OpenCV+CUDA：CPU与GPU图像处理结果不一致的技术咨询

我正在开发一款基于OpenCV 4.7.0 C++的图像处理应用，用于识别图像中的单色圆形目标。实现功能的步骤如下：

1. Thresholding（阈值处理）：按颜色过滤目标，分为三步：

   • 将图像拆分为R G B通道
   • 对每个通道应用阈值
   • 对阈值处理后的通道执行按位与操作

2. Gaussian Blurring（高斯模糊）：应用核大小为9x9、sigma值为1.0的高斯模糊滤镜

3. Hough Circles（霍夫圆变换）：对模糊后的图像应用霍夫圆变换，参数如下（经多次调试确定）：

   • dp = 1
   • minDist = 20
   • cannyThreshold = 50
   • votesThreshold = 30
   • minRadius = 1
   • maxRadius = 75

CPU代码的结果符合预期后，我决定将代码迁移至GPU。**为何选择GPU？**因为该应用是游戏的一部分，需要高帧率运行。

但迁移至GPU后，我发现结果与CPU代码不一致，相同参数下GPU代码返回的结果不理想。

这是为什么？

• OpenCV 4.7.0
• CUDA v12.0
• Intel i5-10300H
• NVIDIA GeForce GTX 1650Ti

我编写了两个独立函数分别在CPU和GPU上实现该功能：

/*----------------------------------------CPU Code----------------------------------------*/

cv::Mat extractTargetsCPU(cv::Mat frame) {
    std::vector<cv::Mat> channels;
    cv::split(frame, channels);

    cv::threshold(channels[0], channels[0], 127, 255, cv::THRESH_BINARY);
    cv::threshold(channels[1], channels[1], 127, 255, cv::THRESH_BINARY);
    cv::threshold(channels[2], channels[2], 127, 255, cv::THRESH_BINARY_INV);

    cv::bitwise_and(channels[1], channels[2], channels[1]);
    cv::bitwise_and(channels[0], channels[1], channels[0]);

    cv::Mat targets;
    cv::GaussianBlur(channels[0], channels[0], cv::Size(9, 9), 1.0f);
    cv::HoughCircles(channels[0], targets, cv::HOUGH_GRADIENT, 1, 20, 50, 30, 1, 75);

    return targets;
}

/*----------------------------------------GPU Code----------------------------------------*/

cv::Ptr<cv::cuda::Filter> gaussianFilter =  cv::cuda::createGaussianFilter(CV_8UC1, CV_8UC1, cv::Size(9, 9), 1.0f);
cv::Ptr<cv::cuda::HoughCirclesDetector> houghCircles = cv::cuda::createHoughCirclesDetector(1, 20, 50, 30, 1, 75);

cv::cuda::GpuMat extractTargetsGPU(cv::cuda::GpuMat frame) {
    std::vector<cv::cuda::GpuMat> channels;
    cv::cuda::split(frame, channels);

    cv::cuda::Stream bThresholdStream, gThresholdStream, rThresholdStream;

    cv::cuda::threshold(channels[0], channels[0], 127, 255, cv::THRESH_BINARY, bThresholdStream);
    cv::cuda::threshold(channels[1], channels[1], 127, 255, cv::THRESH_BINARY, gThresholdStream);
    cv::cuda::threshold(channels[2], channels[2], 127, 255, cv::THRESH_BINARY_INV, rThresholdStream);

    bThresholdStream.waitForCompletion();
    gThresholdStream.waitForCompletion();
    rThresholdStream.waitForCompletion();

    cv::cuda::bitwise_and(channels[1], channels[2], channels[1]);
    cv::cuda::bitwise_and(channels[0], channels[1], channels[0]);

    gaussianFilter -> apply(channels[0], channels[0]);

    cv::cuda::GpuMat targets;
    houghCircles -> detect(channels[0], targets);

    return targets;
}

我用5张测试图像测试了这两个函数，GPU的结果不理想。

所谓“不理想”，是指GPU代码会将单个圆形识别为多个同心圆。

为调试问题，我导出了阈值处理和高斯模糊阶段的图像并分析，发现CUDA实现的高斯模糊（cv::cuda::createGaussianFilter）与CPU版（cv::GaussianBlur）的效果不一致。

为验证HoughCircles，我将CPU/GPU导出的模糊图像分别输入到CPU和GPU的霍夫变换函数中，GPU函数仍表现出不理想的行为，这让我对cv::cuda::createHoughCirclesDetector的准确性产生疑问。

这些实验引出以下问题：

• CUDA实现的标准函数是否准确？
• 这是否是GPU架构问题而非实现问题？
• 我的GPU内存/并行实现是否存在疏漏？
• 如何修复该问题？有哪些可行的解决方案？

1. 高斯模糊差异原因与修复 #

OpenCV的CPU和CUDA高斯模糊实现存在结果差异，核心原因：

• 边界处理模式不同：CPU版本默认用BORDER_REFLECT_101，CUDA版本默认是BORDER_CONSTANT，边缘区域模糊结果偏差明显。
• 浮点精度与参数传递：CPU会自动将y方向sigma设为与x一致，CUDA版本需显式指定；GPU与CPU的浮点计算单元架构差异，会放大微小的核计算偏差。

修复代码：
显式指定与CPU对齐的边界模式和双方向sigma：

cv::Ptr<cv::cuda::Filter> gaussianFilter = cv::cuda::createGaussianFilter(
    CV_8UC1, CV_8UC1, cv::Size(9,9), 1.0f, 1.0f, cv::BORDER_REFLECT_101
);

2. 霍夫圆变换差异原因与修复 #

CUDA版霍夫圆检测器与CPU版的核心差异：

• 并行化的投票累加逻辑：为了效率，GPU采用的累加和非极大值抑制逻辑更容易对边缘模糊的圆形产生多个相近检测结果。
• 参数映射差异：CPU的votesThreshold是绝对累加阈值，GPU版本因并行计算的缩放逻辑，实际生效阈值与CPU不一致。

修复方法：

• 调整参数：适当提高votesThreshold（比如从30调到40-50），微调minDist（比如从20调到25-30），减少同心圆误检。
• 后处理聚类：对GPU检测结果进行聚类，合并中心距离小于minRadius*0.3、半径差异小于minRadius*0.2的同心圆，保留投票数最高的结果。

3. 并行流使用的优化 #

GPU代码中为三个阈值操作创建独立流，后续同步操作反而增加开销，且未真正提升效率。可直接使用默认流（自动同步）：

// 移除独立流，使用默认流
cv::cuda::threshold(channels[0], channels[0], 127, 255, cv::THRESH_BINARY);
cv::cuda::threshold(channels[1], channels[1], 127, 255, cv::THRESH_BINARY);
cv::cuda::threshold(channels[2], channels[2], 127, 255, cv::THRESH_BINARY_INV);

4. 关于CUDA函数准确性的说明 #

OpenCV的CUDA模块函数经过官方验证，并非准确性问题，只是实现细节（边界处理、并行逻辑）与CPU版本不同导致的结果差异，GPU架构本身不会引发错误，只需针对GPU特性调整参数和实现方式。

总结修复步骤 #

1. 修正高斯滤波器的边界模式和sigma参数，对齐CPU行为。
2. 调整CUDA霍夫圆检测器的votesThreshold和minDist参数。
3. 添加检测结果的后处理聚类逻辑，合并同心圆。
4. 优化GPU流的使用，避免不必要的同步开销。

内容的提问来源于stack exchange，提问作者Seemebadnekai