基于GPU可见光与红外图像融合快速实现与应用.docVIP

基于GPU可见光与红外图像融合快速实现与应用 　　【摘 要】红外与可见光融合图像技术的应用，增强了不同波段图像特征提取效果，且满足了人们认知需求，因而，在此基础上，为了将红外与可见光融合技术更好的应用于军用、民用等领域中，要求相关技术人员在融合系统开发过程中应注重引入GPU理念，即在系统规划过程中，设置图像处理单元，继而由此提高系统数量级，满足图像数据量处理需求，同时就此提高系统执行效率。本文从图像融合算法分析入手，详细阐述了图像融合的实现路径。 　　【关键词】GPU；可见光；红外图像；融合 　　0 前言 　　可见光与红外图像的高效融合，可发挥二者优势，对图像进行识别，且借助传感器，提高图像处理实时性、准确性、清晰性。但在图像融合技术应用过程中，为了强化系统处理功能，需利用GPU计算能力，如，CPU+GPU异构模式等，实现对图像的快速处理，达到实时性图像融合效果，满足用户图像数据应用需求。以下就是对图像融合问题的详细阐述，望其能为当前可见光与红外图像融合设计的不断优化提供有利参考。 　　1 红外与可见光图像融合算法 　　红外与可见光图像融合，即先对可见光图像、红外图像进行增强处理，而后经过高斯滤波，继而针对小波变换图像分解，再重构，达到图像融合目的。而在红外与可见光图像融合中，图像融合算法主要体现在以下几个方面： 　　第一，灰度图像融合，即针对可见光图像、红外图像像素进行加权处理，即： 　　第二，彩色融合算法，彩色融合算法包含直接映射融合法、TNO融合法、基于彩色区域的融合算法的几种类型。在TNO融合法中，即在图像融合过程中，首先确定两个图像A、B共有部分C，再从原有图像A、B减去共有部分C，然后针对独有部分A-C或B-C进行增强处理，且送入到RGB通道中，反馈图像融合状况。而直接映射融合法，即将融合图像映射到RGB通道，合成彩色图像。此外，基于区域的彩色融合算法，即首先通过分割方式，将融合图像划分为若干个区域，而后根据分割后图像的不同区域特征，选取颜色匹配的彩色图像，将彩色图像分配到不同区域中，达到彩色融合目的。 　　2 GPU视角下可见光与红外图像融合的实现 　　2.1 图像增强的CUDA实现 　　在可见光与红外图像融合过程中，为了达到快速实现与应用目的，需结合GPU，完善图像增强的CUDA设计，即在可见光图像增强CUDA设计过程中，应将作业流程划分为直方图统计、对应表生成、灰度值转换3个组成部分，而在灰度直方图统计系统规划过程中，需将图像划分为若干个分块，然后利用block对各个分块进行灰度直方图统计，继而待统计完毕后，将若干个block计算结果进行累加，就此满足可见光图像处理需求。同时，在可见光图像增强CUDA设计过程中，应保障Kemel 0快速性，即快速完成各个分块统计，而后将分区灰度统计数值，置入到对应图像区域内，且确保每个block对应128个thread，而每个thread对应64个像素，就此执行灰度值统计任务，且待统计结果整合完毕后，自动生成对应表，归一到[0，255]中[1]。 　　在红外图像增强CUDA设计过程中，需完善分配显存、线程结构设置线性灰度变换3个部分，而在分配显存完善过程中，需将灰度范围控制在[fmin，fmax]范围内，并将灰度值转换为constant memory数据，继而以-constant-F[2]={0，80}；-constant-G[2]={0，255}形式，提高访问速率。同时，在线程结构设置过程中，应注重强调对配置参数的设计，就此在融合运算中，达到精准化计算目的。 　　2.2 高斯滤波的CUDA实现 　　在可见光与红外图像融合过程中，为了提升整体融合速率，需设计高斯滤波CUDA，而在CUDA规划过程中为了缩短运算处理时间，需获取sigma、xpos、ypos等高斯核数值，达到CPU、GPU间调用目的。同时，在高斯滤波GUDA设计过程中，亦需针对图像像素进行对应表示，如，像素中x为： 　　nt x Index=blockDim.x*blockIdx.x+threadIdx. 　　就此满足融合图像计算需求，且基于x，y分别获取的基础上，针对图像数据进行归一化处理，而在归一化处理中，需由公式：nWindowSize=（int）（1+2*ceil（3*sigma））对模板大小进行确定，而后通过data+计算形式，运算图像卷积信息[2]。此外，在高斯滤波GUDA规划过程中，亦应从小波变化角度出发，对图像融合CUDA进行设计，并保障在图像融合运算过程中，经历16次Kemel计算过程，由此达到快速图像融合效果。 　　3 图像融合的探测应用 　　例如，某地区在图像融合技术应用过程中，即引入了GUP，同时在融合系统规划过程中，将可见光响应范围控制在0.3-1.