基于GPU自动3D分割技术研究.docVIP

基于GPU自动3D分割技术研究 　　【摘 要】在现代社会发展中，图像处理技术以人为对象，改善人们视觉感官为目的，为生物医学、工业、 通信及文化艺术等领域，提供了科学依据，因此，关于图像处理和分析技术一直都是国内外学者研究的焦点，鉴于此本文对基于GPU的自动3D分割技术进行深入研究，试图为之提供行之有效的可行性建议。 　　【关键词】GPU；图像分割；3D技术 　　近年来，图形处理器（Graphics Processing Unit，GPU）在各领域中的应用越来越广泛，从最初简单的图形处理功能，发展到现在已经发展到现在可以进行编程计算。针对GPU高级编程语言，可以对其进行编程控制从而带来更加方便快捷的用户体验，并应用在渲染之外的通用计算方法。与中央处理器（（CentralproeessingUni，CPU）的计算模式不同，GPU是一种高度并行的流处理器，浮点计算能力更强，在信号模拟以及分析等许多领域，具有非常优越的实用性，可以通过编程在GPU中进行分析计算，尤其可以解决三维图像处理中的难题，而且提高算法的执行效率也是一个十分有应用价值的研究内容，下面就对基于GPU的自动3D分割技术的应用进行深入研究。 　　一、GPU的结构特点 　　图形处理器（Graphics Processing Unit，GPU）是利用计算机软件对系统信息进行转换驱动，然后向显示器提供行扫描信号并进行正确显示，可以说GPU 是实现“人机对话”的核心环节。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。GPU的微架构是面向适合于矩阵类型的数值计算而设计的，其内部拥有大量重复设计的计算单元，这些计算单元可以分成众多独立的数值计算，即大量数值运算的线程，而且数据之间没有像程序执行的那种逻辑关联性。 　　利用GPU做通用计算的主要目的是为了提升运算速度，在并行性方面，GPU中有1～30个流多重处理器，可在多个流多重处理器间进行粗粒度的任务级或数据级并行，或在流多重处理器内部进行细粒度数据并行。相对于计算机集群，GPU为很多应用提供了一个十分廉价的并行方案，特别是对于图形本身的应用而言。在高密集的运算方面，GPU有多个存储器控制单元，如GIX28O就有8个，每个控制器控制两个位宽32bit的显存，使总的存储器位宽达到512bit，更适合于大块数据传输。GPU缓存主要功能是用于过滤对存储器的请求，减少对显存的访问，这些优势使得它比CPU更适合于流处理计算，处理逻辑分支简单的大规模数据并行任务，使应用得到加速。 　　二、基于GPU的自动3D分割技术的应用 　　图像分割技术是图像处理和分析的关键技术之一，本文研究的基于GPU的自动3D分割技术，就是将原始的3D图像划分成不同性质的区域，然后再将目标图像提取并显示出来。在各领域中，3D分割技术的应用十分广泛，以医学领域为例：在临床诊断、患者的病理分析以及后期治疗过程中都有涉及。 　　临床医疗使用的图像本质上都是模糊的，这些图像的纹理、灰度以及区域边界给图像分割技术造成了极大的困扰。近年来，Graph Cuts 算法框架得到了普遍的关注，其应用领域包括图像复原、多目视觉、图像分割等计算机视觉研究的各个方面。基于 Graph Cuts 的图像分割算法，可以求出全局最优解，可以轻易的从二维扩展到三维甚至更高维的图像分割上，因而具有良好的效果和广阔的应用前景。 　　在基于GPU的自动3D分割技术的研究中，主要针对非刚性图像配准，而且采用正则化梯度流的方法，使得两幅图像之间的能量函数沿着规则化梯度方向递减至最小值，达到配准目的。该方法没有采用循环搜索策略，而是通过在GPU中求解变分偏微分方程，以数据流的形式进行并行处理。利用GPU对三维数据进行投影，并通过投影数据之间的相似度求解配准参数。随着图形硬件在性能和可编程性等方面的改进，使得图像配准算法在GPU中的实现变得更加方便和快捷，根据GPU的新特性本文提出了新加速策略，实现快速基于互信息的三维医学图像刚性配准算法。 　　本文研究的基于GPU的自动3D分割技术包括较多的判断语句以及各搜索方向之间的相互承接，属于计算量小但控制复杂的运行模式，采用普通的CPU编程模式比较容易实现。以空间变换参数为变量的互信息计算在优化搜索过程中需要反复执行数百次甚至更多才能完成一次配准过程，因此提高互信息值的计算速度将能从根本上缩短图像配准时间。互信息的计算过程可以分为两个步骤，第一步执行3D空间变换和三线性插值，第二步计算两幅图像之间的联合直方图，并由联合直方图计算联合墒、边缘墒，进而得到互信息值。这些理论研究成果，经过实践测试后，有着非常显著的图像处理效果，因此基于GPU的自动3D分割技术将是未来医院图像处理领域主要的研究方向