基于CPU+GPU的图像处理异构并行计算研究

摘要

人机交互式系统对计算精度和速度的要求越来越高,这就要求机器视觉部分处理速度更快,然而传统CPU运算很难满足人们对于系统实时性的要求。近年来,随着GPU硬件的不断发展,GPU展现出了强大的浮点运算能力和内部数据高带宽,GPU被越来越多的用作通用计算领域,但是开发人员必须借助于复杂的计算机图形学 API完成开发过程,这给非计算机专业人员进行开发造成了极大困难。
　　NVIDIA提出的CUDA架构使得开发人员直接对GPU进行编程,而不必将数据打包成纹理,使得我们能够采用CUDA C语言将图像处理算法问题移植到GPU上实现,减小了开发的难度。
　　论文首先回顾了GPU硬件的发展历史,详细介绍了CUDA的概况、编程模型、存储器模型和应用领域,其次分析了CUDA程序的编译流程,最后针对图像处理中的几个典型算法,分析是否具有可并行性,并提出了相应的GPU实现的并行算法,给出了详细的测试数据和结果对比。
　　本论文主要完成了以下工作:
　　(1)分析了图像的双线性插值算法和立方卷积插值算法,给出了这两种算法的GPU实现,并对各平台下实验结果进行了分析。
　　(2)分析了图像平滑算法中的掩模式平滑和图像分割中 Roberts边缘检测算法,提出了GPU实现这两种算法的方案,并对实验结果进行分析。
　　(3)提出了 GPU实现双线性插值算法的两种优化方案,分别采取纹理内存访问和CUDA流异步执行方案加速双线性插值程序。对优化后的试验结果和未优化的试验结果进行了对比,验证了方案的正确性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景及意义

1.2 图像处理领域的算法

1.3 国内外研究现状

1.4 论文研究内容

1.5 论文的结构安排

第2章 GPU通用计算

2.1 CPU与GPU的异同

2.2 GPU的硬件发展历史

2.3 CUDA概述

2.4 CUDA平台的搭建

2.5 本章小结

第3章 GPU并行典型图像处理算法

3.1 GPU并行图像插值算法

3.3 GPU并行掩模式平滑算法

3.4 GPU并行Robert边缘检测算法

3.5 本章小结

第4章 CUDA程序的优化

4.1 CUDA程序的优化

4.2 NVIDIA性能检测工具visual profiler

4.3 双线性插值算法的优化

4.4 本章小结

第5章 结论与展望

5.1 结论

5.2 进一步工作方向

致谢

参考文献