1.OpenCV:吊打高斯模糊的源码StackBlur加入
2.OpenCV Carotene 源码阅读（持续更新）

OpenCV:吊打高斯模糊的StackBlur加入

       简化版 StackBlur API介绍

       StackBlur 最近才加入到OpenCV中，将在下一个Release版本（4.7）中出现。源码C++用户可以尝试从源码编译OpenCV体验一下。源码Python 用户可以尝试用pip安装rolling版本的源码OpenCV：pip install opencv-python-rolling==4.6.0.。StackBlur是源码高斯模糊的近似，同样支持水平和垂直不对称的源码焦炭指标源码滤波。

       为什么StackBlur的源码API中s小写？OpenCV中对API有严格控制，以作者名称开头的源码API可以大写（如Sobel、GaussianBlur），源码除此之外都小写字母开头。源码

       StackBlur的源码使用建议和最后的实验结果如下：

       建议当kernel size > 时，用stackBlur替换高斯模糊；当kernel size特别大时，源码OpenCV的源码所有模糊滤波器中只推荐stackBlur。

       实验结果如下：测试环境为Mac M1，源码超级杀手源码8核，源码image size [ x ]，数据类型：CV_8U3C。测试方法为跑一千次，选取最小作为耗时，测试脚本在这里。结论为stackBlur不会随着kernel size增加而增加耗时。

       StackBlur算法的坑是由老瓦在年初挖的。当时他给了我一个任务，尝试增加一个新滤波器stackblur。最后在OpenCV上调通并产生正确模糊结果，但卡在了速度优化上。最近在优化OpenCV的源码 数据维护DNN模块，学会了一些并行加速的技巧，终于填上了这个坑。

       本文主要介绍新加入OpenCV的模糊算法Stackblur，Stackblur是一种高斯模糊的快速近似，由Mario Klingemann发明。其计算耗时不会随着kernel size增大而增加，专为大kernel size的模糊滤波场景量身定制。本文从新加入OpenCV的cv::stackBlur API开始介绍，通过对比BoxBlur和高斯模糊，阐述Stackblur的优势。接着，详细介绍了Stackblur算法的原始论文及其计算过程，解释了Stack、23的源码StackOut和StackIn的运作方式。最后，总结了Stackblur的加速优化策略和实验结果，表明Stackblur在大kernel size下的速度优势。

       StackBlur算法采用Queue和Stack计算方式，与传统滤波算法不同，其计算耗时不会随着kernel size的增大而增加，这得益于其独特的计算机制。Stackblur算法在2维图像上的实现，通过先在水平方向进行1维stackblur算法，然后在垂直方向进行1维stackblur算法，实现整体的模糊效果。同时，legend源码下载通过多线程并行加速、SIMD指令优化等策略，Stackblur算法在性能上实现了显著提升，甚至在某些情况下比BoxBlur更快。

       StackBlur的计算优化包括使用乘法代替除法运算，以减少计算量。同时，针对不同数据格式和通道数，提供了一系列优化策略，以提高性能。实验结果显示，StackBlur在kernel size <= 5的情况下，速度接近高斯模糊，而在大kernel size下（如kernel size=），StackBlur的速度远超高斯模糊。

       如果你对StackBlur的加速优化和性能测试感兴趣，欢迎在评论区留言讨论，分享建议和反馈。

OpenCV Carotene 源码阅读（持续更新）

       OpenCV的Carotene库是NVIDIA为优化计算机视觉(CV)操作而精心设计的，特别针对ARM Neon架构，旨在加速诸如resize和Canny等关键算法。这款库以其清晰的代码和对SIMD编程初学者的友好性而备受赞誉。本文将深入探索Carotene的魅力，揭示其独特的功能点，如accumulate函数的多变接口，包括square accumulate和addweight，后者展示了创新的处理策略。

       Carotene的Blur(k3x3_u8)处理方法与众不同，采用了seperateFilter算法，而非传统的O(1)复杂度，展示了其在效率优化上的独到之处。值得一提的是，行方向移位求和和normalize系数的量化计算，都被Carotene以精细的技巧逐一解析。要了解更多细节，不妨直接查看其源码，那里充满了值得学习的见解和实践经验。

       Carotene在指令处理上展现出了高效能，如一次性执行乘系数、类型转换和右移等操作，通过vqrdmulhq_s等矢量化指令，实现了寄存器数据的复用。对于边界处理，left_border通过set_lane技术轻松搞定，而right_border的成本则更低。库中还包括了integral和sqrtIntegral的实现，行方向积分的向量化通过移位操作得以高效完成，即使在arm Neon缺乏element shift指令的情况下，Carotene也能通过uint_t标量移位巧妙解决。

       在模糊处理上，GaussianBlur遵循Blur的优化思路，对gauss_kernel进行了量化。另外，还有诸如absdiff、add_weighted、add、bitwise以及channel_extract/combine等N-1种基础算子，它们巧妙地结合了neon指令和宏定义，为性能提升做出了贡献。这些细节的精心设计，充分体现了Carotene在提升OpenCV性能上的匠心独运。

       总的来说，Carotene的源码是学习SIMD编程和OpenCV优化的绝佳资源，无论是对于开发者还是对性能追求者来说，都是一份值得深入探索的宝藏。如果你对这些技术感兴趣，不要犹豫，立即投身于源码的世界，你会发现其中隐藏的无数精彩。