基于GPU運(yùn)算的圖像壓縮技術(shù)的研究.pdf

1、隨著數(shù)字化技術(shù)的快速發(fā)展，從靜態(tài)圖像到動(dòng)態(tài)視頻圖像的數(shù)據(jù)量都大幅度增加，因此，目前技術(shù)領(lǐng)域中關(guān)注的熱點(diǎn)是，在保證質(zhì)量的情況下，如何減少圖像數(shù)據(jù)的冗余信息，能夠更加有效的存儲(chǔ)或?qū)崟r(shí)傳輸數(shù)據(jù)信息?，F(xiàn)在CPU上運(yùn)行的多數(shù)的壓縮算法由于數(shù)據(jù)量的增加以及計(jì)算復(fù)雜度的提高，而不能滿足實(shí)時(shí)需求。到目前為止，NIVIDIA的GPU已經(jīng)發(fā)展過(guò)了八代，GPU在高性能通用計(jì)算領(lǐng)域發(fā)展中逐漸占據(jù)了主流地位，并且該技術(shù)的應(yīng)用和發(fā)展一直呈現(xiàn)穩(wěn)定且強(qiáng)勁的增長(zhǎng)趨勢(shì)。G

2、PU的特點(diǎn)是對(duì)大量密集型數(shù)據(jù)并行處理運(yùn)算。因此，本文主要研究的內(nèi)容就是利用GPU實(shí)現(xiàn)靜態(tài)圖像 JPEG壓縮編碼和基于MPEG-2的視頻圖像壓縮編碼。
　　本文首先闡述了CUDA的編程模型，從主機(jī)與設(shè)備的關(guān)系，內(nèi)核函數(shù)的使用方法到CUDA的線程層次；分析了CUDA的存儲(chǔ)模型。并以GeForce GT240為例，分析了GPU的硬件架構(gòu)和硬件映射，以及warp的發(fā)射和執(zhí)行。以此為基礎(chǔ)，展開(kāi)GPU在圖像編碼方面的研究和實(shí)現(xiàn)。本文采用的是C

3、PU+GPU的架構(gòu)模型，CPU負(fù)責(zé)處理邏輯性較強(qiáng)的串行工作，而 GPU則負(fù)責(zé)計(jì)算工作量較大的并行處理工作。這兩者各司其職，合力完成圖像壓縮的任務(wù)。
　　本文主要研究了基于GPU的JPEG靜態(tài)圖像的壓縮編碼和基于GPU的MPEG-2視頻圖像壓縮編碼。
　　本文實(shí)現(xiàn)了在GPU上進(jìn)行并行JPEG圖像壓縮編碼。在對(duì)原JPEG編碼算法的研究分析基礎(chǔ)上，提出了適合在CUDA平臺(tái)上進(jìn)行并行運(yùn)算的JPEG編碼算法，并給出了在GPU上的優(yōu)化。

4、其中，最為重要的是研究了適合在GPU上實(shí)現(xiàn)的可并行DCT變換方法，并且對(duì)于熵編碼，也分析了Huffman編碼方法。本文在實(shí)現(xiàn)了基于GPU的JPEG圖像壓縮編碼，并從幾個(gè)方面對(duì)該算法進(jìn)行了分析，說(shuō)明了基于GPU的并行壓縮的可行性。
　　本文還實(shí)現(xiàn)了基于GPU的MPEG-2視頻圖像壓縮編碼。分析了 MPEG-2視頻壓縮編碼的基本原理。并進(jìn)一步分析了MPEG-2視頻壓縮編碼在GPU上并行運(yùn)算的可行性，并提出了CPU+GPU的并行運(yùn)算和C

5、UDA中的兩級(jí)并行運(yùn)算。接著詳細(xì)的研究了MPEG-2關(guān)鍵模塊，包括運(yùn)動(dòng)估計(jì)、運(yùn)動(dòng)補(bǔ)償、比較計(jì)算、變換與反變換、量化與反量化、熵編碼，按照原算法的特性以及在基于GPU的CUDA編程模型的特點(diǎn)，提出了適合在GPU上的運(yùn)算并行方法，分析各個(gè)模塊的并行算法流程和CUDA編程模型的并行資源分布與圖像處理單元的對(duì)應(yīng)情況。給出了實(shí)現(xiàn)GPU上的MPEG-2視頻圖像壓縮的實(shí)驗(yàn)環(huán)境，并從壓縮率、峰值信噪比、編碼效率幾方面對(duì)整體并行壓縮算法性能進(jìn)行了分析，得