基于CPU-GPU異構(gòu)平臺的圖像處理的加速研究.pdf

1、高性能計算為解決所面臨的科技難題提供了強大的計算能力，并將大大促進經(jīng)濟的發(fā)展和生活水平的提高。目前，并行計算是高性能計算采用的一個主要實現(xiàn)方式，其中 GPU就是一個不錯的選擇。GPU的圖形計算有著天然的內(nèi)在并行性，其內(nèi)部擁有大量的并行計算單元，這使得GPU吸引了許多從事于并行計算研究的學者的關(guān)注。自NVIDIA在2007年推出CUDA架構(gòu)以后，GPGPU（General Purpose GPU）在科學技術(shù)和工程領(lǐng)域獲得了大量成功的應用。

2、
　　本文主要圍繞視頻去隔行、圖像插值和二維海面模擬這三方面的問題在GPU上的通用計算進行研究。這三個問題都存在計算復雜度高的問題，但是它們的計算過程存在著高度的并行性。因此，我們借助 CPU-GPU異構(gòu)平臺提供的強大計算能力，對這三個問題進行并行實現(xiàn)，并進行了精細的優(yōu)化，最終大大提高了它們的執(zhí)行效率。本文的主要研究內(nèi)容如下：
　　1.基于邊緣自適應場內(nèi)去隔行方案是根據(jù)圖像中像素的關(guān)聯(lián)性，估計出空缺位置的像素點。該算法有效的

3、改善了視頻的畫面質(zhì)量，同時為不同視頻掃描格式轉(zhuǎn)換搭起了橋梁。利用隔行掃描圖像上已知的像素，通過預測模型求出奇場偶數(shù)行或偶場奇數(shù)行上的未知的像素，最終估計出逐行掃描的圖像。該算法的計算過程具有天然的并行性，每一個缺失像素的估計過程都是獨立的。因此，我們在基于 CPU-GPU的異構(gòu)平臺上設計并實現(xiàn)了該方法的并行方案，利用共享內(nèi)存、寄存器、異步數(shù)據(jù)傳輸和多GPU優(yōu)化，最終得到了94.6x的加速比。
　　2.通過基于自回歸模型的圖像插值方

4、案獲得的重構(gòu)圖像，在圖像質(zhì)量和視覺效果方面都優(yōu)于過去被普遍使用的線性插值方法。整個算法分為兩步：首先根據(jù)采樣圖像上的已知像素構(gòu)造預測模型，獲得重構(gòu)圖像上未知像素的預測權(quán)值；然后根據(jù)第一步求得的未知像素對已知像素進行反饋，調(diào)整預測權(quán)值，最終求得整個算法的最優(yōu)解。由于高分辨率圖像上的每一個未知像素的插值過程是獨立的，因此我們可以充分利用 GPU強大的計算能力對插值過程加速。經(jīng)過精細優(yōu)化，在保證圖像質(zhì)量一致的情況下，最終獲得了21.2x的加速

5、比。
　　3.二維海面模擬是研究海洋及其上面組合物體的電磁散射的關(guān)鍵技術(shù)。本文的二維海面模擬是建立在海浪譜的線性波理論的基礎(chǔ)之上，通過線性疊加法實現(xiàn)二維海面的模擬。在生成二維海面過程中，采樣間隔越小，模擬的海面越精細，這意味需要更大的計算量。由于每個采樣點的計算是獨立的，因此我們可以采用并行的策略來實施更加精細海面的模擬。本文在CPU-GPU平臺上實現(xiàn)了二維海面模擬的并行方案，大大提高了海面模擬的執(zhí)行效率，最終獲了315.9x的加