圖像快速平滑處理方法

郭廣楠　張瑜　張欣

摘 要 為了解決計算密集型的圖像平滑，在分析常見的平滑算法的基礎(chǔ)上，采用統(tǒng)一計算設(shè)備架構(gòu)的軟件和硬件架構(gòu)，提出了一種利用圖形處理器（GPU）的實現(xiàn)方法。首先引入了高強度的GPU并行計算的結(jié)構(gòu)，介紹了GPU均值濾波和中值濾波兩種典型的算法。然后，用不同分辨率的圖像作為測試數(shù)據(jù)，比較相同的市場價格下CPU和GPU之間的計算效率。實驗結(jié)果表明，同種算法GPU獲得了與CPU相同的效果，同時提高的計算效率是CPU的10倍，從而證明了GPU在數(shù)字圖像處理中的實際應(yīng)用效果。

關(guān)鍵詞 圖形處理器 圖像平滑 圖像處理

中圖分類號：TP31 文獻標(biāo)識碼：A

0 引言

近年來，隨著圖形處理器硬件技術(shù)的不斷發(fā)展以及可編程能力的不斷增強，越來越多的應(yīng)用通過使用基于GPU的計算框架提高了算法和系統(tǒng)的效率。GPU的應(yīng)用領(lǐng)域不斷擴大，已被廣泛地應(yīng)用到通用信號處理、物理模擬、財務(wù)數(shù)據(jù)分析以及生物科學(xué)等領(lǐng)域，并取得了顯著的效果。在分子動力學(xué)領(lǐng)域中，GeForce 8800GTX 實現(xiàn)了比CPU高達(dá)240倍的處理速度。在腦電波模擬、視覺和嗅覺計算等方面，通過協(xié)同CPU和GPU工作，實現(xiàn)了130倍的性能提高。借助GPU，GIS（地球信息系統(tǒng)）原本需要20分鐘完成的計算過程，現(xiàn)在只需要30秒就能完成。

1 GPU并行計算架構(gòu)

GPU現(xiàn)在已已實現(xiàn)可編程的圖像處理，由于它具有高內(nèi)存帶寬驅(qū)動的多內(nèi)核，已成為圖像處理的絕對主力。

1.1 GPU架構(gòu)

GPU支持單指令多數(shù)據(jù)（SIMD）指令的數(shù)據(jù)并行計算。在SIMD結(jié)構(gòu)中，單一的控制組件分配到每個管線，相同的指令同時執(zhí)行。例如，NVDIA8800GT包含每組8個，共14組的多處理器組，但每個處理器只有一個指令單元。從線程的角度看，每個多處理器組可以同時并行運行768個活躍線程，即GPU包含14組多處理器組可以同時并行10752個活動線程。在存儲器方面，每個多處理器擁有16KB的可讀寫共享內(nèi)存、8KB的只讀常量緩存、8KB的只讀紋理緩存和8192個32位寄存器。

1.2 GPU編程模型

CUDA（統(tǒng)一設(shè)備計算架構(gòu)）是一個GPU編程平臺，見圖2。它包括一個硬件驅(qū)動程序和應(yīng)用程序接口（API）以及兩個數(shù)學(xué)函數(shù)庫，因此程序員不需要調(diào)用復(fù)雜的圖形API接口。 CUDA中的API還兼容標(biāo)準(zhǔn)C語言庫，這樣程序員就可以通過調(diào)用函數(shù)訪問內(nèi)存并執(zhí)行指令。

為了簡化開發(fā)，CUDA允許程序員將CPU代碼和GPU的代碼混合到程序文件。NVCC作為C語言編譯器，負(fù)責(zé)隔離設(shè)備代碼和宿主代碼。在CUDA匯編時，GPU作為計算設(shè)備可以執(zhí)行大量的并行線程，類似于CPU的協(xié)同處理器。換句話說，用不同的數(shù)據(jù)被執(zhí)行多次的應(yīng)用程序可以被劃分成在不同設(shè)備上執(zhí)行的多個函數(shù)，這被稱為內(nèi)核。

2 基于GPU的圖像平滑實現(xiàn)

2.1 圖像平滑的原理

圖像平滑的方法主要分為兩類：空域法和頻域法。在空域法中，常用的方法是均值濾波和中值濾波。

均值濾波是一種線性空間濾波。它使用大小這奇數(shù)的掩模在圖像上滑動，并用掩膜中所像素的灰度均值替換掩膜中心相應(yīng)的像素灰度值。如果在均值處理時對掩膜中每個像素的權(quán)重進行調(diào)整，即確定每個像素的系數(shù)，它則被稱作加權(quán)平均濾波。這與頻域中的卷積的概念類似，因此線性空間濾波通常被稱為掩膜圖像卷積。中值濾波是一種非線性空間濾波，與均值濾波的差別在于：掩膜中心對應(yīng)的像素點的灰度值均被替換為掩膜中所有像素灰度的中值。本文使用了均值濾波和中值濾波兩種空域法實現(xiàn)圖像的平滑。

2.2 計算分配

GPU的數(shù)據(jù)處理能力要比CPU高得多，雖然它也可以直接負(fù)責(zé)顯示。在與顯示相關(guān)的算法設(shè)計中，應(yīng)該在直接繪圖前盡可能將計算分配給GPU并行處理，而僅讓CPU完成數(shù)據(jù)到內(nèi)存的加載。在一般與顯示無關(guān)的算法設(shè)計中，GPU并行計算數(shù)據(jù)，得到結(jié)果，然后將數(shù)據(jù)傳輸?shù)絉AM。

2.3 實現(xiàn)過程

用GPU實現(xiàn)圖像的平滑的主要步驟如下：

第1步：讀取圖像數(shù)據(jù)。根據(jù)圖像大小在GPU上分配設(shè)備存A，并將數(shù)據(jù)傳送到設(shè)備內(nèi)存A。

第2步：設(shè)置GPU的執(zhí)行參數(shù)，即網(wǎng)格和塊的大小。

第3步：將圖像數(shù)據(jù)與GPU的紋理內(nèi)存綁定，建立與GPU內(nèi)存之間的映射。

第4步：在OpenGL中打開GPU操作所需的高速緩存，完成GPU和OpenGL之間連接。

第5步：調(diào)用內(nèi)核函數(shù)來執(zhí)行圖像平滑。

第6步：OpenGL顯示處理結(jié)果。

內(nèi)核定義需要使用規(guī)范“_global_”， 用擴展語法“<<< >>>” 指定每個并行執(zhí)行的線程數(shù)。內(nèi)核在程序中聲明如下：

ImageSmooth<<< imageH，64>>>（imageIn，imageW，imageW，imageH）（1）

其中， <<< >>>中的參數(shù)說明：分配imageH個塊和每塊包含64個活動線程。imageIn 是要處理的圖像數(shù)據(jù)的起始地址指針，imageW是圖像寬度，imageH是圖像高度。

數(shù)據(jù)塊的大小被聲明為圖像高度imageH，每個塊負(fù)責(zé)一行中像素的平滑處理。每個線程塊包含64個線程，每個線程負(fù)責(zé)imageW/64像素的卷積。這樣就有64譱mageH個獨立的線程在執(zhí)行（1）。

3 結(jié)論

本文實現(xiàn)了基于GPU的圖像平滑算法，并分析了其實驗結(jié)果。結(jié)果表明，與CPU相比，在可以分獨立單位的典型算法中，比如均值和中值濾波都依賴其固有的并行計算硬件結(jié)構(gòu)特點，GPU可以提高到非常高的性能。當(dāng)圖象數(shù)據(jù)量增加時，這種提高就更加明顯。在實驗平臺上，GPU的計算會提高到10倍，這表明了GPU在高密度數(shù)據(jù)計算中的強大的計算能力，這可以為快速圖像預(yù)處理提供硬件支持。