基于CUDA的双三次B样条缩放方法

doi:10.3778/j.issn.1002-8331.2009.01.056

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (1): 183-185.DOI: 10.3778/j.issn.1002-8331.2009.01.056

• 图形、图像、模式识别 • 上一篇下一篇

基于CUDA的双三次B样条缩放方法

桂叶晨,冯前进,刘磊,陈武凡

南方医科大学生物医学工程学院，广州 510515

收稿日期:2008-07-22 修回日期:2008-09-27 出版日期:2009-01-01 发布日期:2009-01-01
通讯作者: 桂叶晨

Parellel bicubic B-spine interpolation algorithms for image zooming based on CUDA

GUI Ye-chen,FENG Qian-jin,LIU Lei,CHEN Wu-fan

The Department of Biomedical Engineering，Southern Medical University，Guangzhou 510515，China

Received:2008-07-22 Revised:2008-09-27 Online:2009-01-01 Published:2009-01-01
Contact: GUI Ye-chen

摘要/Abstract

摘要： Nvidia在GeForce 8系列显卡上推出的CUDA（统一计算设备架构）技术使GPU通用计算（GPGPU）从图形硬件流水线和高级绘制语言中解放出来，开发人员无须掌握图形学编程方法即可在单任务多数据模式（SIMD）下完成高性能并行计算。研究了CUDA的设计思想和编程方式，改进了基于双三次B样条曲面的图像缩放算法，使用多个线程将计算中耗时的B样条重采样部分改造成SIMD模式，并分别采用CUDA中全局存储器和共享存储器策略在CUDA上完成图像缩放的全过程。实验结果表明，基于CUDA的B样条曲面并行插值方法成功实现了硬件加速，相对于CPU上运行的B样条缩放算法，其执行效率明显提高，易于扩展，对于大规模数据处理呈现出良好的实时处理能力。

关键词: 双三次B样条, 统一计算设备架构（CUDA）, 图形处理器（GPU）, 图像缩放, 重采样

Abstract: The new launch of CUDA（Compute Unified Device Architecture） technology by Nvidia has freed GPGPU（Computation on the Graphic Processing Unit） technology from the graphics fixed pipeline and high-level shader language，allowing the design and implementation of SIMD（Single Instruction，Multiple Data） parallel algorithms on a much more simple way than previous method based on texture rendering.In this paper，the core concept of CUDA is first studied，then bi-cubic B-spline algorithm for image zooming is redesigned into SIMD mode according to CUDA programming model，so that time-consuming resampling part during the whole process can be implemented by parallel threads.Finally，implementation of this SIMD parallel algorithm using global memory and shared memory is detailed respectively.The result shows that this modified method based on CUDA is with high efficiency compared with the traditional Bi-cubic B-Spine interpolation algorithm implemented on CPU，can be easily extended，and shows great potential in real-time processing.

Key words: Bi-cubic B-spine, Compute Unified Device Architecture（CUDA）, Graphic Processing Unit（GPU）, image zooming, resampling

桂叶晨,冯前进,刘磊,陈武凡. 基于CUDA的双三次B样条缩放方法[J]. 计算机工程与应用, 2009, 45(1): 183-185.

GUI Ye-chen,FENG Qian-jin,LIU Lei,CHEN Wu-fan. Parellel bicubic B-spine interpolation algorithms for image zooming based on CUDA[J]. Computer Engineering and Applications, 2009, 45(1): 183-185.

[1]	顾兆军，吴优，赵春迪，周景贤. 流量的集成学习与重采样均衡分类方法[J]. 计算机工程与应用, 2020, 56(6): 86-91.
[2]	杨捷，吴素萍. 点云重建的并行算法[J]. 计算机工程与应用, 2020, 56(6): 213-219.
[3]	徐玲玲，迟冬祥. 面向不平衡数据集的机器学习分类策略[J]. 计算机工程与应用, 2020, 56(24): 12-27.
[4]	王晓华，聂腾腾. 改进的布谷鸟算法优化粒子滤波研究[J]. 计算机工程与应用, 2020, 56(12): 60-65.
[5]	朱超，吴素萍. 特征点检测DoG并行算法[J]. 计算机工程与应用, 2020, 56(10): 36-43.
[6]	侯贝贝，刘三阳，普事业. 基于边界混合重采样的非平衡数据分类方法[J]. 计算机工程与应用, 2020, 56(1): 46-52.
[7]	昝孟恩，周航，韩丹，杨刚，许国梁. 粒子滤波目标跟踪算法综述[J]. 计算机工程与应用, 2019, 55(5): 8-17.
[8]	郭秋红1，梁秀霞1，2. 对3D Warping分解的高质量虚拟视点绘制方法[J]. 计算机工程与应用, 2019, 55(3): 184-190.
[9]	董瑶1，2，葛莹莹1，2，郭鸿湧1，3，董永峰1，2，杨琛1，2. 基于深度强化学习的移动机器人路径规划[J]. 计算机工程与应用, 2019, 55(13): 15-19.
[10]	李英1，杨秋翔1，雷海卫2，杜博2. 基于深度图像绘制技术的正反向映射技术的改进[J]. 计算机工程与应用, 2018, 54(5): 186-190.
[11]	范昱伶1，王美丽1，何东健2. 基于OpenCL的点云分割方法[J]. 计算机工程与应用, 2018, 54(1): 191-195.
[12]	朱鹭伟，陈昭炯. 结合美学原则的内容感知图像缩放算法[J]. 计算机工程与应用, 2017, 53(4): 189-194.
[13]	王向前1，冉维2，马飞1，3. 邻域迭代重采样粒子滤波的纯方位目标跟踪[J]. 计算机工程与应用, 2017, 53(13): 160-166.
[14]	刘高明1，2，荣葵2，朱辉1，谭怀亮2. 应用于嵌入式RTOS的图形显示系统设计[J]. 计算机工程与应用, 2016, 52(9): 190-195.
[15]	李正夫1，2，王希诚3，李克秋1，姚翔3，董悦丽2. CUDA平台下信息熵多种群遗传算法设计[J]. 计算机工程与应用, 2016, 52(1): 12-16.

基于CUDA的双三次B样条缩放方法

Parellel bicubic B-spine interpolation algorithms for image zooming based on CUDA

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics