基于邊緣圖像插值的GPU并行實現(xiàn).pdf

1、圖像插值是圖像處理中很重要的方法，在圖像放大、圖像去隔行和圖像去噪等方面都有著廣泛的應用。目前存在著很多的插值方法，但是傳統(tǒng)的圖像插值方法具有低通濾波器的特性，會造成圖像中重要高頻細節(jié)信息的丟失，所以近年來提出的基于邊緣的圖像插值方法更具有實際意義，比如Xin Li等提出的基于邊緣的圖像插值方法是根據(jù)低分辨率圖像的協(xié)方差來估計高分辨率圖像的協(xié)方差。得到的高分辨率圖像具有良好的視覺效果，但是該算法具有較高的復雜度，所以對此類圖像插值方法進

2、行優(yōu)化，使其在保證插值圖像質(zhì)量的情況下減小復雜度，提高運行效率有著重要的實際意義。本文提出了使用CUDA(Compute Unified Device Architecture)將基于邊緣的圖像插值方法移植到GPU(Graphic Processing Unit)上。通過GPU的并行計算，使得在保證插值后圖像質(zhì)量的情況下，大大提高算法的執(zhí)行效率。本研究主要內(nèi)容如下：
　　 ⑴針對基于邊緣的圖像插值算法插值效果好但是計算復雜度高等

3、問題，本文利用CUDA對該圖像插值算法進行GPU并行計算。即根據(jù)像素的獨立性，利用多個線程分別獨立地計算多個缺失的高分辨率圖像的像素值。實驗結果表明，我們成功地實現(xiàn)了基于邊緣圖像插值的GPU并行計算。同時使用共享存儲器對并行方案進行了初步的優(yōu)化，得到了12.2x的加速比。
　　 ⑵雖然實現(xiàn)了基于邊緣圖像插值算法的GPU并行計算，但是其加速比遠遠低于我們的期望。所以本文針對SM上的計算資源和I/O傳輸時間等方面對并行方案進行了全面

4、的優(yōu)化。首先利用SM的計算資源寄存器對并行方案進行了優(yōu)化，即用寄存器替代了共享存儲器來對數(shù)據(jù)進行存??；其次利用異步傳輸對I/O數(shù)據(jù)傳輸時間進行了有效地隱藏，最終我們得到了61.7x的加速比。
　　 ⑶基于上下文預測的場內(nèi)去隔行算法實質(zhì)上也是一種圖像插值。同樣是使用已知的低分辨率圖像的像素點來估計高分辨率圖像中缺失的像素點。實驗通過CUDA并行計算對該去隔行算法進行了優(yōu)化，在保證去隔行后圖像幀質(zhì)量不變的情況下，取得了51.5x的加