与CUDA上的GPU上的简单算法并行

i具有一个CUDA函数，可以计算GPU上的局部二进制模式。基本上LBP是对图像像素的计算，其中任何给定像素（I，J）的值取决于它的8个邻居的强度。

到目前为止很好，代码如下：

//The kernel
__global__ void LBP(unsigned char *in, unsigned char *out, const int w, const int h)
{
    const unsigned int i = (blockIdx.x * blockDim.x) + threadIdx.x;
    //Don't do edges!
    if(
             i < w              //first row
        ||   i >= (w * (h - 1)) // last row
        || !(i % w)             // first column
        ||  (i % w + 1 == w)    // last column
    )
    {
        out[i] = 0;
        return;
    }
    unsigned char
        code = 0,
        center = in[i];
    code |= (in[i-w-1] > center) << 7;
    code |= (in[i-w  ] > center) << 6;
    code |= (in[i-w+1] > center) << 5;
    code |= (in[i  +1] > center) << 4;
    code |= (in[i+w+1] > center) << 3;
    code |= (in[i+w  ] > center) << 2;
    code |= (in[i+w-1] > center) << 1;
    code |= (in[i  -1] > center) << 0;
    out[i] = code;
}
// A proxi function
void DoLBP(unsigned char *in, unsigned char *out, const int w, const int h)
{
    const int
        sz = w * h * sizeof(unsigned char);
    unsigned char
        *in_gpu,
        *out_gpu;
    cudaMalloc((void**)&in_gpu,  sz);
    cudaMalloc((void**)&out_gpu, sz);
    cudaMemcpy(in_gpu,  in,  sz, cudaMemcpyHostToDevice);
    cudaMemcpy(out_gpu, out, sz, cudaMemcpyHostToDevice);
    dim3 threadsPerBlock(1024); //Max
    dim3 numBlocks(w*h/threadsPerBlock.x + 1);
    LBP<<<numBlocks,threadsPerBlock>>>(in_gpu, out_gpu, w, h);
    cudaMemcpy(out, out_gpu, sz, cudaMemcpyDeviceToHost);
    cudaFree(in_gpu);
    cudaFree(out_gpu);
}
//The caller
int main()
{
    printf("Startingn");
    const int
        w = 4000,
        h = 2000;
    unsigned char
        in[w*h],
        out[w*h];
    // Fill [in] with some data 
    DoLBP(in, out, w, h);

    // Use [out] data
    return 0;
}

这些图像作为 * unsigned char *s（ array = [[row 1] [row 2] [row 3] ... [row n]]）的单维数组传递给GPU（从OpenCV的垫子中提取）

问题

此代码在相对较小的图像中正常工作，它返回带有正确值的输出数组，但是当图像大小增长时，输出数组全部为零！

我的怀疑是，图像数据溢出了一些GPU缓冲区或类似的东西。

我也不清楚 numberfblocks 和 threadspersperblock part的工作！如果你们中的任何一个可以对此提供一些基本的见解，那将不胜感激。

（我在Cuda中像1天大，所以可能有太多方法可以改善此代码段！）