一、利用OpenCV中提供的GPU模块

　　目前，OpenCV中已提供了许多GPU函数，直接使用OpenCV提供的GPU模块，可以完成大部分图像处理的加速操作。

　　基本使用方法，请参考：http://www.cnblogs.com/dwdxdy/p/3244508.html

　　该方法的优点是使用简单，利用GpuMat管理CPU与GPU之间的数据传输，而且不需要关注内核函数调用参数的设置，使用过程中，只需要关注处理的逻辑操作。

　　缺点是受限于OpenCV库的发展和更新，当需要完成一些自定义的操作时（OpenCV中没有提供相应的库），难以满足应用的需求，需要自己实现自定义操作的并行实现。此外，针对一些特殊需求，OpenCV提供并行处理函数，其性能优化并不是最优的，在具体的应用时，可能需要进一步优化，提高性能。

二、单独使用Cuda API编程

　　利用Cuda Runtime API、Cuda Driver API实现一些操作的并行加速，使用过程需要管理CPU与GPU之间的数据传输，内核函数调用参数的设置，内核函数的优化等。

　　优点是处理过程受控于用户，用户可以实现更多的并行加速处理操作。

　　缺点是使用复杂，代码编写量较多，需要熟悉Cuda相关资料和API接口。下面是简单的示例程序：

__global__ void swap_rb_kernel(const uchar3* src,uchar3* dst,int width,int height)
{int x = threadIdx.x + blockIdx.x * blockDim.x;int y = threadIdx.x + blockIdx.y * blockDim.y;if(x < width && y < height){uchar3 v = src[y * width + x];dst[y * width + x].x = v.z;dst[y * width + x].y = v.y;dst[y * width + x].z = v.x;}
}void swap_rb_caller(const uchar3* src,uchar3* dst,int width,int height)
{dim3 block(32,8);dim3 grid((width + block.x - 1)/block.x,(height + block.y - 1)/block.y);swap_rb_kernel<<>>(src,dst,width,height);cudaThreadSynchronize();
}int main()
{Mat image = imread("lena.jpg");imshow("src",image);size_t memSize = image.cols*image.rows*sizeof(uchar3);uchar3* d_src = NULL;uchar3* d_dst = NULL;CUDA_SAFE_CALL(cudaMalloc((void**)&d_src,memSize));CUDA_SAFE_CALL(cudaMalloc((void**)&d_dst,memSize));CUDA_SAFE_CALL(cudaMempcy(d_src,image.data,memSize,cudaMemcpyHostToDevice));swap_rb_caller(d_src,d_dst,image.cols,image.rows);CUDA_SAFE_CALL(cudaMempcy(image.data,d_dst,memSize,cudaMemcpyDeviceToHost));imshow("gpu",image);waitKey(0);CUDA_SAFE_CALL(cudaFree(d_src));CUDA_SAFE_CALL(cudaFree(d_dst));return 0;
}

　　上述代码中，使用cudaMalloc，cudaMemcpy，cudaFree管理内存的分配、传输和释放。

　　注意：若image.data包含字节对齐的空白数据，上述程序无法完成正常的处理操作。

三、利用OpenCV中提供接口，并结合Cuda API编程

　　利用OpenCV已经提供的部分接口，完成一些Cuda编程的基本处理，简化编程的复杂程度；只是根据自己业务需求，自定义内核函数或扩展OpenCV已提供的内核函数。这样既可以充分利用OpenCV的特性，又可以满足业务的不同需求，使用方便，且易于扩展。下面是简单的示例程序：

//swap_rb.cu
#include 
using namespace cv;
using namespace cv::gpu;
//自定义内核函数
__global__ void swap_rb_kernel(const PtrStepSz src,PtrStep dst)
{int x = threadIdx.x + blockIdx.x * blockDim.x;int y = threadIdx.y + blockIdx.y * blockDim.y;if(x < src.cols && y < src.rows){uchar3 v = src(y,x);dst(y,x) = make_uchar3(v.z,v.y,v.x);}
}void swap_rb_caller(const PtrStepSz& src,PtrStep dst,cudaStream_t stream)
{dim3 block(32,8);dim3 grid((src.cols + block.x - 1)/block.x,(src.rows + block.y - 1)/block.y);swap_rb_kernel<<>>(src,dst);if(stream == 0)cudaDeviceSynchronize();
}

//swap_rb.cpp
#include 
#include 
using namespace cv;
using namespace cv::gpu;void swap_rb_caller(const PtrStepSz& src,PtrStep dst,cudaStream_t stream);void swap_rb(const GpuMat& src,GpuMat& dst,Stream& stream = Stream::Null())
{CV_Assert(src.type() == CV_8UC3);dst.create(src.size(),src.type());cudaStream_t s = StreamAccessor::getStream(stream);swap_rb_caller(src,dst,s);
}

//main.cpp
#include 
#include 
#include 
using namespace cv;
using namespace cv::gpu;
void swap_rb(const GpuMat& src,GpuMat& dst,Stream& stream = Stream::Null());
int main()
{Mat image = imread("lena.jpg");imshow("src",image);GpuMat gpuMat,output;gpuMat.upload(image);swap_rb(gpuMat,output);output.download(image);imshow("gpu",image);waitKey(0);return 0;
}

　　swap_rb.cu文件定义了内核函数和内核函数的调用函数，在调用函数中，设置内核函数的调用参数。

　　swap_rb.cpp文件定义了并行操作的入口函数，即主程序完成并行操作的需要调用的函数，其主要是封装内核函数的调用函数，并添加输入参数的验证、根据输入参数选择不同内核函数等操作。

　　main.cpp文件主程序，完成数据的输入、业务的处理和数据的输出。

总结

　　编程简易性和可控性是相对的，编程越方便，就越不容易控制。实际应用过程中，应当寻求编程简易性和可控性的平衡点，应根据应用需求，选取适当的方法，一般建议采用方法三。