基于CUDA的三維數(shù)據(jù)場可視化加速技術研究

朱 奭

（常熟理工學院 計算機科學與工程學院，江蘇 常熟 215500）

三維數(shù)據(jù)場的可視化從提出以來經(jīng)歷了20多年的發(fā)展，在科學研究，醫(yī)學，石油勘探等領域得到了廣泛的應用.其技術主要分為面繪制和體繪制兩種.其中面繪制通過將三維數(shù)據(jù)構造中間幾何面，然后用傳統(tǒng)的計算機圖形學技術繪制這些幾何面實現(xiàn)；而體繪制是直接由三維數(shù)據(jù)場產(chǎn)生相應的二維圖形，故又稱為直接體繪制技術.后者的優(yōu)勢在于能夠很好的展示物體的全貌以及內部的細節(jié)，但是也帶來了龐大的計算量.傳統(tǒng)的基于軟件的方法，由于數(shù)據(jù)及計算量的龐大，很難達到實時繪制的要求.雖然提出了不少的基于軟件的加速技術，比如不透明度提前終止，空體元的跳躍技術，視見變換的優(yōu)化等，但還是受制于硬件的瓶頸，加速效果有限.隨著硬件技術的發(fā)展，體繪制開始尋求硬件加速的方法.隨著圖形硬件處理器GPU的出現(xiàn)，GPU獨有的可編程管線技術使得可視化的部分工作可以使用GPU完成，減輕了CPU的負擔，提高了可視化的速度；隨著GLSL，HLSL，CG等高級著色語言的出現(xiàn)，進一步提高了GPU的可編程性.基于GPU的體繪制方法得到了更好的發(fā)展.

CUDA編程模型的出現(xiàn)，實現(xiàn)了在不需要借助圖形學應用程序編程接口的條件下，通過類C高級語言直接操作GPU的硬件資源，并行處理數(shù)據(jù)，大大提高處理速度.目前，國內對CUDA技術的研究處于發(fā)展階段，也提出了基于CUDA的一系列直接體繪制的加速技術.本文通過對實現(xiàn)三維數(shù)據(jù)場可視化的光線投射算法進行優(yōu)化和改進.通過將體數(shù)據(jù)以三維紋理的形式存儲在顯存中，利用CUDA的并行運算能力處理數(shù)據(jù)，在圖形處理的幾何階段加速數(shù)據(jù)的處理，實現(xiàn)圖形繪制的加速.

1 算法設計

1.1 CUDA架構下的光線投射的設計

CUDA是一種將GPU作為數(shù)據(jù)并行計算設備的軟硬件體系，其編程模型的核心是Grid，Block，Thread三層結構，以線程網(wǎng)格的形式組織，每個Grid由若干個線程塊（Block）組成，每個Block又由若干個線程（Thread）組成.

光線投射是從圖像的每個像素，沿著固定的方向（通常是視線方向）發(fā)射一條光線，光線穿越整個圖像序列，并在這個過程中，對圖像序列進行采樣獲取顏色信息，同時依據(jù)光線吸收模型將顏色值及不透明度進行累加，直至光線穿越整個圖像序列.將所有像素點的顏色拼接起來，就得到一副完整的可視化圖像.

光線投射算法中每個像素出發(fā)，沿著固定方向發(fā)射的光線之間的計算過程是相互獨立的，計算方式是相同的，具有高度的并行性.可以根據(jù)其特點，利用CUDA下的每個Thread完成，整個屏幕看成一個Grid，每個像素看成一個Thread，根據(jù)區(qū)域特點屏幕劃分為若干區(qū)域，每個區(qū)域看成一個Block，由此將光線投射法利用CUDA的三層架構進行實現(xiàn)，通過CUDA強大的并行運算能力，提高繪制速度.

1.2 算法設計

算法主要分為兩個組成部分，一個是CPU部分（Host部分）；另一個是GPU部分（Device部分）.

CPU上的工作主要是讀取三維數(shù)據(jù)文件，并存儲在內存中，OpenGL環(huán)境的初始化，并建立與顯存之間的聯(lián)系.接收GPU返回的最終結果，并進行顯示.

GPU上的工作主要就是進行光線的遍歷及與數(shù)據(jù)場求交，進行顏色及不透明度的累積計算，并將最終累積結果返回內存.

具體的算法步驟如下：

CPU上的算法步驟：

（1）讀取三維數(shù)據(jù)場raw文件為一個個unsigned char陣列，存儲在device memory中.

（2）OpenGL環(huán)境的初始化，建立PBO（OpengGl像素緩存對象），PBO與GPU顯存之間的綁定；設置模型變換矩陣，設置視線方向.

（3）根據(jù)數(shù)據(jù)場大小，計算CUDA所需的Block及Thread的大小.

GPU上的算法流程：

（1）CUDA環(huán)境的初始化，建立CUDA 的3D Array及3D Texture，device memory中的三維數(shù)據(jù)場數(shù)據(jù)讀入3D Array，設置紋理參數(shù)，并將3D Textrue和3D Array進行綁定.

（2）設定前置參數(shù)，根據(jù)線程索引計算對應的屏幕像素位置，視點坐標.

（3）采用包圍盒法，根據(jù)射線方向，分別求出光線進入數(shù)據(jù)體和離開數(shù)據(jù)體的交點坐標pin、pout及和相機的距離.

（4）由前往后，沿射線方向依次按照預設的采樣間距進行采樣，得到采樣點的顏色和不透明度，按照由前往后的方式進行累加合成.并利用不透明度提前截止，若不透明度值接近1.0，停止計算；否則繼續(xù)采樣下一個點，直到到達離開點為止.

（5）將最終累加的顏色和不透明度值寫入PBO.

至此，GPU上工作完成，CPU再通過OpenGl環(huán)境下的API，直接將PBO中的數(shù)據(jù)在屏幕上顯示.

1.3 線程映射及前置參數(shù)設計

線程映射是將任一光線與CUDA中的Thread進行綁定，實現(xiàn)光線的并行遍歷，是光線投射法并行化處理的關鍵.利用CUDA的四個內建變量，gridDim，blockDim，blockIdx，threadIdx進行控制.其中前兩個內建變量表示了網(wǎng)格和線程塊的規(guī)模，用來計算線程的起始位置，后兩個內建變量表示線程塊的編號和線程的下標，通過兩者的結合表示并行計算線程單元.通過線程索引來對每一條光線編號，線程索引號index通過公式（1）計算.

Index有x，y兩個分量，為了后面計算的方便，利用公式（2）、（3）將其規(guī)范至區(qū)間[-1，1].

其中imageW與imageH代表視平面的寬度與高度.

為了將成像范圍進行約束，采用單位包圍盒，并對視平面大小及視點位置進行初始化規(guī)劃，如圖1所示.其中視點置于z軸（0，0，4）位置，視平面位于（0，0，2）大小2*2單位.Box為單位包圍盒.

圖1 空間關系圖

1.4 光線求交及顏色和不透明度積累

光線投射算法流程的最后是圖像合成，通過沿著某一光線計算出該方向上每一點的顏色和不透明度值，并將其累加起來合成圖像.首先進行光線的求交運算，對任意一條光線，利用向量表示法對其進行描述，為其設置兩個最基本的參數(shù)，起點坐標（ori?gin）和視線方向（direction），則任意一條光線可以表示為公式（4），其中t表示光線在視線方向上的位移.

光線與包圍盒求交采用G.Scott Owen提出的方法，求出一條光線和包圍盒的兩個交點pin和pout，然后以pin為起始點，以pstep為間距沿著視線方向步進.每前進一步，通過公式（5）計算出光線上的某個采樣點在空間中的坐標.

式中eyeRay.o是光線的起始坐標，eyeRay.d*pin是光線入點的坐標，eyeRay.d*pstep是光線的步進距離.由于該坐標位于包圍盒中，坐標值介于（-1，-1，-1）和（1，1，1）之間，通過轉換，將坐標值轉換至紋理坐標[0，1]范圍內.這樣，根據(jù)點的坐標值，提取相應紋理坐標的紋理值，即為該點的灰度值，然后進行不透明度和色彩的累加.色彩和不透明度的合成采用由前往后的合成方法，利用公式（6）、（7）分別進行顏色及不透明度累積.

其中C為顏色值，α為不透明度值.在合成過程中采用不透明度提前終止，若不透明度已經(jīng)達到1，則其后的體元不進行累積，節(jié)省計算時間.最后將累加的結果直接寫入PBO中，形成圖像，在屏幕上顯示.

2 實驗結果及分析

對上述算法，在硬件系統(tǒng)為Intel Core2雙核 T5550 CPU，2GB DDRII內存，NVIDIA GeForce 8400M GS，512MB顯存，操作系統(tǒng)Windows XP，開發(fā)環(huán)境VC++6.0和CUDA SDK3.1，OpenGL3.1庫下實現(xiàn)三維數(shù)據(jù)場并行可視化，并與基于GPU的光線投射算法進行比較.采用兩種不同分辨率的數(shù)據(jù)場分別進行測試，數(shù)據(jù)場的具體參數(shù)如下表1所示.

表1 實驗數(shù)據(jù)場基本信息表

2.1 實驗結果

圖2為對64*64*64的正方體盒重建的效果，圖2a為利用本文算法重建的效果，圖2b為利用基于GPU的算法重建的效果.從成像效果上看，前者細節(jié)的重建效果更好，并且渲染速度達到了10.1fps，滿足交互性要求.

圖3為對256*256*256的頭部MRI體數(shù)據(jù)進行重建，圖3a為本文算法重建效果，圖3b為基于GPU的算法重新的效果，在成像效果上圖3a對大腦內部器官的細節(jié)表現(xiàn)的更好，渲染速度達到了8.7fps，基本滿足交互性要求.通過對兩個數(shù)據(jù)場采用不同算法進行重建的結果分析，本文算法在重建圖像的細節(jié)效果上更優(yōu)，并且重建圖像基本滿足交互性要求（fps）6，即滿足交互性.成像效果的優(yōu)化，主要在于在進行數(shù)據(jù)濾波上采用了歸一化線性濾波；另一方面，在體繪制傳遞函數(shù)上進行了適當?shù)膬?yōu)化處理.

2.2 性能分析

圖2 (a)基于CUDA的正方體盒

圖2 (b)基于GPU的正方體盒重建

表2列出了兩組數(shù)據(jù)場在相同硬件環(huán)境下用不同的算法實現(xiàn)所需的時間及加速比的統(tǒng)計情況.從表中看到，基于CUDA的光線投射算法在繪制時間上有明顯的提高，以正方體盒數(shù)據(jù)為例，基于GPU的算法繪制時間為0.68 s，基于 CUDA的算法繪制時間為0.089 s，其加速比達到了7.64.對于MRI人體頭部數(shù)據(jù)場，加速比有所降低，主要是數(shù)據(jù)場的分辨率提高及數(shù)據(jù)場數(shù)據(jù)量增大后，繪制的時間及計算量增加，不過加速比還是在7左右.從實驗的結果來看，基于GPU算法的加速效果，體現(xiàn)了圖形芯片單指令多數(shù)據(jù)流處理的特點及CUDA架構并行處理的優(yōu)點.在以后的實驗中，要充分利用該優(yōu)勢.

圖3 (a)基于CUDA的MRI人體頭部重建

圖3 (b)基于GPU的MRI人體頭部重建

表2 繪制時間和加速比

3 結論

本文利用CUDA架構的并行技術及可編程硬件技術，采用光線投射算法進行三維數(shù)據(jù)場可視化的研究.通過與基于GPU的光線投射法在相同環(huán)境下對同一組數(shù)據(jù)場進行測試，從成像的效果，繪制的時間兩個方面進行對比，由于CUDA架構具有并行的特點，在繪制上優(yōu)勢明顯，具有較高的加速比.在成像效果上，本文算法能更好的展示細節(jié).后期工作是如何改進傳遞函數(shù)，對感興趣的數(shù)據(jù)突出顯示，以及在交互性上有更好的提高.

[1]張舒，褚艷利.GPU高性能運算之CUDA[M].北京：中國水利出版社，2009.

[2]仇德元.GPGPU編程技術--從GLSL、CUDA到OpenCL[M].北京：機械工業(yè)出版社，2011.

[3]石教英，蔡文立.科學計算可視化算法與系統(tǒng)[M].北京：科學出版社，1996.

[4]唐澤圣.三維數(shù)據(jù)可視化[M].北京：清華大學出版社，1999.

[5]徐賽花，張二華.基于CUDA的三維數(shù)據(jù)并行可視化[J].CT理論與應用研究，2011，20（1）：47-54.

[6]SCHERLH,Keck B,Kowarschik M,et al.Fast GPU-based CT reconstruction using the Common Unified Device Architecture(CU?DA)[C]//IEEE Press.Proceeding of Nuclear Science Symposium and Medical Imaging Conference.Washington,DC:IEEE Press,2007:4464-4466.

[7]董現(xiàn)玲，江貴平，張煜.基于CUDA的快速光線投射法[J].北京生物醫(yī)學工程，2010，29（2）：125-129.

[8]畢文元，陳志強，張麗，等.基于CUDA的三維重建過程實時可視化方法[J].CT理論與應用研究，2010，19（2）：1-8.