doc/tutorials/gpu/gpu-basics-similarity/gpu-basics-similarity.rst

   1 .. _gpuBasicsSimilarity:
   2
   3 Similarity check (PNSR and SSIM) on the GPU
   4 *******************************************
   5
   6 Goal
   7 ====
   8
   9 In the :ref:`videoInputPSNRMSSIM` tutorial I already presented the PSNR and SSIM methods for checking the similarity between the two images. And as you could see there performing these takes quite some time, especially in the case of the SSIM. However, if the performance numbers of an OpenCV implementation for the CPU do not satisfy you and you happen to have an NVidia CUDA GPU device in your system all is not lost. You may try to port or write your algorithm for the video card.
  10
  11 This tutorial will give a good grasp on how to approach coding by using the GPU module of OpenCV. As a prerequisite you should already know how to handle the core, highgui and imgproc modules. So, our goals are:
  12
  13 .. container:: enumeratevisibleitemswithsquare
  14
  15    + What's different compared to the CPU?
  16    + Create the GPU code for the PSNR and SSIM
  17    + Optimize the code for maximal performance
  18
  19 The source code
  20 ===============
  21
  22 You may also find the source code and these video file in the :file:`samples/cpp/tutorial_code/gpu/gpu-basics-similarity/gpu-basics-similarity` folder of the OpenCV source library or :download:`download it from here <../../../../samples/cpp/tutorial_code/gpu/gpu-basics-similarity/gpu-basics-similarity.cpp>`. The full source code is quite long (due to the controlling of the application via the command line arguments and performance measurement). Therefore, to avoid cluttering up these sections with those you'll find here only the functions itself.
  23
  24 The PSNR returns a float number, that if the two inputs are similar between 30 and 50 (higher is better).
  25
  26 .. literalinclude:: ../../../../samples/cpp/tutorial_code/gpu/gpu-basics-similarity/gpu-basics-similarity.cpp
  27    :language: cpp
  28    :linenos:
  29    :tab-width: 4
  30    :lines: 165-210, 18-23, 210-235
  31
  32 The SSIM returns the MSSIM of the images. This is too a float number between zero and one (higher is better), however we have one for each channel. Therefore, we return a *Scalar* OpenCV data structure:
  33
  34 .. literalinclude:: ../../../../samples/cpp/tutorial_code/gpu/gpu-basics-similarity/gpu-basics-similarity.cpp
  35    :language: cpp
  36    :linenos:
  37    :tab-width: 4
  38    :lines: 235-355, 26-42, 357-
  39
  40 How to do it? - The GPU
  41 =======================
  42
  43 Now as you can see we have three types of functions for each operation. One for the CPU and two for the GPU. The reason I made two for the GPU is too illustrate that often simple porting your CPU to GPU will actually make it slower. If you want some performance gain you will need to remember a few rules, whose I'm going to detail later on.
  44
  45 The development of the GPU module was made so that it resembles as much as possible its CPU counterpart. This is to make porting easy. The first thing you need to do before writing any code is to link the GPU module to your project, and include the header file for the module. All the functions and data structures of the GPU are in a *gpu* sub namespace of the *cv* namespace. You may add this to the default one via the *use namespace* keyword, or mark it everywhere explicitly via the cv:: to avoid confusion. I'll do the later.
  46
  47 .. code-block:: cpp
  48
  49    #include <opencv2/gpu/gpu.hpp>        // GPU structures and methods
  50
  51 GPU stands for **g**\ raphics **p**\ rocessing **u**\ nit. It was originally build to render graphical scenes. These scenes somehow build on a lot of data. Nevertheless, these aren't all dependent one from another in a sequential way and as it is possible a parallel processing of them. Due to this a GPU will contain multiple smaller processing units. These aren't the state of the art processors and on a one on one test with a CPU it will fall behind. However, its strength lies in its numbers. In the last years there has been an increasing trend to harvest these massive parallel powers of the GPU in non-graphical scene rendering too. This gave birth to the general-purpose computation on graphics processing units (GPGPU).
  52
  53 The GPU has its own memory. When you read data from the hard drive with OpenCV into a *Mat* object that takes place in your systems memory. The CPU works somehow directly on this (via its cache), however the GPU cannot. He has too transferred the information he will use for calculations from the system memory to its own. This is done via an upload process and takes time. In the end the result will have to be downloaded back to your system memory for your CPU to see it and use it. Porting small functions to GPU is not recommended as the upload/download time will be larger than the amount you gain by a parallel execution.
  54
  55 *Mat* objects are stored **only** in the system memory (or the CPU cache). For getting an OpenCV matrix to the GPU you'll need to use its GPU counterpart :gpudatastructure:`GpuMat <gpu-gpumat>`. It works similar to the *Mat* with a 2D only limitation and no reference returning for its functions (cannot mix GPU references with CPU ones). To upload a *Mat* object to the *GPU* you need to call the *upload* function after creating an instance of the class. To download you may use simple assignment to a *Mat* object or use the *download* function.
  56
  57 .. code-block:: cpp
  58
  59    Mat I1;         // Main memory item - read image into with imread for example
  60    gpu::GpuMat gI; // GPU matrix - for now empty
  61    gI1.upload(I1); // Upload a data from the system memory to the GPU memory
  62
  63    I1 = gI1;       // Download, gI1.download(I1) will work too
  64
  65 Once you have your data up in the GPU memory you may call GPU enabled functions of OpenCV. Most of the functions keep the same name just as on the CPU, with the difference that they only accept *GpuMat* inputs. A full list of these you will find in the documentation: `online here <http://opencv.itseez.com/modules/gpu/doc/gpu.html>`_ or the OpenCV reference manual that comes with the source code.
  66
  67 Another thing to keep in mind is that not for all channel numbers you can make efficient algorithms on the GPU. Generally, I found that the input images for the GPU images need to be either one or four channel ones and one of the char or float type for the item sizes. No double support on the GPU, sorry. Passing other types of objects for some functions will result in an exception thrown, and an error message on the error output. The documentation details in most of the places the types accepted for the inputs. If you have three channel images as an input you can do two things: either adds a new channel (and use char elements) or split up the image and call the function for each image. The first one isn't really recommended as you waste memory.
  68
  69 For some functions, where the position of the elements (neighbor items) doesn't matter quick solution is to just reshape it into a single channel image. This is the case for the PSNR implementation where for the *absdiff* method the value of the neighbors is not important. However, for the *GaussianBlur* this isn't an option and such need to use the split method for the SSIM. With this knowledge you can already make a GPU viable code (like mine GPU one) and run it. You'll be surprised to see that it might turn out slower than your CPU implementation.
  70
  71 Optimization
  72 ============
  73
  74 The reason for this is that you're throwing out on the window the price for memory allocation and data transfer. And on the GPU this is damn high. Another possibility for optimization is to introduce asynchronous OpenCV GPU calls too with the help of the :gpudatastructure:`gpu::Stream <gpu-stream>`.
  75
  76 1. Memory allocation on the GPU is considerable. Therefore, if it’s possible allocate new memory as few times as possible. If you create a function what you intend to call multiple times it is a good idea to allocate any local parameters for the function only once, during the first call. To do this you create a data structure containing all the local variables you will use. For instance in case of the PSNR these are:
  77
  78    .. code-block:: cpp
  79
  80       struct BufferPSNR                                     // Optimized GPU versions
  81         {   // Data allocations are very expensive on GPU. Use a buffer to solve: allocate once reuse later.
  82         gpu::GpuMat gI1, gI2, gs, t1,t2;
  83
  84         gpu::GpuMat buf;
  85       };
  86
  87    Then create an instance of this in the main program:
  88
  89    .. code-block:: cpp
  90
  91       BufferPSNR bufferPSNR;
  92
  93    And finally pass this to the function each time you call it:
  94
  95    .. code-block:: cpp
  96
  97       double getPSNR_GPU_optimized(const Mat& I1, const Mat& I2, BufferPSNR& b)
  98
  99    Now you access these local parameters as: *b.gI1*, *b.buf* and so on. The GpuMat will only reallocate itself on a new call if the new matrix size is different from the previous one.
 100
 101 #. Avoid unnecessary function data transfers. Any small data transfer will be significant one once you go to the GPU. Therefore, if possible make all calculations in-place (in other words do not create new memory objects - for reasons explained at the previous point). For example, although expressing arithmetical operations may be easier to express in one line formulas, it will be slower. In case of the SSIM at one point I need to calculate:
 102
 103    .. code-block:: cpp
 104
 105       b.t1 = 2 * b.mu1_mu2 + C1;
 106
 107    Although the upper call will succeed observe that there is a hidden data transfer present. Before it makes the addition it needs to store somewhere the multiplication. Therefore, it will create a local matrix in the background, add to that the *C1* value and finally assign that to *t1*. To avoid this we use the gpu functions, instead of the arithmetic operators:
 108
 109    .. code-block:: cpp
 110
 111       gpu::multiply(b.mu1_mu2, 2, b.t1); //b.t1 = 2 * b.mu1_mu2 + C1;
 112       gpu::add(b.t1, C1, b.t1);
 113
 114 #. Use asynchronous calls (the :gpudatastructure:`gpu::Stream <gpu-stream>`). By default whenever you call a gpu function it will wait for the call to finish and return with the result afterwards. However, it is possible to make asynchronous calls, meaning it will call for the operation execution, make the costly data allocations for the algorithm and return back right away. Now you can call another function if you wish to do so. For the MSSIM this is a small optimization point. In our default implementation we split up the image into channels and call then for each channel the gpu functions. A small degree of parallelization is possible with the stream. By using a stream we can make the data allocation, upload operations while the GPU is already executing a given method. For example we need to upload two images. We queue these one after another and call already the function that processes it. The functions will wait for the upload to finish, however while that happens makes the output buffer allocations for the function to be executed next.
 115
 116    .. code-block:: cpp
 117
 118       gpu::Stream stream;
 119
 120       stream.enqueueConvert(b.gI1, b.t1, CV_32F);    // Upload
 121
 122       gpu::split(b.t1, b.vI1, stream);              // Methods (pass the stream as final parameter).
 123       gpu::multiply(b.vI1[i], b.vI1[i], b.I1_2, stream);        // I1^2
 124
 125 Result and conclusion
 126 =====================
 127
 128 On an Intel P8700 laptop CPU paired with a low end NVidia GT220M here are the performance numbers:
 129
 130 .. code-block:: cpp
 131
 132    Time of PSNR CPU (averaged for 10 runs): 41.4122 milliseconds. With result of: 19.2506
 133    Time of PSNR GPU (averaged for 10 runs): 158.977 milliseconds. With result of: 19.2506
 134    Initial call GPU optimized:              31.3418 milliseconds. With result of: 19.2506
 135    Time of PSNR GPU OPTIMIZED ( / 10 runs): 24.8171 milliseconds. With result of: 19.2506
 136
 137    Time of MSSIM CPU (averaged for 10 runs): 484.343 milliseconds. With result of B0.890964 G0.903845 R0.936934
 138    Time of MSSIM GPU (averaged for 10 runs): 745.105 milliseconds. With result of B0.89922 G0.909051 R0.968223
 139    Time of MSSIM GPU Initial Call            357.746 milliseconds. With result of B0.890964 G0.903845 R0.936934
 140    Time of MSSIM GPU OPTIMIZED ( / 10 runs): 203.091 milliseconds. With result of B0.890964 G0.903845 R0.936934
 141
 142 In both cases we managed a performance increase of almost 100% compared to the CPU implementation. It may be just the improvement needed for your application to work. You may observe a runtime instance of this on the `YouTube here <https://www.youtube.com/watch?v=3_ESXmFlnvY>`_.
 143
 144 .. raw:: html
 145
 146   <div align="center">
 147   <iframe title="Similarity check (PNSR and SSIM) on the GPU" width="560" height="349" src="http://www.youtube.com/embed/3_ESXmFlnvY?rel=0&loop=1" frameborder="0" allowfullscreen align="middle"></iframe>
 148   </div>