一種混合CPU和GPU的圖像金字塔數(shù)據(jù)重采樣評(píng)估模型?

郝瑞華 魯 強(qiáng)

（中國石油大學(xué)（北京）計(jì)算機(jī)科學(xué)與技術(shù)系 北京 102249）

1 引言

在大規(guī)模圖像可視化應(yīng)用中，往往涉及到數(shù)百M(fèi)B到數(shù)百GB的地形數(shù)據(jù)［1］。對(duì)要顯示的數(shù)據(jù)進(jìn)行繪制時(shí)，則會(huì)產(chǎn)生龐大的運(yùn)算量。構(gòu)建圖像多分辨率金字塔索引是解決這一問題最有效的方法之一。如王文珊深入研究傳統(tǒng)的分層可伸縮編碼架構(gòu)，提出了一種新的金字塔數(shù)據(jù)模型生成與壓縮的方法［2］。張?jiān)浦鄣忍岢鲆环N沿圖像紋理方向?yàn)V波的降采樣方法 TDFA（texture direction filtering ap?proach），可生成高質(zhì)量的空間影像金字塔［3］。曾志等利用集群對(duì)遙感影像并行處理算法進(jìn)行了優(yōu)化［4］，但是圖像金字塔存在一個(gè)明顯的缺點(diǎn)，即圖像金字塔只能存儲(chǔ)固定分辨率的地理圖像，不能讀取任意分辨率的圖像數(shù)據(jù)。當(dāng)顯示圖像分辨率與圖像金字塔中所存圖像分辨率不一致時(shí)，就需要對(duì)圖像金字塔中最接近要顯示分辨率的圖像數(shù)據(jù)進(jìn)行重采樣。而傳統(tǒng)的重采樣方法是利用CPU進(jìn)行串行重采樣，對(duì)于較大的圖像塊，其重采樣速度較慢。雖然GPU能夠利用并行處理來加快圖像重采樣速度，如呂向陽分析了圖像的雙線性插值算法和立方卷積插值算法，給出了這兩種算法的GPU實(shí)現(xiàn)［5］，但是在其重采樣過程中，圖像數(shù)據(jù)需要經(jīng)過主機(jī)內(nèi)存與GPU存儲(chǔ)之間的傳輸，影響重采樣效率。因而可以針對(duì)CPU和GPU自身的優(yōu)勢(shì)，對(duì)CPU-GPU異構(gòu)計(jì)算模型進(jìn)行研究，Zhao J等設(shè)計(jì)了一個(gè)利用CPU-GPU平臺(tái)進(jìn)行遙感圖像融合的并行計(jì)算模型［6］。Ravishankar M等提出了一種跨GPU和多核CPU架構(gòu)進(jìn)行圖像處理的領(lǐng)域特定語言，允許編譯器處理冗長和易出錯(cuò)的任務(wù)，同時(shí)為多個(gè)目標(biāo)體系結(jié)構(gòu)生成高效代碼［7］。Teodoro G等針對(duì)大數(shù)據(jù)集的高分辨率病理組織圖像設(shè)計(jì)了GPU-CPU計(jì)算平臺(tái)［8］。本文通過建立RECG模型根據(jù)圖像數(shù)據(jù)規(guī)模來評(píng)估在CPU和GPU中重采樣的效率，以決定合適的重采樣場(chǎng)所（CPU或GPU），便于CPU和GPU共存協(xié)作，各自發(fā)揮在圖像重采樣中的優(yōu)勢(shì)，并在此基礎(chǔ)上分別設(shè)計(jì)了基于CPU和GPU的圖像數(shù)據(jù)緩存策略，有效地加快了圖像重采樣速度。

2 RECG模型

通過分析和對(duì)比基于CPU和GPU重采樣的方式，來建立選擇CPU或GPU進(jìn)行重采樣的評(píng)估模型，并給出評(píng)估算法。

2.1 CPU重采樣和GPU重采樣的算法對(duì)比

2.1.1 算法流程對(duì)比

1）基于CPU進(jìn)行重采樣的算法流程如下：

根據(jù)指定的地理范圍，將接近所要求分辨率的圖像金字塔數(shù)據(jù)從外部存儲(chǔ)設(shè)備讀入主機(jī)內(nèi)存。利用指定的重采樣算法，對(duì)讀入主機(jī)內(nèi)存的圖像金字塔數(shù)據(jù)進(jìn)行重采樣。將重采樣后的圖像數(shù)據(jù)進(jìn)行顯示。具體過程如圖1所示。

圖1 CPU重采樣流程

2）基于GPU進(jìn)行重采樣的算法流程如下：

根據(jù)指定的地理范圍，將接近所要求分辨率的圖像金字塔數(shù)據(jù)從外部存儲(chǔ)設(shè)備讀入主機(jī)內(nèi)存。將讀入主機(jī)內(nèi)存中的數(shù)據(jù)傳輸至GPU存儲(chǔ)存儲(chǔ)。在GPU中利用指定的重采樣算法，對(duì)讀入的數(shù)據(jù)進(jìn)行重采樣。將重采樣的結(jié)果傳遞至主機(jī)內(nèi)存。具體過程如圖2所示。

圖2 GPU重采樣流程

2.1.2 對(duì)比分析

雖然GPU圖像重采樣速度快，但是GPU圖像重采樣比CPU圖像重采樣增加了主機(jī)內(nèi)存與GPU存儲(chǔ)之間數(shù)據(jù)傳輸?shù)倪^程。當(dāng)GPU進(jìn)行圖像重采樣時(shí)，圖像數(shù)據(jù)在主機(jī)內(nèi)存與GPU存儲(chǔ)之間的傳輸時(shí)間和GPU圖像重采樣所用的總時(shí)間如果小于CPU圖像重采樣時(shí)間，則利用GPU進(jìn)行重采樣，反之則利用CPU進(jìn)行圖像重采樣。因此，在對(duì)圖像進(jìn)行重采樣時(shí)，需要建立一個(gè)模型來評(píng)估不同數(shù)據(jù)規(guī)模和分辨率圖像利用CPU或GPU進(jìn)行圖像重采樣的效率。在此基礎(chǔ)上，為加快重采樣速度，根據(jù)圖像可視化特點(diǎn)設(shè)計(jì)緩存策略，將一部分圖像金字塔中的數(shù)據(jù)緩存在緩存中。當(dāng)進(jìn)行圖像重采樣時(shí)，可減少圖像塊數(shù)據(jù)在不同類型存儲(chǔ)之間的讀取次數(shù)，從而提高效率。

2.2 RECG模型

根據(jù)以上分析，設(shè)CPU重采樣時(shí)間為t（CPU），CPU對(duì)單個(gè)像素點(diǎn)進(jìn)行重采樣用的時(shí)間為t（sp），CPU對(duì)圖像金字塔數(shù)據(jù)進(jìn)行重采樣的總時(shí)間為T（CPU）。主機(jī)內(nèi)存與GPU存儲(chǔ)之間的數(shù)據(jù)傳輸時(shí)間為t（hd），GPU進(jìn)行重采樣時(shí)間為t（GPU），GPU存儲(chǔ)和主機(jī)內(nèi)存之間的數(shù)據(jù)傳輸時(shí)間為t（dh），GPU對(duì)圖像金字塔數(shù)據(jù)進(jìn)行重采樣的總時(shí)間為T（GPU），重采樣結(jié)果圖像的長寬為aw像素和ah像素，單個(gè)像素的通道數(shù)為n，重采樣之前的圖像長寬為bw像素和bh像素，重采樣的縮放倍率為s，GPU重采樣相對(duì)于CPU重采樣的加速比為λ，主機(jī)內(nèi)存與GPU存儲(chǔ)之間的數(shù)據(jù)傳輸速度為vi，GPU存儲(chǔ)與主機(jī)內(nèi)存間的傳輸速度為vo，則有：

GPU的重采樣總時(shí)間為數(shù)據(jù)在主機(jī)內(nèi)存和GPU存儲(chǔ)之間的傳輸時(shí)間和對(duì)圖像進(jìn)行重采樣的時(shí)間之和，如式（2）所示：

CPU對(duì)圖像進(jìn)行串行重采樣，則CPU重采樣的時(shí)間與結(jié)果圖像的大小成正比。則有：

根據(jù)式（1）和（3），則得到CPU重采樣的總時(shí)間為

由數(shù)據(jù)量與傳輸速度的關(guān)系，則數(shù)據(jù)在主機(jī)內(nèi)存和GPU存儲(chǔ)之間的傳輸時(shí)間為

數(shù)據(jù)在GPU存儲(chǔ)和主機(jī)內(nèi)儲(chǔ)之間的傳輸時(shí)間為

根據(jù)縮放倍數(shù)的關(guān)系則有：bw=aw/s，bh=ah/s，在式（5），用aw，ah，s替換bw，bh有：

根據(jù)加速比的關(guān)系，有t（GPU）=λ*t（CPU），根據(jù)式（3），將

分別用式（6～8）中的推導(dǎo)結(jié)果代替式（2）中的相關(guān)變量，則有：

設(shè)m為CPU和GPU重采樣總時(shí)間的比值，則m=（4）/（9），得到經(jīng)驗(yàn)公式：

在式（10）中，vi，vo，t（sp）是常量，與具體計(jì)算設(shè)備型號(hào)相關(guān)，通過提前測(cè)試實(shí)驗(yàn)獲得。n表示通道數(shù)，是一個(gè)常量，由圖像屬性決定。λ也是常量，也與具體具體設(shè)備型號(hào)有關(guān)，通過擬合在同一圖像塊大小相同縮放倍率條件下的t（CPU）和t（GPU）數(shù)據(jù)可以得到。因此在式（10）中，只有縮放倍數(shù)s是個(gè)變量。因?yàn)閙表示CPU與GPU重采樣時(shí)間的比值，所以可以通過m的值來判斷是利用CPU還是GPU進(jìn)行重采樣。當(dāng)m>1時(shí)，用GPU進(jìn)行重采樣，當(dāng)m≤1時(shí)用CPU進(jìn)行重采樣。因此，利用式（10）來判斷是使用GPU還是CPU進(jìn)行圖像重采樣。

3 金字塔層圖像數(shù)據(jù)的重采樣調(diào)度算法

在已經(jīng)建立的RECG模型基礎(chǔ)之上，建立圖像金字塔圖像塊的調(diào)度算法，以達(dá)到對(duì)金字塔圖像進(jìn)行重采樣的目的。

3.1 對(duì)金字塔圖像塊的編碼

3.1.1 圖像金字塔模型

圖像金字塔模型是一種四叉樹結(jié)構(gòu)，如圖3所示。

圖3 四叉樹格式

如圖3所示，圖像金字塔每一層都代表不同分辨率的圖像數(shù)據(jù)，由圖像塊組成，可以按照四叉樹模型結(jié)構(gòu)對(duì)圖像塊進(jìn)行遞歸分解。

3.1.2 圖像金字塔圖像塊編碼

對(duì)于圖像金字塔的每一層，可以按照從左到右，從上到下的順序?qū)D像塊進(jìn)行編碼，則每一個(gè)圖像塊在圖像金字塔中的唯一索引為（l，tx，ty），其中l(wèi)為圖像塊所在的金字塔層數(shù)，tx為圖像塊橫坐標(biāo)，ty為圖像塊縱坐標(biāo)。如圖4對(duì)圖3中圖像金字塔第0層進(jìn)行編碼，灰色圖像塊的坐標(biāo)為（0，3，1）。

圖4 圖像塊編碼

3.1.3 像素點(diǎn)坐標(biāo)和圖像塊坐標(biāo)關(guān)系

如果已知金字塔圖像l層的一個(gè)像素點(diǎn)的坐標(biāo)為（px，py），圖像塊的寬和高為w，h，則此像素點(diǎn)在本層所在的圖像塊坐標(biāo)為

已知第m層的一個(gè)像素坐標(biāo)為（px，py），則此像素在第n層所對(duì)應(yīng)的像素坐標(biāo)為

已知第m層的圖像寬度和高度為mpw，mph，則在第n層時(shí)圖像的寬度npw和高度nph變?yōu)?/p>

3.1.4 每層圖像塊之間的拓?fù)潢P(guān)系

圖像塊拓?fù)潢P(guān)系包含同一層內(nèi)部鄰接關(guān)系和上下層之間的雙親與孩子關(guān)系兩個(gè)方面［9］。已知一個(gè)圖像塊的坐標(biāo)為（l，tx，ty），則：

1）按照從左到右，從上到下的順序，下層孩子節(jié)點(diǎn)的坐標(biāo)分別為［10］

2）此圖像塊的雙親圖像塊坐標(biāo)為

3.2 基于LRU的CPU-GPU緩存調(diào)度策略

LRU（Least Recently Used），即近期最少使用算法。由于在圖像顯示過程中，多次被調(diào)用過的圖像塊，近期被訪問的概率仍然很大，所以本文的調(diào)度算法借鑒了LRU的思想，在GPU存儲(chǔ)和主機(jī)內(nèi)存分別都添加了一個(gè)LRU隊(duì)列，GPU存儲(chǔ)中的LRU隊(duì)列用于存儲(chǔ)近期在GPU中重采樣過的圖像金字塔圖像塊的數(shù)據(jù)，內(nèi)存中的LRU隊(duì)列則是存儲(chǔ)了近期參與CPU重采樣的圖像塊數(shù)據(jù)，以及這些圖像塊的雙親和孩子節(jié)點(diǎn)。為了節(jié)省GPU存儲(chǔ)的存儲(chǔ)空間，GPU中存儲(chǔ)的圖像塊的孩子節(jié)點(diǎn)和父節(jié)點(diǎn)的圖像數(shù)據(jù)也存儲(chǔ)在主機(jī)內(nèi)存中。通過對(duì)圖像塊數(shù)據(jù)進(jìn)行緩存，可以減少圖像塊數(shù)據(jù)在不同類型存儲(chǔ)之間的讀取次數(shù)，以提高重采樣的速度。

3.3 重采樣調(diào)度算法

預(yù)設(shè)GPU存儲(chǔ)中的LRU隊(duì)列為dlrulist，在主機(jī)存儲(chǔ)中的LRU隊(duì)列hlrulist。算法的核心流程如圖5所示。

輸入：要顯示的圖像的起始像素點(diǎn)在原始圖像中起始坐標(biāo)（sx，sy），要顯示的圖像的寬度為bw像素，高度bh像素，圖像縮放以后的寬度和高度aw像素和ah像素。

輸出：重采樣以后的結(jié)果圖像數(shù)據(jù)。

過程：

1）計(jì)算scaleNum=aw/bw。則根據(jù)scaleNum的值，選擇最接近這個(gè)縮放倍數(shù)的金字塔的層數(shù)l。

2）根據(jù)金字塔層數(shù)l，計(jì)算本層的縮放倍率為lScaleNum，分別計(jì)算本層的圖像塊還需要縮放的倍數(shù)為：realScaleNum=scaleNum/lScaleNum。

3）根據(jù)式（12），可以求出要顯示的原始圖像的起始像素坐標(biāo)在l層上對(duì)應(yīng)的像素坐標(biāo)，記為（lsx，lsy）。根據(jù)式（13），求bw，bh在l層出對(duì)應(yīng)的寬度和高度lbw，lbh。

4）根據(jù)式（11）和lsx，lsy，lbw，lbh可以求出要顯示的圖像在圖像金字塔第l層所對(duì)應(yīng)的起止圖片塊的坐標(biāo)，記為（l，stx，sty），（l，etx，ety）。

5）根據(jù)4）求出的圖片塊的起止坐標(biāo)，得出顯示圖像所需要的本層所有圖像塊的坐標(biāo)，通過圖像塊的坐標(biāo)生成圖像標(biāo)識(shí)。

6）根據(jù)RECG模型，以及2）中求出的縮放倍數(shù)，判斷是否是GPU重采樣，是則轉(zhuǎn)7）否則轉(zhuǎn)8）。

7）遍歷5）的結(jié)果，根據(jù)圖像標(biāo)識(shí)在dlrulist中查找是否包含相應(yīng)的圖像塊，如果不包含，則根據(jù)圖像標(biāo)識(shí)在hlrulist中尋找相應(yīng)的圖像塊，如果在hlrulist存在，則直接從主機(jī)內(nèi)存中加載相應(yīng)的圖像塊到GPU存儲(chǔ)，并將圖像信息存儲(chǔ)在dlrulist中，如果在hlrulist不存在，則從外部存儲(chǔ)加載相應(yīng)圖像塊到GPU存儲(chǔ)，并將圖像存儲(chǔ)在dlrulist中，判斷是否此圖像塊存在雙親節(jié)點(diǎn)或者孩子節(jié)點(diǎn)，如果存在，則啟動(dòng)預(yù)加載線程，并行地將此圖像塊的雙親節(jié)點(diǎn)和子節(jié)點(diǎn)加載到hrulist中。當(dāng)所需的圖像塊都在GPU存儲(chǔ)中，則利用GPU實(shí)現(xiàn)對(duì)圖像塊的重采樣。

8）遍歷5）的結(jié)果，根據(jù)圖像標(biāo)識(shí)在hlrulist中尋找相應(yīng)的圖像塊，如果所需圖像塊不存在，則從外部存儲(chǔ)加載相應(yīng)圖像塊到內(nèi)存，并將圖像信息存儲(chǔ)在hlrulist中。當(dāng)所需的圖像塊全部在內(nèi)存中，則接下來利用CPU進(jìn)行重采樣。判斷如果此圖像塊存在雙親節(jié)點(diǎn)或者子節(jié)點(diǎn)，則啟動(dòng)預(yù)加載線程，并行地將此圖像塊的雙親節(jié)點(diǎn)和子節(jié)點(diǎn)加載到hrulist中。

圖5 運(yùn)行時(shí)圖像塊調(diào)度流程圖

4 實(shí)驗(yàn)及分析

實(shí)驗(yàn)設(shè)備為單臺(tái)計(jì)算機(jī)，顯卡為NVIDIA Ge?Force GT520M顯卡，支持CUDA架構(gòu)，顯存大小為1024M，支持的2D紋理的最大高度為65535，最大寬度為65536。CPU為Intel Core2 i5-2410M，4核，2.3GHz。圖像的通道數(shù)為4，插值算法為雙線性插值。實(shí)驗(yàn)首先在不同圖片塊大小的圖像金字塔條件下，分別測(cè)試CPU和GPU的重采樣時(shí)間來驗(yàn)證RECG模型的正確性。接著進(jìn)行了RECG算法與開源柵格空間數(shù)據(jù)轉(zhuǎn)換庫GDAL（Geosp-atial Data Abstraction Library）中的圖像重采樣算法重采樣效率對(duì)比。

4.1 RECG模型驗(yàn)證實(shí)驗(yàn)

實(shí)驗(yàn)結(jié)果如表1～表4所示（表格中各變量的含義見2.2節(jié)）：

表1 8192*8192圖片大小下GPU和CPU重采樣耗時(shí)（ms）

表2 4096*4096圖片大小下GPU和CPU重采樣耗時(shí)（ms）

表3 2048*2048圖片大小下GPU和CPU重采樣耗時(shí)（ms）

表4 1024*1024圖片大小下GPU和CPU重采樣耗時(shí)（ms）

通過以上結(jié)果可以得出：

1）由于數(shù)據(jù)在內(nèi)存和GPU存儲(chǔ)之間的傳遞需要消耗時(shí)間，利用GPU進(jìn)行重采樣的速率并不一定優(yōu)于利用CPU進(jìn)行重采樣的速率。

2）通過試驗(yàn)結(jié)果數(shù)據(jù)中CPU重采樣所用時(shí)間，以及圖像塊的像素?cái)?shù)量，可以計(jì)算出對(duì)CPU單個(gè)像素點(diǎn)進(jìn)行重采樣用的平均時(shí)間為=0.083us。

3）利用實(shí)驗(yàn)結(jié)果數(shù)據(jù)，對(duì)在同一圖像塊大小相同縮放倍率下測(cè)得的t（CPU）（即表中T（CPU））和t（GPU）數(shù)據(jù)進(jìn)行擬合，可以得到CPU重采樣時(shí)間和GPU重采樣時(shí)間之間的關(guān)系，如圖6所示。

由擬合結(jié)果可知，在本實(shí)驗(yàn)環(huán)境下，進(jìn)行重采樣時(shí)，t（CPU）與t（GPU）的關(guān)系，符合線性關(guān)系，根據(jù)這個(gè)趨勢(shì)線可以近似得出，GPU重采樣相對(duì)于CPU重采樣的加速比為λ=0.0243。

4）通過GPU帶寬測(cè)試程序10次測(cè)量得到表5中的數(shù)據(jù)。

圖6t（CPU）和t（GPU）關(guān)系圖

表5 GPU帶寬測(cè)試（GB/s）

根據(jù)表5中的數(shù)據(jù)，求平均值可以得出：主機(jī)內(nèi)存與GPU存儲(chǔ)之間的數(shù)據(jù)傳輸速度-vi=2.78 GB/s，GPU存儲(chǔ)與主機(jī)內(nèi)存之間數(shù)據(jù)傳輸速度-vo=2.99GB/s。

根據(jù)以上的計(jì)算結(jié)果，按照2.2節(jié)中的式（10），將t（sp），λ，vi，vo的值代入公式，便可以求得關(guān)于縮放倍率s的公式為：

4.2 算法效率對(duì)比

在常用的由1024*1024圖像塊組成的圖像金字塔的條件下進(jìn)行本文調(diào)度算法與開源柵格空間數(shù)據(jù)轉(zhuǎn)換庫GDAL中的圖像重采樣算法重采樣效率對(duì)比。結(jié)果如圖7所示。

圖7 調(diào)度算法與GDAL重采樣時(shí)間對(duì)比

4.3 實(shí)驗(yàn)結(jié)果分析

4.3.1 RECG模型驗(yàn)證

通過4.1節(jié)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行公式的驗(yàn)證，首先將縮放倍率代入式（16）。當(dāng)縮放倍率s=1/3時(shí)，得到m=5.22>1，當(dāng)s=1/6時(shí)，m=1.55>1，表明利用GPU進(jìn)行重采樣的速度是CPU重采樣的5.22倍和1.55倍，此時(shí)應(yīng)該利用GPU進(jìn)行重采樣。當(dāng)s=1/9時(shí)，m=0.71＜1，即利用GPU進(jìn)行重采樣時(shí)，速度是CPU重采樣速度的0.71倍，此時(shí)應(yīng)該利用CPU進(jìn)行重采樣。由表1～表4中的實(shí)驗(yàn)數(shù)據(jù)可知，當(dāng)s的值為1/3，1/6時(shí)，T（GPU）的值要小于T（CPU）的值，所以GPU進(jìn)行重采樣更合適，當(dāng)s的值為1/9時(shí)，T（GPU）的值要大于T（CPU）的值，所以用CPU進(jìn)行重采樣更合適，與公式預(yù)測(cè)的結(jié)果吻合。又根據(jù)此公式，當(dāng)進(jìn)行放大操作時(shí)，m的值均大于1，說明在本實(shí)驗(yàn)條件下，進(jìn)行放大操作時(shí)，進(jìn)行重采樣所占的時(shí)間是影響效率的主要因素，主機(jī)內(nèi)存與GPU存儲(chǔ)之間數(shù)據(jù)傳輸所消耗的時(shí)間是次要因素，應(yīng)該用GPU進(jìn)行重采樣。這里對(duì)常用的大小為1024*1024的圖像金字塔圖像塊進(jìn)行放大操作驗(yàn)證，結(jié)果如表6所示。由表6的實(shí)驗(yàn)結(jié)果可以看出，對(duì)圖像塊進(jìn)行放大操作時(shí)，T（GPU）的值均小于T（CPU）的值，與公式預(yù)測(cè)結(jié)果吻合。通過圖像放大和縮小的實(shí)驗(yàn)數(shù)據(jù)表明，式（10）和（16）是合理的。

表6 1024*1024圖片大小下放大操作耗時(shí)（ms）

由4.1節(jié)的實(shí)驗(yàn)數(shù)據(jù)知，當(dāng)利用RECG模型進(jìn)行判斷，結(jié)果為利用GPU進(jìn)行重采樣時(shí)，重采樣速度比相同條件下利用CPU進(jìn)行重采樣的速度成倍增加。當(dāng)結(jié)果為利用CPU進(jìn)行重采樣時(shí)，比相同條件下利用GPU進(jìn)行重采樣時(shí)的速度也有所增加。因此，先利用RECG模型進(jìn)行判斷然后決定重采樣的方式，比單純地使用一種重采樣的方式效率提升很多。

4.3.2 算法效率分析

從圖7可以看出，本文算法的重采樣效率要高于GDAL中圖像重采樣算法的效率。分析其中的原因，主要為算法利用RECG模型根據(jù)要進(jìn)行重采樣的圖像的信息對(duì)重采樣方法進(jìn)行了動(dòng)態(tài)選擇，結(jié)合了GPU與CPU圖像重采樣的各自優(yōu)勢(shì)，而GDAL則是只利用了單一的CPU重采樣方式對(duì)圖像進(jìn)行重采樣。

4.4 重采樣結(jié)果的精確化

4.4.1 金字塔重采樣層數(shù)的選擇

3.3節(jié)中的調(diào)度算法過程1）涉及到金字塔圖像層數(shù)的選擇問題，設(shè)目標(biāo)圖像的分辨率為r，圖像金字塔中與目標(biāo)分辨率接近的層數(shù)的分辨率為r1和r2，且r1>r>r2。為了獲取更好的圖像重采樣效果，則應(yīng)該選擇分辨率為r1的金字塔圖像圖像進(jìn)行重采樣。而當(dāng)需要快速地得到重采樣的結(jié)果，則可以選擇分辨率為r2的圖像實(shí)現(xiàn)重采樣。

4.4.2 重采樣結(jié)果的定位

由于金字塔每層都是按照?qǐng)D像塊劃分的，不能具體到像素點(diǎn)，所以重采樣時(shí)會(huì)出現(xiàn)圖8的情況。

圖8 實(shí)際重采樣圖像和需要重采樣圖像關(guān)系圖

從圖8可以看出，在進(jìn)行重采樣時(shí)，實(shí)際需要重采樣的圖像包含于進(jìn)行重采樣的圖像之中，如果要獲取實(shí)際需要的顯示的圖像，則需要求得重采樣之后實(shí)際需要的圖像的起始像素點(diǎn)坐標(biāo)，設(shè)起始像素點(diǎn)坐標(biāo)為（rsx，rsy），圖像寬和高縮放倍數(shù)為scale?NumW，scaleNumH，則：

通過求得（rsx，rsy）以及已知的縮放以后要求的圖像的長和寬，則可以從重采樣結(jié)果中獲取真正需要的圖像部分。

5 結(jié)語

本文利用了RECG模型來判斷圖像的重采樣方式，并且通過緩存減少圖像塊數(shù)據(jù)在不同類型存儲(chǔ)之間的讀取次數(shù)，有效地提升了對(duì)圖像金字塔圖像塊進(jìn)行重采樣的效率。

本文中的重采樣為對(duì)規(guī)則的可見區(qū)域進(jìn)行重采樣，下一步將研究如何對(duì)不規(guī)則可見區(qū)域進(jìn)行快速重采樣，以及在可見區(qū)域快速轉(zhuǎn)換的過程中，如何提出更高效的預(yù)測(cè)和緩沖策略以降低圖像重采樣的請(qǐng)求響應(yīng)時(shí)間。

［1］鄧雪清.柵格型空間數(shù)據(jù)服務(wù)體系結(jié)構(gòu)與算法研究［D］.鄭州：中國人民解放軍信息工程大學(xué)，2003.

DENG Xueqing.Research of Service Architecture and Al?gorithms for Grid Spatial Data［D］.Zhengzhou：The PLA Information Engineering University，2003.

［2］王文珊.遙感影像金字塔數(shù)據(jù)的生成與壓縮方法研究［D］.太原：太原理工大學(xué)，2015.

WANG Wenshan.TheGenerationandCompression Methord Research of Remote Sensing Image Pyramid Data［D］.Taiyuan：Taiyuan University of Technology，2015.

［3］張?jiān)浦?，張陌，王晉年，等.TDFA：一種生成空間影像金字塔的方法［J］.中國圖象圖形學(xué)報(bào)，2016，21（7）：959-966.

ZHANG Yunzhou，ZHANG Mo，WANG Jinnian，et al.TD?FA：a generation method of spatial image pyramid［J］.Journal of Image and Graphics，2016，21（7）：959-966

［4］曾志，李先濤，張豐，等.一種基于分塊的遙感影像并行處理機(jī)制［J］.浙江大學(xué)學(xué)報(bào)：理學(xué)報(bào)，2012，39（2）：225-230.

ZENG Zhi，LI Xiantao，ZHANG Feng.A mechanism of re?mote sensing image for parallel processing base on split?ting blocks［J］.Journal of Zhejiang University（Science Edition），2012，39（2）：225-230.

［5］呂向陽.基于CPU+GPU的圖像處理異構(gòu)并行計(jì)算研究［D］.南昌：南昌大學(xué)，2014.

LV Xiangyang.Research on Heterogeneous Parallel Com?puting Based on CPU+GPU in Digital Image Processing［D］.Nanchang：Nanchang University，2014.

［6］Zhao J，Zhou H.Design and optimization of remote sens?ing image fusion parallel algorithms based on cpu-gpu het?erogeneous platforms［C］//Image and Signal Processing（CISP），2011 4th International Congress on.IEEE，2011，3：1623-1627.

［7］Ravishankar M，Holewinski J，Grover V.Forma：A DSL for image processing applications to target GPUs and multi-core CPUs［C］//Proceedings of the 8th Workshop on General Purpose Processing using GPUs.ACM，2015：109-120.

［8］Teodoro G，Pan T，Kurc T M，et al.High-throughput analysis of large microscopy image datasets on CPU-GPU cluster platforms［C］//Parallel&Distributed Processing（IPDPS），2013 IEEE 27th International Symposium on.IEEE，2013：103-114.

［9］Scott N Steketee，Norman I Badler，Parametric keyframe interpolation incorating kinetic adj-ustment and phrasing control［J］.ACM SIGGRAPH Computer Graphics，1985，19（3）：255-262.

［10］戴晨光，張永生，鄧雪清.一種用于實(shí)時(shí)可視化的海量地形數(shù)據(jù)組織與管理方法［J］.系統(tǒng)仿真學(xué)報(bào)，2005，17（2）：406-409，413.

DAI Chengguang，ZHANG Yongsheng，DENG Xueqing.An Organization and Management Approach of Data for Real-Time Visualization of Massive Terrain Dataset［J］.Journal of System Simulaton，2005，17（2）：406-409，413.