3. 图像处理与CUDA加速：让摄像头“看懂”世界
各位同学，欢迎来到第三章。这一章，我们开始真正动手处理图像数据了。
说实话，在自动驾驶感知系统里，摄像头就是车的“眼睛”。但这双眼睛天生有缺陷——镜头畸变、光照不均、色彩偏差……如果不做预处理，后面的目标检测、车道线识别全都会跑偏。
我个人习惯把图像预处理比作“给眼睛戴眼镜”。戴对了，世界清晰；戴错了，全是重影。今天我们就来聊聊怎么戴好这副“眼镜”，顺便用CUDA给它加速。
3.1 图像预处理三板斧
3.1.1 去畸变：把弯曲的拉直
你想想看，广角镜头拍出来的照片，边缘都是弯的。这在自动驾驶里很要命——明明是一条直线车道，拍出来却成了弧线。
去畸变的原理其实不复杂。说白了就是建立一个映射关系：
从畸变图像上的点 (u, v)，映射到理想图像上的点 (u', v')。
数学上，我们通常用径向畸变和切向畸变模型来描述：
// 径向畸变模型
x_distorted = x * (1 + k1*r² + k2*r⁴ + k3*r⁶)
y_distorted = y * (1 + k1*r² + k2*r⁴ + k3*r⁶)
// 切向畸变模型
x_distorted = x + (2*p1*x*y + p2*(r² + 2*x²))
y_distorted = y + (p1*(r² + 2*y²) + 2*p2*x*y)
我在项目中遇到过一个问题：标定板拍得不规范，导致畸变参数算出来全是错的。后来我学乖了——标定板一定要占满画面各个区域，尤其是四个角。
3.1.2 白平衡：让白色回归白色
为什么阴天拍的照片偏蓝？为什么黄昏拍的照片偏黄？
因为不同光源的色温不同。白平衡的目的，就是让白色物体在任何光源下都呈现白色。
常用的方法有：
- 灰度世界法： 假设场景中所有颜色的平均值是灰色
- 完美反射法： 假设图像中最亮的点是白色
- 色温估计法： 通过统计色温分布来校正
嗯，这里要注意：自动驾驶场景变化太快，从隧道出来到阳光直射，色温可能瞬间变化。所以白平衡参数得动态调整，不能一套参数打天下。
3.1.3 直方图均衡化：让暗处亮起来
夜间行车时，摄像头拍到的图像往往对比度很低。直方图均衡化就是用来解决这个问题的。
它的核心思想很简单：把像素值的分布“拉平”。原本集中在某个区间的像素，被映射到整个0-255范围。
我曾经在夜间测试时发现，直方图均衡化后，路边的行人轮廓清晰了很多。但要注意——它也会放大噪声。所以建议先做去噪，再做均衡化。
3.2 CUDA编程基础：让GPU干活
图像处理是典型的“数据并行”任务。一张1920x1080的图，每个像素的处理逻辑都一样。这种活儿，CPU干起来太慢，得让GPU上。
CUDA编程的核心概念就三个：
- 线程（Thread）： 最小的执行单元，每个线程处理一个像素
- 线程块（Block）： 一组线程，共享一块内存
- 网格（Grid）： 所有线程块的集合
一个典型的CUDA程序长这样：
// 核函数：每个线程处理一个像素
__global__ void processImage(unsigned char* input,
unsigned char* output,
int width, int height) {
int x = blockIdx.x * blockDim.x + threadIdx.x;
int y = blockIdx.y * blockDim.y + threadIdx.y;
if (x < width && y < height) {
int idx = y * width + x;
// 这里写你的处理逻辑
output[idx] = input[idx] * 1.2; // 举例：亮度增强
}
}
// 调用核函数
dim3 blockSize(16, 16);
dim3 gridSize((width + 15) / 16, (height + 15) / 16);
processImage<<<gridSize, blockSize>>>(d_input, d_output, width, height);
3.3 使用CUDA实现图像卷积加速
图像卷积是很多算法的基石——边缘检测、高斯模糊、锐化……本质上都是卷积操作。
卷积的数学定义：
output(x, y) = Σᵢ Σⱼ input(x+i, y+j) * kernel(i, j)
在CPU上，一个3x3的卷积核处理1080p图像，大概要跑几十毫秒。用CUDA呢？不到1毫秒。
为什么这么快？因为每个像素的卷积计算是独立的，可以并行执行。
CUDA实现卷积的关键代码：
__global__ void convolution2D(unsigned char* input,
unsigned char* output,
int width, int height,
float* kernel, int kSize) {
int x = blockIdx.x * blockDim.x + threadIdx.x;
int y = blockIdx.y * blockDim.y + threadIdx.y;
if (x >= width || y >= height) return;
float sum = 0.0f;
int half = kSize / 2;
for (int i = -half; i <= half; i++) {
for (int j = -half; j <= half; j++) {
int curX = min(max(x + j, 0), width - 1);
int curY = min(max(y + i, 0), height - 1);
sum += input[curY * width + curX] *
kernel[(i + half) * kSize + (j + half)];
}
}
output[y * width + x] = (unsigned char)sum;
}
这里有个细节：边界处理。我习惯用“clamp to edge”的方式，就是把超出边界的像素用最近的边界像素代替。这样不会出现黑边，效果比较自然。
3.4 NPP库的使用：别重复造轮子
NVIDIA Performance Primitives（NPP）是英伟达提供的一套图像处理库。说白了，就是帮你把常用的图像处理函数都写好了，你直接调用就行。
我刚开始做CUDA开发时，总喜欢自己手写所有函数。后来发现，NPP库的性能比我手写的好得多——人家是英伟达的工程师优化过的。
常用的NPP函数：
| 功能 | NPP函数 | 说明 |
|---|---|---|
| 图像缩放 | nppiResize_8u_C3R | 支持多种插值方式 |
| 色彩空间转换 | nppiRGBToGray_8u_C3C1R | RGB转灰度图 |
| 直方图计算 | nppiHistogram_8u_C1R | 计算单通道直方图 |
| 滤波操作 | nppiFilter_8u_C1R | 支持自定义卷积核 |
使用NPP库的示例：
#include <nppi.h>
// 分配设备内存
Npp8u* d_src, * d_dst;
cudaMalloc(&d_src, width * height * 3);
cudaMalloc(&d_dst, width * height);
// 调用NPP函数：RGB转灰度
NppiSize roiSize = {width, height};
nppiRGBToGray_8u_C3C1R(d_src, width * 3,
d_dst, width,
roiSize);
// 释放内存
cudaFree(d_src);
cudaFree(d_dst);
小结
这一章我们聊了图像预处理的三板斧——去畸变、白平衡、直方图均衡化。然后深入了CUDA编程，从线程模型到卷积加速，最后介绍了NPP库这个“偷懒神器”。
说实话，这些内容在自动驾驶感知系统里只是第一步。但这一步走稳了，后面的路就好走了。下一章，我们会把这些预处理后的图像数据，喂给深度学习模型做目标检测。
嗯，到时候你会发现——预处理做得好，模型训练事半功倍。
公众号:蓝海资料掘金营，微信deep3321