论文部分内容阅读
随着计算机图像识别技术的发展,现代社会对于图像的理解和分析的要求越来越高,单纯依靠CPU进行计算的时代已经很难满足日益提高的需要,于是,CPU向多核心技术发展,但仍然无法满足人们对于大型数据量计算的需求,并且增加了编程的难度。此时,一种采用并行处理架构硬件——计算机图形处理器(Graphic ProcessorUnit,GPU)越来越受到开发人员的关注。由于GPU的浮点计算速度远远高于同时期的CPU,同时GPU内部的数据带宽也远远高于CPU的内存子系统带宽,这两点使得GPU相对CPU更适合做高密度的科学运算。针对于像船用钢板三维测量这种大数据量型计算更有很大的优势。基于GPU的计算机处理越来越受到研究开发人员的青睐,尤其是三维钢板测量过程中,由于其数据量较大,单独依靠CPU太耗时,由GPU和CPU组成协作处理器共同处理,其中,串行的代码在CPU上运行,并行计算的核代码在GPU中处理,这样就大大提高了运算速度、节省了时间资源。本文首先介绍了GPU强大的计算能力和并行处理优势,并且着重研究了目前市场上的主流开发平台CUDA的硬件架构、软件环境、编程模型以及目前的主要应用领域。然后,分别在时域空间和频域空间使用GPU加速一些图像预处理算法,包括图像的锐化算法,图像平滑算法和快速卷积算法等。针对船用钢板纹理特征不明显的特点,利用工控机控制投影仪向钢板投影点阵结构光,选取Harris角点检测算法和SURF局部特征提取算法基于CUDA平台实现特征点的提取工作,根据提取特征点的速度和CPU上执行相同计算量和复杂度的算法耗时进行比较,得到加速比,验证GPU的加速效果。最后,总结CUDA编程的优化策略,并针对船用小型钢板的特点提出了几点CUDA程序优化方法。