基干GPU多聚焦显微图像快速三维重构技术.docVIP

基于GPU的多聚焦显微图像快速三维重构技术 　　摘 要受到三维重构庞大计算量和CPU计算能力的限制，在普通光学显微镜下通过多聚焦图像重构物体三维表面形貌的重构速度一直无法得到快速提高。随着GPU技术的高速发展，当前GPU有了比CPU更强的计算能力，本文提出将重构工作由CPU转移到GPU上进行，以提高重构速度，减少重构时间。实验证明GPU代替CPU进行重构工作后，极大了加快了重构速度，达到快速重构的目的 【关键词】多聚焦 三维重构 图形处理器 生物医学及材料科学的发展要求显微镜不仅要有更高的分辨率，而且能够对样本进行无损分析，进而能够完整精确的重现显微样本的三维结构，这就需要对样本进行三维重构。目前能够实现三维重构的设备不仅价格昂贵、而且适应性方面受到一定的限制。利用普通光学显微镜重建显微镜下微小物体三维形貌是一种最经济、适用范围最广泛的技术。由于重构算法计算量庞大，完成一个样本的重构大概需要3～4分钟，合成速度慢，无法满足现代工业对快速检测的需要 随着GPU技术的快速发展，当前的GPU已经具有了很强的计算能力，浮点运算能力甚至可以达到同代CPU的10倍以上。通过GPU代替传统CPU进行图像分析和处理，可以提高三维重构速度，达到快速重构的效果 1 三维重构原理及GPU实现方式 1.1 三维重构原理和方法 根据显微镜景深现象设计三维重构流程如图 1所示： （1）步进电机调整显微镜Z轴高度，获取物体序列图像，使整个序列覆盖物体整体，同时记录下每个序列图像所对应的高度位置 （2）通过聚焦评价函数计算序列图像中相同区域，不同高度的聚焦清晰值，然后找到这一区域内在全部序列图像中聚焦评价最大值位置，即聚焦最清晰的位置作为该区域物体表面高度 （3）取聚焦评价最大值位置所对应图片的像素值作为该区域的DFD（Depth From Defocus，散焦深度）图像素值，合成聚焦清晰的全景图作为蒙皮，最终重构出能反映物体表面形貌的三维立体图 1.2 聚焦评价函数算法选择 三维重构过程中最关键的是对聚焦评价函数算法的选择。由于聚焦图像比非聚焦图像包含了更多的图像信息与细节，因此判断图像是否清晰也就是判断图像是否聚焦。找到序列图像中聚焦函数最大值位置即可确定聚焦位置。文献[1][3][4]提出使用改进Laplacian算法作为聚焦评价函数在显微镜自动聚焦、景深合成和三维重构中都取得了不错的效果。本文采用该算法作为聚焦评价函数算法进行重构 （1） 1.3 GPU通用计算平台及对重构算法加速 在过去20年中，GPU技术得到了高速的发展。GPU通过增加流处理单元数量提高数据的处理速度，GPU的运算处理能力已经是CPU的10倍以上。GPU处理SIMD（Single Instruction Multiply Data，单指令多数据）程序的效率远远高于CPU。GPU大量应用到并行图像处理、数值计算、三维重建、数据库等领域中 改进Laplacian算法对图像中每一区域的分析算法均相同，是典型的SIMD程序，非常适合GPU并行处理。为了实现算法加速，为将图片划分为BM×BN大小的区域作为并行块，使用公式1算法对每个区域进行景深分析，GPU可以集成上千个处理单元，同时并行对数据进行分析，极大提升了数据分析速度，减少了计算三维重构时间 2 实验及分析 实验所需的硬件平台包括两部分：显微图像采集系统和图像分析系统。显微图像采集系统硬件如图所示，包括了显微镜、精密定位系统、影像系统和控制系统；图像分析系统由通用计算机加支持GPU计算的Nvidia公司Geforce显卡 为了对比中CPU和GPU进行三维重构的速度，实验使用采用改进Laplacian算法（公式1）作为重构算法，并对相同的测试样本分别在CPU和GPU中进行重构。样本为相机采集到的一段长度为6.4秒的视频录像 由表1 的样本测试对比结果可知，在处理对象相同情况下GPU进行图像分析的速度比CPU快约37倍，而总体处理速度约快14倍。由此可见GPU对图像分析的加速效果非常明显 3 结论 本文提出使用GPU代替CPU完成图像三维重构计算。通过实验证明使用GPU进行重构速度比CPU高一个数量级以上，能够达到对显微镜下物体的快速三维重构目的 参考文献 [1]姜志国，史文华，韩东兵等.基于聚焦合成的显微三维成像系统[J].CT理论与应用研究.2004（11）：9-15. [2]杨勇，吕值勇，严新平等.基于显微镜的磨粒表面形貌的测量[J].润滑与密封.2006（7）：110-112. [3]龚俊峰，徐西鹏.基于聚焦合成的砂轮表面三维重构方法[J].金刚石与磨料磨具工程.2006（4）：14-16. [4]童