基于CUDA平台的区域分割并行算法设计与实现

摘要

在数字图像处理领域，对目标图像的识别提取操作是较为常见的操作，而图像分割则是识别预处理中的一个经典难题。随着计算机图像技术的迅猛发展，现今的图像处理具有处理数据量大，计算复杂度较高的特点，因此，单纯依赖CPU实现的图像算法已经无法满足实时性要求。国内外许多学者针对于区域分割算法的加速实现进行了大量研究，其中也有一些学者利用CUDA平台进行区域分割算法的加速，并取得了较好的效果。
　　针对区域分割在图像处理领域的重要作用以及CUDA平台下GPU处理大规模数据的优势，本文对基于CUDA平台的三类典型区域分割技术，基于大津法的区域分割，基于区域生长的区域分割，基于Quick shift的区域分割进行了研究，结合三类算法现有的串并行实现，提出了在CUDA平台下三类算法的进一步并行改进。为了实现Otsu和Quick Shift算法的并行化，本文针对这两种算法现有的并行实现中仍然存在的串行步骤，利用CUDA架构，将算法的串行部分转换到GPU中进行并行实现，一方面提高了算法实时性，另一方面减少了CPU与GPU端的多次数据交换，从而实现性能提升。而对本身串行度较高的区域生长算法，本文则采用了一种有异于区域生长传统实现的适用于并行化的新算法，即一种基于并查集思想的生长算法，结合CUDA结构与算法核心思想，提出了该算法在CUDA上的并行实现，采用GPU端进行迭代，大大减少了程序的运行时间。
　　本文简要回顾了区域分割及并行实现的一些基本策略，重点研究了基于CUDA平台的不同区域分割算法的并行策略，及三类算法在CUDA平台上的并行实现。在此基础上，通过详尽的实验，与对应的串行算法进行了对比研究，并给出了各算法通过各类并行策略得到的性能提升，实验结果表明CUDA技术在并行处理方面具有较强的优越性，同时，本文对各算法提出的优化策略能够在保障算法正确性的前提下有效实现算法速率的提升。