基于CUDA的遙感圖像濾波算法實現(xiàn)

曾梟林 董森 王臣彬

（孝感市孝南區(qū)190大院 湖北孝感 432100）

基于CUDA的遙感圖像濾波算法實現(xiàn)

曾梟林 董森 王臣彬

（孝感市孝南區(qū)190大院 湖北孝感 432100）

遙感圖像的數(shù)據(jù)量越來越大，傳統(tǒng)串行算法不能滿足實時處理需求。而GPU在并行計算、浮點運算方面上強于CPU，因此本文嘗試基于CUDA的多處理單元和多線程機制進行算法并行化，從而實現(xiàn)執(zhí)行效率的加速。

并行處理；CUDA；遙感濾波

1 緒論

1.1 研究背景

隨著遙感圖像的數(shù)據(jù)量越來越大，遙感圖像的處理算法計算密集度較高，現(xiàn)有串行算法無法實現(xiàn)實時處理。因此，可以嘗試使用并行化算法對遙感圖像處理進行加速。由于GPU將更多的晶體管用于數(shù)據(jù)的運算，減少了數(shù)據(jù)的緩存，所以GPU的浮點計算能力遠遠的強于CPU，滿足了遙感圖像的實時處理需求。

1.2 編程模型

CUDA編程中線程的層次是一個核心內(nèi)容，CUDA線程以網(wǎng)格（Grid）的方式組織。一個網(wǎng)格中可以包含若干個線程塊（Block），而一個線程塊中包含多個線程。程序的運行過程中，是多個線程塊、多個線程同時并行的。需要說明的是處理器核心以何種順序運行線程塊和線程塊中的線程，都是不定的，并且同一時刻系統(tǒng)能同時運行多少個線程也是由系統(tǒng)的硬件環(huán)境配置所決定的。

一個多線程程序被劃分為多個線程塊，塊之間彼此是無關(guān)的、獨立執(zhí)行，因此一個擁有多核心的GPU花費的時間自然比擁有核心數(shù)目少的GPU的少。

表1 實驗硬件環(huán)境配置表

2 遙感圖像濾波

2.1 濾波算法

2.1.1 均值濾波算法原理

均值濾波算法原理是選擇一個窗口，該窗口由其近鄰的若干像素組成。求窗口中所有像素的均值，再將該點的灰度值替換為求得的平均值賦值。

式中：m——該鄰域窗口的像素點的總和。

2.1.2 中值濾波算法原理

中值濾波算法原理是選擇一個窗口，該窗口由其近鄰的若干像素組成。求窗口中所有像素的中間值，再把該點的灰度值替換為窗口求得的中間值。

式中：f（x，y），g（x，y）分別為待處理圖像和中值濾波后的圖像。W為二維窗口。

2.1.3 Lee濾波算法原理

Lee濾波算法的原理是選擇一定長度的窗口，假定先驗均值和方差可以通過計算局域的均值和方差得到。

其中：

2.2 基于CUDA的濾波并行算法實現(xiàn)

2.2.1 基于CUDA的濾波并行算法

（1）主機開辟圖像大小的內(nèi)存空間，用于存儲讀入的圖像數(shù)據(jù)。運用cudaMalloc（）和cudaMemcpy（）這兩個函數(shù)將主機的數(shù)據(jù)傳遞給設(shè)備。

（2）分配線程數(shù)，默認一個Block中的線程總數(shù)為16×16。本文的并行算法思想是為每一個像素分配一個線程。根據(jù)圖像的長與寬進行計算得到Block的數(shù)目，使其所對應(yīng)的Grid的內(nèi)部的線程總數(shù)大于遙感圖像的像素點的個數(shù)。

（3）創(chuàng)建一個Kernel函數(shù)，計算每一個線程的線程索引，將線程與圖像的像素一一對應(yīng)起來，每一個線程完成一個像素的濾波算法。

（4）濾波算法結(jié)束，運用cudaMemcpy（）函數(shù)將設(shè)備運行后的數(shù)據(jù)傳遞給主機，結(jié)束程序。

2.2.2 實驗結(jié)果及分析

本文以運算加速比來比較運算效率，其中CUDA上的執(zhí)行時間包括主機內(nèi)存和設(shè)備顯存之間數(shù)據(jù)傳遞的時間。

由表2可知：①隨著輸入圖像尺寸的增大，執(zhí)行三種算法的效率都成緩慢增長的趨勢。②三種算法的加速比的變化過程相似，都是在圖像數(shù)據(jù)達到一定大小后，加速比呈緩慢增長趨勢。

表2 三種算法在7X 7窗口下CPU和CU D A兩種平臺下運行的試驗結(jié)果（時間單位s）

3 總結(jié)

對于不同尺寸的輸入圖像，內(nèi)核函數(shù)中分配的線程塊數(shù)目不同，圖像越大，分配的線程塊數(shù)目越多。由GPU的運行原理可知，當一個線程塊進行一些高延遲操作時，可以快速切換到其它線程塊繼續(xù)運算，從而掩蓋延時，提高運算效率。但是當線程塊數(shù)目足夠多，完全滿足了線程塊需要頻繁切換的要求后，再繼續(xù)增大線程塊的數(shù)目，執(zhí)行效率就不會再有明顯提高了，因此，加速比最后基本達到了穩(wěn)定。但是由于受到設(shè)備顯存大小的限制，加速比到達最大值后，繼續(xù)將輸入圖像尺寸增大一倍，設(shè)備顯存的占用將不再是最優(yōu)的情況，導(dǎo)致執(zhí)行效率的下降。

[1]許雪貴，張清.基于CUDA的高效并行遙感影像處理[J].地理空間信息，2011，9（6）：47～54.

[2]郭一漢.基于CUDA的實時圖像拼接技術(shù)研究[D].國防科學(xué)技術(shù)大學(xué)研究生院，2011.

[3]Jason Sanders.GPU高性能編程CUDA實戰(zhàn)[M].機械工業(yè)出版社，2011.[4]張海軍，陳圣波，張旭晴，等.基于GPU的遙感圖像快速去噪處理[J].城市勘測，2010（2）：96～98.

[5]侯俊杰.深入淺出MFC[M].華中科技大學(xué)出版社，1996.

[6]張 舒，褚艷利.GPU高性能運算之CUDA[M].中國水利水電出版社，2009.

[7]K.R.Castleman.數(shù)字圖像處理[M].1.電子工業(yè)出版社，1998.

TP751

A

1004-7344（2016）09-0262-02

2016-3-11