如何在Linux C++中利用多线程加速图像处理

在Linux环境下，使用C++和多线程可以有效地加速图像处理任务

1. 引入头文件：

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

2. 定义全局变量：

std::vector<cv::Mat> images; // 存储图像
std::vector<std::thread> threads; // 存储线程
std::mutex mtx; // 互斥锁
std::condition_variable cv; // 条件变量
bool done = false; // 标记所有线程是否完成

3. 图像处理函数：

void processImage(int start, int end) {
    // 在这里执行图像处理任务
    // 例如，将图像转换为灰度图
    cv::Mat &image = images[start];
    cv::cvtColor(image, image, cv::COLOR_BGR2GRAY);

    // 处理完成后通知主线程
    std::unique_lock<std::mutex> lock(mtx);
    cv.notify_one();
}

4. 主函数：

int main() {
    // 读取图像并存储到vector中
    cv::Mat image1 = cv::imread("image1.jpg");
    cv::Mat image2 = cv::imread("image2.jpg");
    images.push_back(image1);
    images.push_back(image2);

    // 创建线程并分配任务
    int num_threads = std::thread::hardware_concurrency(); // 获取系统支持的线程数
    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);
    }

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

    // 处理后的图像存储到vector中
    std::vector<cv::Mat> processed_images;
    for (auto &t : threads) {
        t.join();
    }

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

    return 0;
}

这个示例中，我们首先读取图像并将它们存储到一个vector中。然后，我们创建一个线程池，并根据硬件并发级别将图像处理任务分配给每个线程。每个线程处理其分配的图像子集，并在完成后通知主线程。最后，主线程等待所有线程完成，并将处理后的图像保存到文件。

注意：这个示例仅用于演示目的，实际图像处理任务可能需要根据具体需求进行调整。