如何在Python中用多进程优化OpenCV循环以对比运行速度？

要将你的calculation_multi改造成真正的多进程版本，核心思路是将图像按行分割，分配给不同CPU核心并行处理，避免单进程循环的低效。以下是完整实现及关键说明：

完整代码 #

import cv2 as cv
import numpy as np
import time
import multiprocessing

# 配置参数
kontrast = 1.5  # 对比度系数
jasnosc = 30    # 亮度偏移值
image = cv.imread("你的图像路径.jpg")  # 替换为实际图像路径

def process_rows(row_range):
    """单个进程负责处理指定范围的图像行"""
    start_y, end_y = row_range
    # 提取待处理的行块
    img_block = image[start_y:end_y, :, :]
    # 计算对比度和亮度调整
    processed_block = np.clip(kontrast * img_block + jasnosc, 0, 255)
    # 返回起始行号和处理后的块，用于主进程拼接
    return start_y, processed_block

def calculation_multi():
    print("multi")
    start = time.time()
    cpu_count = multiprocessing.cpu_count()
    rows_total = image.shape[0]
    # 按CPU核心数分割行区间
    rows_per_process = rows_total // cpu_count
    row_ranges = []
    for i in range(cpu_count):
        start_row = i * rows_per_process
        # 最后一个进程处理剩余所有行，避免遗漏
        end_row = start_row + rows_per_process if i != cpu_count - 1 else rows_total
        row_ranges.append((start_row, end_row))
    
    # 初始化结果图像
    new_image = np.zeros_like(image)
    # 创建进程池并分配任务
    with multiprocessing.Pool(processes=cpu_count) as pool:
        results = pool.map(process_rows, row_ranges)
    
    # 将各进程返回的处理块拼接成完整图像
    for start_y, block in results:
        new_image[start_y:start_y + block.shape[0], :, :] = block
    
    end = time.time()
    print(f"{end - start} z multiprocessing na {cpu_count} rdzenie")
    return new_image

def calculation_single():
    """原单进程版本（保留你的三层循环逻辑，用于速度对比）"""
    print("single")
    start = time.time()
    new_image = np.zeros_like(image)
    for y in range(image.shape[0]):
        for x in range(image.shape[1]):
            for c in range(image.shape[2]):
                new_image[y,x,c] = np.clip(kontrast*image[y,x,c] + jasnosc, 0, 255)
    end = time.time()
    print(f"{end - start} z singleprocessing")
    return new_image

if __name__ == '__main__':
    # 运行多进程和单进程版本
    img_multi = calculation_multi()
    img_single = calculation_single()
    
    # 显示结果
    cv.imshow('Oryginal', image)
    cv.imshow('Nowy obraz (multi)', img_multi)
    cv.imshow('Nowy obraz (single)', img_single)
    cv.waitKey(0)
    cv.destroyAllWindows()

关键说明 #

1. 进程任务分割：按CPU核心数将图像行划分为多个区间，每个进程独立处理一个区间，最大化利用多核资源。
2. 避免全局变量共享问题：多进程中全局变量会被每个进程复制，无法直接共享修改。这里让每个进程返回处理后的行块，主进程再拼接结果，确保数据正确。
3. 进程池管理：使用multiprocessing.Pool自动处理进程的创建、任务分配和回收，无需手动管理进程生命周期。
4. 速度对比注意：
   • 若想对比单进程最优速度，可将calculation_single替换为numpy广播实现：new_image = np.clip(kontrast * image + jasnosc, 0, 255)，这比三层循环快几十倍。
   • 小尺寸图像可能体现不出多进程优势，因为进程创建和数据传输的开销会抵消并行收益，适合大尺寸图像测试。

内容的提问来源于stack exchange，提问作者gfoxi