu读取到内存中，然后通过api将cpu中的数据搬运到gpu中，而cpu和gpu之间的数据搬运也是很耗时的，比如
gpu_dst.download(dst_cpu)将gpu_dst数据搬运到dst_cpu，数据是8976*4960*3，耗时约37ms，如果你的图像处理比较简单，说不定数据搬运的耗时比直接在cpu上运行更长。
1、带cuda的opencv安装
这里的前提是你的nvidia驱动、cuda以及cudnn都安装完成，可以正常使用。
首先下载版本一致的opencv和opencv-contrib（cuda库所在包），然后解压待用。
然后查询你显卡的Compute Capability，进入opencv-4.8.1后创建build文件夹，终端在build中打开后，执行：
bash
cmake \
-D CMAKE_BUILD_TYPE=RELEASE \
-D BUILD_CUDA_STUBS=ON \
-D WITH_CUDA=ON \
-D CUDA_ARCH_BIN=8.9 \
-D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-4.8.1/modules .. 注意，CUDA_ARCH_BIN是你查询到自己显卡的Compute Capability，OPENCV_EXTRA_MODULES_PATH指向你的opencv_contrib-4.8.1/modules。（最后的..不能省略）
可以看到成功检测到我的11.8的cuda，但是没有cuDNN。不知道是不是新版的原因，我安装好cudnn后通过命令cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2查询cudnn版本没有任何输出，但是确实存在cudnn.h，并在在使用cuda时也没有问题，就没有（后面在opencv使用cuda也没有报错）。
然后:sudo make --j15，表示使用15个线程make，因cpu而异。
最后sudo make install。
后续的操作参考ubuntu20.04+opencv+vscode添加环境变量。
2、测试
编写c++代码测试：
cpp
#include <opencv2/opencv.hpp>
#include <opencv2/core/cuda.hpp>
int main()
{
cv::cuda::printCudaDeviceInfo(cv::cuda::getDevice());
int count = cv::cuda::getCudaEnabledDeviceCount();
printf("GPU Device Count : %d \n", count);
return 0;
}
如果是不支持cuda的cv，则会报错：error: (-216:No CUDA support) The library is compiled without CUDA support in function 'throw_no_cuda'
3、在gpu上旋转图像
实际上，在gpu上使用cv总体分为三步：1）将内存中的数据搬运到gpu上；2）使用cuda方法进行图像处理；3）将处理结果搬运到cpu上；
下面是一个将图像逆时针旋转90度的代码，其中Timer类是一个计时器，从创建起计时，到离开作用域被销毁时的耗时。对于4960*8976\的图像进行测试，RGB指3通道，Gray指单通道，测量upload、rotate和download三个阶段的耗时：
| RGB(ms) | Gray(ms) | |
|---|---|---|
| upload | 9 | 3 |
| rotate | 4 | 3 |
| download | 37 | 12 |
可以看到对于简单的操作实际上耗时在数据的上传和下载。
cpp
#include <opencv2/opencv.hpp>
#include <opencv2/cudawarping.hpp>
#include "timer.h"
int main(int argc, char *argv[])
{
if (argc != 2)
{ // 检查是否传入图片路径
std::cout << "参数错误" << std::endl;
}
// 以灰度图模式读取输入图像
cv::Mat src = cv::imread(argv[1]);
// 实际上对于gpu上的data，可以直接创建cv::cuda::GpuMat imgdata(w,h,*data)，将gpudata的地址传给imgdata直接实例化
if (src.empty())
{
std::cerr << "Failed to read input image!" << std::endl;
return -1;
}
cv::Mat dst_cpu; // 在cpu创建一个Mat，接受处理后的图像结果
cv::cuda::GpuMat gpu_src, gpu_dst; // 在gpu创建两个Mat，分别储存旋转前后的图像（因为旋转前后尺寸不一样，所以必须要两个Mat）
gpu_dst.create(8976, 4960, CV_8UC3); // 定义旋转后图像尺寸的Mat
cv::Mat colorImage(8976, 4960, CV_8UC3); // 在cpu创建Mat，一个将灰度图转为RGB图的Mat
{
{
Timer time("upload");
gpu_src.upload(src); // 将cpu上的src搬运到gpu的gpu_src中
}
{
Timer time("rotate"); // 计时器，从此刻计时直到离开作用域被销毁
// 逆时针旋转90度，将4960*8976转8976*4960，流程是按左上角旋转后，向下平移8976，然后用8976*4960的Mat接受
cv::cuda::rotate(gpu_src, gpu_dst, gpu_dst.size(), 90, 0, 8976);
}
// 将gpu的gpu_dst数据搬运到dst_cpu中（好像只有gpu的数据才有方法）
{
Timer time("download");
gpu_dst.download(dst_cpu); // gpu到cpu搬运数据很耗时，RGB数据耗时37ms，Gray数据耗时12ms
}
}
return 0;
}
bash
# CMakeLists.txt
cmake_minimum_required(VERSION 3.0)
set(CMAKE_BUILD_TYPE Debug)
project(MyProject)
# 添加可执行文件
add_executable(draft draft.cpp src/timer.cpp)
# 设置包含目录
target_include_directories(draft PRIVATE src)
# 查找 OpenCV 库
find_package(OpenCV REQUIRED)
# 将 OpenCV 库链接到可执行文件
target_link_libraries(draft PRIVATE ${OpenCV_LIBS} opencv_cudawarping)4、解决数据上传和下载的耗时
当数据在cpu和gpu之间传输时，一定会有耗时。但是在cpu中存在虚拟内存，即在cpu上的数据可能是保存在位于磁盘的虚拟内存，这和直接在cpu物理内存上肯定是要慢的。所以在cv::cuda中提供了锁页的api，专门从物理内存中开辟空间存放数据：
cpp
cv::Mat snapshot(8976, 4960, CV_8UC1); // cpu上的数据
cv::cuda::registerPageLocked(snapshot); // 按大小分配锁页内存
gpu_dst.upload(snapshot);
// 处理代码
gpu_dst.download(snapshot);
cv::cuda::unregisterPageLocked(snapshot); // 下载后释放该方法经过测试，在我的例子中将download从13ms下降到3ms，提升明显
5、Mat创建优化
声明时定义大小，可以显著提高效率
cpp
// 只声明不分配大小，cvtColor耗时22ms
cv::Mat img1;
cv::cvtColor(snapshot, img1, cv::COLOR_GRAY2BGR);
// 声明且分配大小，cvtColor耗时8ms
cv::Mat img1(8976, 4960, CV_8UC3);
cv::cvtColor(snapshot, img1, cv::COLOR_GRAY2BGR);