基于GPU的图像快速旋转算法优化及应用研究

基于GPU的图像快速旋转算法优化及应用研究

论文摘要

同视机是临床检查、治疗斜视和弱视非常重要的眼科医疗仪器,但是传统机械式同视机在检查精度,操作方法以及功能扩展方面存在诸多问题。数字化同视机利用计算机技术,实现了传统同视机检查、治疗弱视和斜视的功能,具有检查精度高、速度快,操作简便灵活等优点。在数字化同视机的研制过程中,需要高质量的图像以一定的匀速连续、快速地旋转来实现数字化的CAM光栅训练,尽管图像快速旋转是数字图像处理中的一项基本操作,但是基于CPU程序的纯软件的图像旋转算法及其改进算法不能很好地满足CAM训练对旋转流畅性以及操作实时性的要求,而基于DSP+FPGA的硬件方式则不能满足数字化同视机对开发成本以及系统灵活性的要求。近年来,图形处理器(Graphics Processing Unit,简称GPU)发展日益成熟,它专为图形计算而设计,在图像处理方面,比起CPU有明显的优势,它能以更快的速度完成图像处理过程中的矩阵运算,并且已经在顶点级和像素级提供了可编程性。图像处理器为实现数字化CAM光栅训练提供了新的思路。本文利用GPU技术,对传统图像快速旋转算法进行优化设计,然后利用优化后的算法提出一种实现数字化的CAM光栅训练的新方法。首先,从硬件和软件两方面详细分析了图形处理器的技术要点,尤其是可编程流水线的功能结构、着色器的编程原理以及Direct3D效果的使用方法。然后,利用Direct3D的可编程流水线以及ASM着色语言,设计了基于GPU的图像快速旋转的优化算法。该算法首先根据GPU特性存储图像数据,以便GPU能快速处理;然后在顶点着色器中利用GPU加速矩阵运算,完成模型平面每一帧的旋转变换;最后在像素处理阶段利用三线性滤波技术进行纹理滤波以及纹理采样,完成屏幕上每一像素颜色值的计算。整个算法从数据存储方式、顶点几何变换以及纹理映射三个方面对传统图像旋转算法进行优化,获得了较好的图像质量和较高的画面刷新率(FPS),同时克服了图像尺寸增大带来的计算量成倍递增的问题。最后,在DierctX应用程序框架中,根据CAM光栅训练的操作要求设计各个回调函数,根据顶点处理和像素处理部分的功能设计能统一管理可编程着色器的效果文件,应用优化后的旋转算法完成CAM光栅训练中条栅图像实时旋转部分的设计以及修改旋转参数的设计,并对设计结果进行分析与比较。基于GPU的CAM训练不论是在操作实时性还是在CPU占用率上都比基于CPU应用程序的CAM训练有明显优势的结论。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  • 1.1 研究背景及意义
  • 1.2 本文的主要工作
  • 1.3 本文的结构安排
  • 第2章 可编程图形处理器技术
  • 2.1 可编程图形硬件技术
  • 2.1.1 图形处理器的发展
  • 2.1.2 可编程图形流水线结构
  • 2.1.3 顶点着色器与像素着色器
  • 2.2 图形编程接口DirectX以及Direct3D
  • 2.2.1 DirectX的发展历史
  • 2.2.2 Direct3D关键技术
  • 2.3 着色语言(Shading Language)
  • 2.4 Direct3D效果框架(Effer Framework)
  • 2.4.1 技术(technique)、通道(pass)
  • 2.4.2 效果的使用方法
  • 2.5 本章小结
  • 第3章 基于GPU图像快速旋转算法的实现
  • 3.1 数字图像旋转算法概述
  • 3.1.1 图像旋转公式的推导
  • 3.1.2 图像旋转中的插值算法
  • 3.1.3 相关优化处理
  • 3.2 基于GPU的图像快速旋转算法
  • 3.2.1 总体优化流程图
  • 3.2.2 总体优化分析
  • 3.3 算法详细设计
  • 3.3.1 设置顶点数据
  • 3.3.2 平面模型旋转变换
  • 3.3.3 纹理过滤与采样
  • 3.4 实验结果与分析
  • 3.5 本章小结
  • 第4章 图像旋转优化算法在CAM光栅训练中的应用
  • 4.1 CAM光栅训练
  • 4.1.1 CAM光栅训练的原理以及实现方法
  • 4.1.2 基于CPU应用程序的CAM光栅训练
  • 4.1.3 基于CPU的CAM光栅训练存在的问题
  • 4.2 DirectX应用程序框架
  • 4.2.1 DXUT框架的通用文件
  • 4.2.2 DXUT主程序文件中的回调函数
  • 4.2.3 DXUT框架程序的运行过程
  • 4.3 基于GPU的CAM光栅训练的实现过程
  • 4.3.1 CAM训练中效果文件的实现
  • 4.3.2 CAM训练应用程序的实现
  • 4.4 实验结果与对比分析
  • 4.4.1 实验结果与操作方法
  • 4.4.2 算法性能对比与分析
  • 4.5 本章小结
  • 第5章 结论与展望
  • 5.1 全文总结
  • 5.2 工作展望
  • 参考文献
  • 附录
  • 致谢
  • 攻读学位期间参加的科研项目和成果
  • 相关论文文献

    • [1].GPU架构的航拍舰船图像拼接算法[J]. 舰船科学技术 2020(06)
    • [2].数字信号相似度方法研究及GPU并行加速[J]. 贵州师范大学学报(自然科学版) 2020(03)
    • [3].基于GPU平台和多源遥感的月度草畜平衡快速评价方法研究[J]. 科技促进发展 2020(Z1)
    • [4].GPU优化的大规模线性方程组并行求解的研究与比较[J]. 信息通信 2016(12)
    • [5].GPU支持的低延迟引力波数据处理[J]. 中国科学:物理学 力学 天文学 2017(01)
    • [6].片上网络良率评估的GPU加速[J]. 浙江大学学报(工学版) 2017(01)
    • [7].基于GPU的图像处理并行算法分析[J]. 中小企业管理与科技(上旬刊) 2017(03)
    • [8].GPU协处理视频编码的服务平台设计[J]. 电脑知识与技术 2016(28)
    • [9].基于GPU的图像处理计算方法分析[J]. 科技风 2017(03)
    • [10].基于GPU的脉冲压缩并行化研究[J]. 航空计算技术 2017(02)
    • [11].基于GPU的图像增强实验设计与实现[J]. 实验技术与管理 2017(05)
    • [12].基于GPU的数字信道化设计[J]. 数字技术与应用 2017(06)
    • [13].基于GPU加速的电力系统静态安全分析研究[J]. 机电信息 2017(27)
    • [14].GPU并行计算分析[J]. 数字通信世界 2017(09)
    • [15].基于双线性插值的图像缩放在GPU上的实现[J]. 微电子学与计算机 2016(11)
    • [16].GPU并行加速的多步逆时偏移在东濮前梨园地区的应用[J]. 物探与化探 2015(01)
    • [17].基于GPU的视频编辑特效技术研究与实现[J]. 科技资讯 2015(12)
    • [18].基于GPU的异构计算技术在超级计算领域的现状及发展展望[J]. 电脑迷 2017(08)
    • [19].瑞士研究人员利用GPU加速的超级计算机模拟宇宙[J]. 中国教育网络 2017(08)
    • [20].一种基于GPU的逆时偏移并行算法[J]. 计算机应用与软件 2013(10)
    • [21].基于GPU并行加速的逆时偏移成像方法[J]. 石油地球物理勘探 2013(05)
    • [22].一种基于GPU的主机接口设计与验证[J]. 航空计算技术 2020(06)
    • [23].局部地形改正快速计算的GPU并行的棱柱法[J]. 测绘学报 2020(11)
    • [24].高性能GPU模拟器的实现[J]. 高技术通讯 2020(06)
    • [25].基于GPU的天基预警雷达信号自适应检测仿真[J]. 计算机仿真 2020(06)
    • [26].未来的汽车需要什么样的GPU?[J]. 单片机与嵌入式系统应用 2018(03)
    • [27].未来的汽车需要什么样的GPU?[J]. 中国集成电路 2018(07)
    • [28].基于GPU的视频序列中运动目标轮廓提取[J]. 电子测量技术 2016(11)
    • [29].基于GPU加速的包络波形反演[J]. 物探化探计算技术 2017(02)
    • [30].基于GPU的高质量隐式曲面四边形化[J]. 计算机辅助设计与图形学学报 2016(04)

    标签:;  ;  ;  ;  ;  

    基于GPU的图像快速旋转算法优化及应用研究
    下载Doc文档

    猜你喜欢