基于GPU集群的Mean Shift遙感圖像分割算法并行化研究.pdf

1、多年來雖然涌現(xiàn)出了多種遙感圖像分割算法，但是遙感圖像分割仍然存在分割精度低、適應(yīng)性差的問題。作為圖像分割領(lǐng)域比較經(jīng)典的算法，Mean Shift算法是一種基于特征向量的聚類算法，被廣泛應(yīng)用在目標(biāo)追蹤、圖像噪聲平滑、圖像分割等領(lǐng)域。雖然Mean Shift圖像分割算法適應(yīng)性強(qiáng)，具有較好的分割精度，但是它是一種計算密集型算法，隨著圖像像素數(shù)據(jù)量的增大，Mean Shift算法計算量呈現(xiàn)出指數(shù)級的增長趨勢。當(dāng)前，為了提升Mean Shift算

2、法效率，解決Mean Shift算法性能瓶頸問題的主要方式是采用基于CUDA的單節(jié)點GPU加速來提升算法運算速度。然而，當(dāng)前在這類研究中卻存在以下兩個問題：
　　（1）使用CUDA編程模型實現(xiàn)的算法局限于特定的NVIDIA平臺，不能在AMD或Intel等廠商的GPU上運行，并行算法的可移植性和通用性較差；
　?。?）單GPU平臺不能滿足多幅遙感圖像同時處理的需求。
　　為解決Mean Shift圖像分割算法的性能問題，

3、本文有針對性的在異構(gòu)計算系統(tǒng)GPU集群平臺上對該算法進(jìn)行并行化設(shè)計與應(yīng)用研究，在該異構(gòu)平臺上CPU和GPU相互協(xié)作可以最大程度提升算法效率。具體的研究內(nèi)容分為以下幾點：
　　（1）設(shè)計并實現(xiàn)Mean Shift圖像分割并行算法，在單GPU節(jié)點上探索性能優(yōu)化方法。首先，實現(xiàn)可以在Linux環(huán)境下運行的串行算法；其次，使用Intel VTune性能分析工具分析串行算法性能問題，定位串行算法熱點；再次，分析串行算法的性能瓶頸，設(shè)計相應(yīng)的

4、算法并行化策略；然后，概括并行框架和并行流程，使用異構(gòu)計算編程模型OpenCL實現(xiàn)相應(yīng)的并行算法；最后，從數(shù)據(jù)傳輸和數(shù)據(jù)分配兩個方面出發(fā)，對已完成的并行算法進(jìn)行優(yōu)化，進(jìn)一步提升并行算法的效率。
　?。?）將并行算法移植到異構(gòu)GPU集群平臺，提出一個合適的任務(wù)調(diào)度和負(fù)載均衡策略應(yīng)用到大規(guī)模遙感圖像處理應(yīng)用程序中。調(diào)度策略的實現(xiàn)依賴于MPI和OpenCL兩種編程模型，MPI用于不同節(jié)點間的粗粒度的任務(wù)劃分，OpenCL用于GPU節(jié)點工

5、作項細(xì)粒度的負(fù)載均衡，以及計算單元中計算的實現(xiàn)。
　?。?）將我們提出的方法與特定應(yīng)用相結(jié)合，本文通過研究多時相遙感圖像變化檢測應(yīng)用問題來驗證所提方法的正確性和有效性。
　　對上述研究內(nèi)容進(jìn)行測試分析，實驗結(jié)果數(shù)據(jù)表明：在單GPU平臺上，我們設(shè)計的并行算法獲得了良好的加速比；在并行算法優(yōu)化時，針對工作項的負(fù)載不均衡問題，重新設(shè)計工作項的數(shù)據(jù)分配策略，解決了算法加速比與OpenCL工作項數(shù)目的相關(guān)性問題，使得工作項數(shù)目變化時算