基于GPU的图像处理算法研究

论文摘要

自动化装备对速度、精度的要求越来越高,这就要求机器视觉部分处理速度尽可能快,单纯利用CPU进行运算很难满足系统对视觉部分的要求。伴随着图形处理器GPU的高速发展,GPU通用计算也开始走向实用阶段。利用GPU的高并行计算能力及其内部高数据带宽,可以帮助CPU从繁重的计算中解脱出来用于其他任务。但GPU作为一种专用硬件,之前对GPU的通用计算开发都是利用图形渲染语言完成,这不仅需要充分了解GPU的硬件结构还需要掌握图形渲染语言,因此利用GPU进行通用计算开发是非常困难的。借助NVIDIA公司发布的CUDA开发框架,GPU的开发难度得到了有效降低。现在可以利用C语言直接对GPU进行编程,而不再需要利用图形渲染语言将算法映射到GPU上。因此,现在利用GPU进行通用计算的问题就集中在需要深入分析GPU的硬件特性,总结出适用于GPU运行的图像处理算法,充分挖掘GPU并行特性在机器视觉图像处理中的应用。本文中我们通过CUDA将一些计算机视觉中常用的算法在GPU上进行了实现,并通过详细测试分析了GPU的特性,对适合GPU运行的算法进行了概括,并通过实验总结了在GPU上优化计算性能的方法。利用获得的上述经验我们成功将GPU应用于工业机器视觉领域,在一些具体的应用中,如圆投影模板匹配,mean shift图像预处理,以及图像卡通化,通过GPU完成应用程序的计算部分,使得运行速度相对CPU提高了几倍到几十倍。这不仅为GPU的应用打下了基础,而且为GPU的后续开发铺平了道路。

论文目录

• 摘要
• Abstract
• 图形列表
• 表格列表
• 第1章 绪论
• 1.1 课题背景及研究意义
• 1.2 国内外相关领域发展现状
• 1.3 本文研究内容和主要工作
• 第2章 GPU 和CUDA 技术
• 2.1 GPU 硬件发展历程
• 2.2 渲染架构发展过程
• 2.2.1 分离渲染架构
• 2.2.2 统一渲染架构
• 2.3 CUDA 技术
• 2.3.1 CUDA 对GPU 的抽象
• 2.3.2 CUDA 对C 语言的扩展
• 2.3.3 CUDA 结构
• 2.3.4 CUDA 编程模型
• 2.3.5 数据传输
• 2.4 小结
• 第3章 典型算法在GPU 上的实现
• 3.1 二值化算法在GPU 上的实现
• 3.2 Sobel 算法在GPU 上的实现
• 3.3 Canny 算法在GPU 上的实现
• 3.4 小结
• 第4章 GPU 在工业视觉中的应用
• 4.1 利用GPU 加速圆投影模板匹配
• 4.1.1 二值化处理
• 4.1.2 圆投影模板匹配
• 4.1.3 算法优化
• 4.1.4 算法 GPU 实现及实验结果
• 4.2 利用 GPU 加速 mean shift 图像预处理
• 4.2.1 基本 mean shift 算法
• 4.2.2 Mean shift 图像滤波
• 4.2.3 K-means 预分类重采样
• 4.2.4 重采样集上 mean shift 聚类
• 4.2.5 实验结果
• 4.3 GPU 应用于图像卡通化
• 4.4 小结
• 结论
• 参考文献
• 致谢