GPU在圖像插值和高光譜壓縮領(lǐng)域的應(yīng)用研究.pdf

1、隨著時代的發(fā)展，特別是近幾十年來，科學(xué)技術(shù)獲得了空前的進(jìn)步。伴隨而來的是海量的數(shù)據(jù)和計算需求，因此，對于高性能計算的需求越來越大。目前，很多國家都非常重視超級計算機(jī)的研發(fā)。起初，都普遍采用以CPU為基礎(chǔ)進(jìn)行研發(fā)。近幾年， GPU強(qiáng)大的計算能力得到了重視，基于CPU-GPU異構(gòu)的并行計算獲得了空前的發(fā)展。得益于CUDA的提出，GPU通用計算的門檻進(jìn)一步降低，促進(jìn)了GPU在科學(xué)技術(shù)和工程領(lǐng)域的廣泛應(yīng)用。
　　本文中，我們圍繞GPU在圖

2、像插值，高光譜壓縮兩個方向的應(yīng)用展開研究。這些都是對于實(shí)時性要求較高的應(yīng)用，采用GPU提高程序的執(zhí)行效率在實(shí)際應(yīng)用中具有重要意義。在圖像插值算法中，我們提出了一種細(xì)粒度的并行執(zhí)行模型。通過與粗粒度的對比證明，細(xì)粒度的并行模型能獲得更高的并行度，并能在一定程度上提高并行程序的執(zhí)行效率。在高光譜壓縮中，本文利用CUDA對基于C-DPCM算法的高光譜無損壓縮進(jìn)行了并行加速，并取得了38倍的加速比。本文的主要研究內(nèi)容如下：
　　1.針對基

3、于邊緣的圖像插值計算復(fù)雜度高的問題，本文分別使用粗粒度和細(xì)粒度模型進(jìn)行了加速。本文首先使用粗粒度模型在GPU上完成了該方法的加速。在粗粒度模型中，每個線程處理一個未知像素，任務(wù)彼此獨(dú)立，互不干擾。為了獲得更高的計算并行度，將線程的任務(wù)進(jìn)一步細(xì)分，實(shí)現(xiàn)了細(xì)粒度的版本。在細(xì)粒度版本中，本文分別使用2*2、2*4、4*4個線程處理一個未知像素的求解過程。最終，對1024*1024的原始圖像處理，獲得了99.09倍的加速比。
　　2.基于