一種基于gpu的并行拉普拉斯圖像銳化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像處理方法，尤其涉及一種基于GPU的并行拉普拉斯圖像銳化方法，屬于圖像處理領(lǐng)域。
【背景技術(shù)】
[0002]隨著各種技術(shù)及應用的出現(xiàn)，在各個領(lǐng)域都出現(xiàn)了急劇膨脹的海量數(shù)據(jù)趨勢。在數(shù)字圖像處理領(lǐng)域，隨著圖像的分辨率不斷提高，其包含的數(shù)據(jù)量急劇膨脹，并且，新的圖像處理算法不斷提出，這些因素使得圖像處理的計算越來越復雜。在這樣的背景下，對大規(guī)模圖像進行加速處理的研宄就顯得十分迫切，GPU作為一種高度并行的流處理器，具有更強的浮點計算能力。隨著GPU通用計算的普及和CUDA的推出，GPU不再局限于傳統(tǒng)的圖像渲染任務，在通用計算方面也發(fā)揮著越來越重要的作用。目前，主流GPU都采用了統(tǒng)一架構(gòu)單元，憑借強大的可編程流處理器數(shù)量，GPU在單精度浮點運算方面相對于CPU確立了巨大的優(yōu)勢。CUDA最為重要的是其線程模型和內(nèi)存組織，一條線程處理一個元素，若干線程同時計算。這若干條線程以線程、線程塊、線程網(wǎng)格的形式組織，一個線程塊包含若干條線程，一個線程網(wǎng)格包含若干線程塊，線程之間互不干擾，一個線程塊內(nèi)的線程可以通信。CUDA包含若干種內(nèi)存，如全局內(nèi)存、共享內(nèi)存、紋理內(nèi)存、常量內(nèi)存等，各種內(nèi)存有各自不同的特點，如全局內(nèi)存容量最大，速度最慢，共享內(nèi)存速度快于全局內(nèi)存，但容量小于全局內(nèi)存，各個塊里的線程只能訪問該塊擁有的共享內(nèi)存。
[0003]圖像銳化就是加強圖像中景物的細節(jié)和輪廓，使圖像變得較清晰。拉普拉斯算子是一個刻畫圖像灰度的二階商算子，它是最簡單的各向同性微分算子，具有旋轉(zhuǎn)不變性，比較適用于改善因為光線的漫反射造成的圖像模糊在傳統(tǒng)拉普拉斯銳化中，需要對像素點進行逐個處理，并且它們之間沒有相關(guān)性，不存在先后順序，這樣特點使得拉普拉斯銳化特別適合于GPU并行化，大大提高其銳化效率。
[0004]目前已有若干研宄者致力于研宄基于GPU的圖像處理加速領(lǐng)域。李英敏對耗時的三維醫(yī)學圖像同質(zhì)濾波算法進行數(shù)據(jù)并行性分析，優(yōu)化存儲器訪問，且實現(xiàn)了 Canny算子的并行加速。對Canny算子進行數(shù)據(jù)并行性分析，針對每一步驟都選擇合適的并行優(yōu)化策略，最大限度地實現(xiàn)了程序總體的加速。馮煌采用了頻率抽取算法在GPU上實現(xiàn)了快速傅里葉變換FFT算法，同時實現(xiàn)了空間域上的卷積運算的并行算法，其所采用的圖像都為灰度圖像，在實時圖像處理方面將FFT和卷積算法就性能和GPU實現(xiàn)的適應性方面進行了比較，結(jié)果顯示無論是卷積還是FFT，在GPU上的性能都遠遠強于其在CPU上的實現(xiàn)版本。張巍等針對低清晰度照片或圖像放大后邊界模糊、畫質(zhì)差及人們對高清圖像的實際需求，基于CUDA提出了一個兩層結(jié)構(gòu)的圖像并行銳化方法，第一層采用并行線性插值法，反復對圖像非邊界部分進行計算以及邊緣區(qū)域銳化處理，第二層采用改進的梯度法對圖像進一步優(yōu)化，該算法在效率和畫質(zhì)上都優(yōu)于目前流行的算法，提出的方法可應用于現(xiàn)有圖像及照片放大后處理。

【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問題是針對【背景技術(shù)】的不足提供了一種基于GPU的并行拉普拉斯圖像銳化方法。
[0006]本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案
[0007]一種基于GPU的并行拉普拉斯圖像銳化方法，具體包括以下步驟:
[0008]步驟I)，輸入待處理圖像；
[0009]步驟2)，獲取待處理圖像每個像素點的灰度值；
[0010]步驟3)，定義圖形處理器GPU端參數(shù)、定義線程塊與線程網(wǎng)格；
[0011 ] 步驟4)，將步驟2獲取的灰度值數(shù)據(jù)從CPU端傳送至GPU端；
[0012]步驟5)，定義拉普拉斯銳化模版；
[0013]步驟6)，為每個線程計算索引；
[0014]步驟7)，每條線程按照拉普拉斯銳化的公式重新計算其所負責的像素點的灰度值，并存儲在新的數(shù)組中；
[0015]步驟8)，將步驟7)中重新計算的像素點的灰度值傳回CPU端，進而得出銳化后的圖像。
[0016]作為本發(fā)明基于GPU的并行拉普拉斯圖像銳化方法的進一步優(yōu)選方案，在步驟2)中，按照行優(yōu)先順序獲取各像素點灰度值，并存于一維數(shù)組中。
[0017]作為本發(fā)明基于GPU的并行拉普拉斯圖像銳化方法的進一步優(yōu)選方案，在步驟3)中，將線程塊和線程網(wǎng)絡均定義成一維形式。
[0018]作為本發(fā)明基于GPU的并行拉普拉斯圖像銳化方法的進一步優(yōu)選方案，在步驟4)中，通過cudaMemcpy函數(shù)將像素點的灰度值從CPU端傳輸至GPU端。
[0019]作為本發(fā)明基于GPU的并行拉普拉斯圖像銳化方法的進一步優(yōu)選方案，在步驟6)中，一個線程一次負責一個像素點的灰度值，所有線程同時并行計算。
[0020]作為本發(fā)明基于GPU的并行拉普拉斯圖像銳化方法的進一步優(yōu)選方案，在步驟7)中，采用共享內(nèi)存進行像素點的灰度值的讀取，進而完成銳化計算。
[0021]本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果:
[0022]1、本發(fā)明首先讀取原始圖像，將各個像素點的灰度值讀出并存于某一數(shù)組，將像素點的灰度值數(shù)組傳至GPU端，在GPU端執(zhí)行銳化計算過程，在進行銳化計算時，由于對一個像素點灰度值的更新需要讀取周圍若干像素點灰度值，根據(jù)對像素的訪問順序及規(guī)則，充分利用存取速度較快的共享內(nèi)存；
[0023]2、本發(fā)明利用GPU強大的并行計算能力，將對所有像素點的串行處理轉(zhuǎn)變?yōu)椴⑿刑幚?，時間復雜度大大降低，并在此基礎(chǔ)上，結(jié)合拉普拉斯計算過程以及共享內(nèi)存的特點設計合理的像素點存取策略，進一步提高算法執(zhí)行效率。
【附圖說明】
[0024]圖1是基于GPU的并行拉普拉斯圖像銳化算法的流程圖；
[0025]圖2是大小為8*8的圖片的兩種塊劃分方式示意圖；
[0026]圖3是將連續(xù)的像素點劃分到一個線程塊的示意圖；
[0027]圖4是將不連續(xù)的像素點劃分到一個線程塊的示意圖；
[0028]圖5是像素點更多的圖像的塊劃分效果示意圖。
【具體實施方式】
[0029]下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進一步的詳細說明:
[0030]一種基于GPU的并行拉普拉斯圖像銳化方法，具體包括以下步驟:
[0031]步驟I)，輸入待處理圖像；
[0032]步驟2)，獲取待處理圖像每個像素點的灰度值；
[0033]步驟3)，定義圖形處理器GPU端參數(shù)、定義線程塊與線程網(wǎng)格；
[0034]步驟4)，將步驟2獲取的灰度值數(shù)據(jù)從CPU端傳送至GPU端；
[0035]步驟5)，定義拉普拉斯銳化模版；
[0036]步驟6)，為每個線程計算索引；
[0037]步驟7)，每條線程按照拉普拉斯銳化的公式重新計算其所負責的像素點的灰度值，并存儲在新的數(shù)組中；
[0038]步驟8)，將步驟7)中重新計算的像素點的灰度值傳回CPU端，進而得出銳化后的圖像。
[0039]其中，本發(fā)明的基于GPU的并行拉普拉斯圖像銳化算法，步驟3)中，需要定義GPU端的參數(shù)，并為GPU端參數(shù)分配空間。根據(jù)經(jīng)驗，當一個塊中包含256或者512條線程時，計算效率較高，在本發(fā)明中將線程塊和線程網(wǎng)格均定義成一維形式，可根據(jù)圖片大小設計不同的線程塊大小。
[0040]本發(fā)明的基于GPU的并行拉普拉斯圖像銳化算法，步驟4)中，使用cudaMemcpy (A，B, C，cudaMemcpyHostToDevice)函數(shù)將灰度值數(shù)組從CPU端傳輸至GPU端，其中，A是GPU端參數(shù)，B是CPU端參數(shù)，C代表傳輸數(shù)組的大小，cudaMemcpyHostToDevice代表數(shù)據(jù)傳輸方向，Host端指CPU端，Device指GPU端。
[0041 ] 本發(fā)明的基于GPU的并行拉普拉斯圖像銳化算法，步驟7)中，為提高計算速度，使用速度較快的共享內(nèi)存，每個線程塊定義其共享內(nèi)存數(shù)組各個線程根據(jù)所屬線程塊不同，將其對應的存于全局內(nèi)存數(shù)組中的灰度值讀入共享內(nèi)存數(shù)組，隨后，各條線程從共享內(nèi)存數(shù)組中讀取所需要的灰度值來進行銳化計算；
[0042]本發(fā)明的基于GPU的