嵌入式GPU在SAR图像变化检测和视频帧率上转换的应用研究

摘要

传统桌面级GPU具有功耗高，设备体积大的缺点，不利于搭载在嵌入式移动端设备。近年来随着高性计算的快速发展，系统级芯片性能提升，使得嵌入式平台设备的计算能力显著提升。拥有低功耗、高性能的嵌入式GPU正在向传统桌面级GPU设备发起挑战。本文围绕NVIDIA嵌入式GPU在FLICM无监督聚类的SAR图像变化检测算法和视频帧率上转换算法两个方向展开研究。本文所研究的主要内容有以下几个方面：
　　（1）本文对基于FLICM聚类的SAR图像变化检测算法进行分析，提出基于CUDA-FLICM聚类的并行SAR图像变化检测算法。CUDA-FLICM并行算法分为两部分，第一部分是并行差异图求解，由于图像中像素参与的运算相互独立，数据的访存无依赖关系，因此将每个像素的对数比值运算映射到GPU的一个线程中计算。第二部分是并行FLICM聚类运算，对每个像素的模糊因子计算和隶属度计算映射在GPU的一个线程内执行。本文将CUDA-FLICM并行算法分别在NVIDIA嵌入式Tegra K1GPU平台和嵌入式Tegra X1GPU平台进行加速比的测试，实验结果表明CUDA-FLICM并行算法最高可获得130倍加速比。
　　（2）本文通过CUDA并行框架对视频帧率上转换算法进行了并行化。并行视频帧率上转换算法包括基于3DRS运动估计算法和基于中值滤波的运动补偿算法。本文首先对基于3DRS的运动估计算法进行并行分析，提出并行运动估计CUDA-ME算法，CUDA-ME算法中由于3DRS中每行宏块的空间候选运动矢量具有依赖性，因此将每行宏块的10个候选矢量的计算放在GPU执行，GPU的每一个线程计算一个候选矢量。另外，通过对基于中值滤波的运动补偿算法进行并行分析，提出并行运动补偿CUDA-MC算法，CUDA-MC算法中每个像素之间的运算相互独立，可以将运动补偿算法中每个像素的插值运算通过GPU的众核完成。CUDA并行帧率上转换算法的实验在NVIDIA嵌入式Tegra K1平台内进行加速比的实验，对CUDA-ME并行算法和CUDA-MC并行算法分别进行加速比的测试。本文实验表明，CUDA-ME并行算法可以达到最高19倍加速比，CUDA-MC并行算法可以达到最高56倍加速比。此后通过CUDA核代码与OpenGL交互操作，完成并行视频帧率上转换算法可视化系统，展示了NVIDIA嵌入式GPU在工程领域的应用前景。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1研究背景与意义

1.2国内外研究现状

1.3论文研究内容

1.4本文结构安排

第二章 GPU并行编程技术介绍

2.1并行硬件架构

2.2 CUDA并行编程模型

2.3 实验平台的介绍

2.4本章小结

第三章 基于嵌入式GPU的并行SAR图像变化检测算法

3.1 基于FLICM无监督聚类SAR图像变化检测

3.2 基于嵌入式GPU的并行SAR图像变化检测

3.3 实验结果及分析

3.4本章小结

第四章 基于嵌入式GPU的并行帧率上转换算法

4.1视频帧率上转换算法介绍

4.2 基于CUDA的并行视频帧率上转换算法

4.3 实验及分析

4.4本章小结

第五章 总结与展望

5.1本文总结

5.2研究展望

参考文献

致谢

作者简介