test code for cv::Mat::forEach

cv_mat_foreach.cpp

#include <opencv2/core.hpp>

typedef cv::Point3_<uint8_t> Pixel;
typedef cv::Mat_<Pixel> MatT;
const cv::Size SIZE_FULL_HD(1920, 1020);

void ShowResult(const std::string name, const double time) {
    std::cout << cv::format("%40s | %20.10f", name.c_str(), time) << std::endl;
    return;
}

void bench(const std::string func_name, void func(MatT&), const int time) {
    MatT img(SIZE_FULL_HD);
    img *= 0;

    const uint64_t start = cv::getCPUTickCount();
    for (int count = 0; count < time; ++count) {
        func(img);
    }
    const uint64_t end = cv::getCPUTickCount();

    const double time_elapsed = (end - start) / cv::getTickFrequency() / time;

    ShowResult(func_name, time_elapsed);
}

inline void iterator_access(MatT& frame) {
    auto it = frame.begin();
    
    for (auto &p : frame) {
        p.x = 255;
    }
}

inline void pointer_access(MatT& frame) {
    auto p = reinterpret_cast<Pixel*>(frame.data);
    const auto e = p + frame.cols * frame.rows;
    while (p < e)
    {
        p->x = 255;
        ++p;
    }
}

inline void forEach_access(MatT& frame) {
    auto mat = cv::Mat_<Pixel>(frame);

    mat.forEach([&](Pixel &p, const void*) -> void{
        p.x = 255;
    });
}

#define BENCH(func_name) \
    bench(#func_name, func_name, times);

int main(const int an, const char* const* const as)
{
#ifdef _DEBUG
    const int times = 1;
#else
    const int times = 1000;
#endif
    BENCH(iterator_access);
    BENCH(pointer_access);
    BENCH(forEach_access);
}

my result

                     iterator_access |         7.2292294634
                      pointer_access |         2.0351401337
                   optimized_forEach |         1.2348574069
           optimized_forEachParallel |         0.3258145738

・画像は continuous （n行目の終わりと、n+1行目の初めがメモリ上隣にある）前提
・OpenCV 3.0 実装では、 forEach を使っただけで parallel になります。
　が、一方で、最終的なマージ結果では、2.0 → 0.3 のような極端な高速化は無いかも……
　（ループアンローリングをやめてしまったので）

　基本的に、処理が重い Functor であれば、コア数に比例してスケールします。
　（CPU⇔Memory の帯域がボトルネックの場合などを除く）

テンプレートの中で渡された functor を ParallelLoopBody でラップし、
cv::parallel_for_ 経由で実行しています。

functor を ParallelLoopBodyでラップする処理は、
コンパイラでインライン変換されることを期待して書いています。
そのため、コンパイラが、functor の実装を特定出来る場合（一番いいのは、その場で ラムダ式を渡す）、
functor はインライン展開されます。
（http://d.hatena.ne.jp/mickey24/20110211/stl_algorithms_and_functors）

最近のコンパイラは、関数ポインタ渡された場合でも、
取り得る値が1種類のみと分かれば、インライン展開してくれるらしいです。