基于CUDA的并行图像处理问题分析-光学工程专业论文.docxVIP

摘要I 摘要 I 摘要II 摘要 II 摘 要 21 世纪人类面临的众多重要科技课题，这些课题没有万亿次以上的计算能力 是无法解决的。GPU 与生俱来就有强大的计算能力，NVIDIA 公司推出了 CUDA 架构使开发的难度大大降低，程序员可以很容易地利用 GPU 这个计算工具进行并 行程序的开发。现在 GPU 在非图形领域得到了广泛的应用，基于 GPU 的通用计 算研究也逐渐深入。 本文主要围绕 GPU 在图像交叠变换，粒子群算法，图像插值方面的算法进行了 深入的研究。图像交叠变换涉及众多小块矩阵相乘操作，粒子群算法涉及每个粒 子自身的计算与更新，图像插值涉及到众多像素的插值计算，它们的计算量十分 庞大。本文实现了基于 GPU 的上述三种算法，缩减了时间，提高了仿真系统的性 能。 本文的主要研究内容如下： 1. 时域交叠变换由前后向滤波和 DCT 变换组成，在 DCT 变换之前对输入图 像进行前向滤波，在 DCT 逆变换之后对图像进行后向滤波。在滤波的过程中，滤 波矩阵通过等式运算即可得，只要图像块的大小一定，滤波矩阵也一定，即滤波 矩阵是个常量矩阵。在图像的 DCT 变换过程中，变换矩阵也是个常量矩阵。在 GPU 的运算过程中，我们把这些常量矩阵放在常量存储器中，然后将图像块和这 些常量矩阵相乘既可实现时域交叠变换算法。而大规模矩阵运算我们可以发挥 GPU 多线程运算的优势。本文中利用了 GPU 实现了这些运算。实验结果表明了 GPU 具有快速的浮点运算能力，我们通过采用 GPU 进行通用计算大大减少了运算 时间。 2. PSO 算 HYPERLINK /view/45853.htm 法属于进化算法的一种，和遗传算法相似，它也是从随机解出发， 通过迭代寻找最优解。为了防止粒子群收敛于局部极值点，我们采用多群协同进 化，由于采用多群进行计算，运算量大，我们采用 GPU 进行了加速，有效地缩短 了该算法的收敛时间,大大提高了算法的执行效率。 3. GPU 加速基于边缘的图像插值采用的是回归的算法，该算法能有效地提高 图像插值的视觉效果。我们是把图像扩大四倍，也就是已知 1/4 的图像像素点来 获的整个图像。由于每个被插得像素的运算时相互独立的且每个被插像素的运算 时复杂的，其中涉及大量的矩阵运算，GPU 在运算的过程中，每个线程的运算时 相互独立的正好可以充分发挥 GPU 的优势。由于一个 GTX 590 有两个运算核心， 我们可以利用两个核心同时运算，这大大增加了运算单云的个数，使算法的执行 效率得到进一步的提高。在 GPU 的实现过程中，我们可以用一个线程插一个像素 点，获得了良好的加速效果，加速比高达 85.6x。 本论文的研究得到了国家自然科学基金的资助。 关键字：GPU 交叠变换 PSO 图像插值 ABS ABSTRACT III IVAB IV ABSTRACT ABSTRACT People have confronted many research projects since the 21th century, those projects cann’t be solved without more than trillion times computational ability. GPU’s powerful computational ability is innate, NVIDIA Corporation introduce CUDA architecture which makes programmer easily use GPU to implement parallel program development.GPU is used widely in hardware and software developing, what’s more, now it become a hot topic for research for general purpose computations(GPGPU). This dissertation focuses on the theme of image lapped transform、PSO(Particle Swarm Optimization) and image interpolation simulation. Time domain lapped transform deals with many matrix operation; Each particle’ position has to be computed and updated after a iteration in PSO algorithm; Ma