CUDA实现大法：和CPU法原理差不多，但实现起来要分两步。第一步把整个图像分成很多个部分，每个部分用一个线程块（含很多个线程）独立统计；第二步则把各个部分独立统计的结果再累加起来得到总的统计结果。之所以用这个方法是从GPU内部架构考虑的，因为每个部分并行独立统计的结果可以放在对应的片上shared memory中，效率很高。代码比较复杂：



同样大小的图像，在Geforce GTX 285上计算时间为0.56ms，比QX6600上单线程提速约30倍。