论文部分内容阅读
在数字化的今天,无论是信号的采集还是数据的传输,都面临着对海量数据的处理。而作为信息论基础的奈奎斯特准则,不但无法改善这一状况,甚至在某种程度上束缚了新技术的实际应用和发展。有幸的是,一个新的理论——压缩感知(CS,CompressiveSensing)理论,成功的打破了奈奎斯特准则的限制,并得到广泛关注和研究应用。 压缩感知理论是以极低的采样率进行采样的,远低于奈奎斯特准则规定的采样率。但是,压缩感知理论的低采样率是以重构算法的复杂性换来的,因此,压缩感知理论尤其是信号的重构面临着大数据量的运算。可喜的是,基于图形处理器(GPU,GraphicsProcessingUnits)并行运算的通用性研究,可以方便且有效的解决大数据运算量的问题。 NVIDIA公司推出的统一计算设备架构(CUDA,ComputeUnifiedDeviceArchitecture),极大地促进了GPU通用计算的开发应用。本文的主要工作,就是使用基于GPU并行运算的CUDA来实现压缩感知理论的算法,包括离散小波变换(DWT,DiscreteWaveletTransform)和正交匹配追踪(OMP,OrthogonalMatchingPursuit),并实现对于图像的压缩感知处理。为了体现GPU的运算能力,同时使用基于CPU串行运算的OpenCV(OpenSourceComputerVisionLibrary)实现所述算法,并对两者做出比较。 实验结果表明,GPU具有强大的运算能力,并且使用CUDA可以方便高效的实现压缩感知理论的算法。与基于CPU串行运算的OpenCV相比,基于GPU并行运算的CUDA更具优越性,尤其是对于具有大数据计算量的OMP算法。最后,对压缩感知理论的算法进行CUDA设计时,应该考虑两个因素,即数据吞吐量和数据运算量,因为基于GPU并行运算的CUDA更适合于处理吞吐量小而运算量大的数据。