GPU并行化處理
可編程圖形處理器（Programmable Graphic Process Unit, PGPU）是目前計算機上普遍采用的圖形圖像處理專用器件，具有單指令流多數據流（SIMD）的并行處理特性，而且提供了完全支持向量操作指令和符合IEEE32位浮點格式的頂點處理能力和像素處理能力，已經成為了一個強大的并行計算單元。研究人員將其應用于加速科學計算和可視化應用程序，取得了令人鼓舞的研究成果。
與CPU相比，GPU具有以下優勢：強大的并行處理能力和高效率的數據傳輸能力[1] [2] [7]。其中，并行性主要體現了指令級、數據級和任務級三個層次。高效率的數據傳輸主要體現在兩個方面： GPU與顯存之間的帶寬為：16GB/s；系統內存到顯存的帶寬為：4GB/s。
總上所述，GPU比較適合處理具有下面特性的應用程序：1、大數據量；2、高并行性；3、低數據耦合；4、高計算密度；5、與CPU交互比較少。
數字圖像處理的并行化分析
數字圖像處理算法多種多樣，但從數據處理的層面來考慮，可以分為：像素級處理、特征級處理和目標級處理三個層次[3][4]。
（1）像素級圖像處理
像素級處理，即由一幅像素圖像產生另一幅像素圖像，處理數據大部分是幾何的、規則的和局部的。根據處理過程中的數據相關性，像素級處理又可進一步分為點運算、局部運算和全局運算。
（2）特征級圖像處理
特征級處理是在像素圖像產生的一系列特征上進行的操作。常用的特征包括：形狀特征、紋理特征、梯度特征和三維特征等，一般采用統一的測度，如：均值、方差等，來進行描述和處理，具有在特征域內進行并行處理的可能性。但是，由于其特征具有象征意義和非局部特性，在局部區域并行的基礎上，需要對總體進行處理。利用GPU實現并行化處理的難度比較大。
（3）目標級圖像處理
目標級處理是對由一系列特征產生的目標進行操作。由于目標信息具有象征意義和復雜性，通常是利用相關知識進行推理，得到對圖像的描述、理解、解釋以及識別。由于其數據之間相關性強，且算法涉及到較多的知識和人工干預，并行處理的難度也比較大。
由此可見，整個圖像處理的結構可以利用一個金字塔模型來表示。在底層，雖然處理的數據量巨大，但由于局部數據之間的相關性小，且較少的涉及知識推理和人工干預，因此大多數算法的并行化程度比較高。當沿著這個金字塔結構向高層移動時，隨著抽象程度的提高，大量原始數據減少，所需的知識和算法的復雜性逐層提高，并行化處理的難度也逐漸加大。
由于絕大部分的圖像處理算法是在像素級進行的，且GPU的SIMD并行流式處理在進行像素級的圖像處理時具有明顯的優勢，而特征級和目標級處理無論是從數據的表達還是從算法自身的實現來說，都很難實現GPU并行化。因此，本文重點研究各種像素級圖像處理操作的GPU并行化實現方法。
數字圖像GPU并行化處理的基本流程與關鍵技術
現代GPU提供了頂點處理器和片段處理器兩個可編程并行處理部件。在利用GPU執行圖像處理等通用計算任務時，要做的主要工作是把待求解的任務映射到GPU支持的圖形繪制流水線上。通常的方法是把計算任務的輸入數據用頂點的位置、顏色、法向量等屬性或者紋理等圖形繪制要素來表達，而相應的處理算法則被分解為一系列的執行步驟，并改寫為GPU的頂點處理程序或片段處理程序，然后，調用3D API執行圖形繪制操作，調用片段程序進行處理；最后，保存在幀緩存中的繪制結果就是算法的輸出數據，如圖1所示[5][6]。
圖1 遙感影像GPU并行化處理基本流程
雖然數字圖像處理算法多種多樣，具體實現過程也很不相同，但是在利用GPU進行并行化處理時，有一些共性的關鍵技術問題需要解決，如：數據的加載，計算結果的反饋、保存等。下面對這些共性的問題進行分析，并提出相應的解決思路。
數據加載
在GPU的流式編程模型中，所有的數據都必須以“流”的形式進行加載處理，并通過抽象的3D API進行訪問。在利用GPU進行圖像處理時，最直接有效的數據加載方法是把待處理的圖像打包為紋理，在繪制四邊形時進行加載、處理。同時為了保證GPU上片段程序能夠逐像素的對紋理圖像進行處理，必須將投影變換設置為正交投影，視點變換的視區與紋理大小相同，使得光柵化后的每個片段（fragment）和每個紋理單元（texel）一一對應。
對于圖像處理算法中的其他參數，如果數據量很小，則可以直接通過接口函數進行設置；如果參數比較多，也應該將其打包為紋理的形式傳輸給GPU。在打包的過程中應充分利用紋理圖像所具有的R、G、B、A四個通道。
計算結果的反饋、保存
應用程序是通過調用3D API繪制帶紋理的四邊形，激活GPU上的片段程序進行圖像處理的，而GPU片段著色器的直接渲染輸出是一個幀緩沖區，它對應著計算機屏幕上的一個窗口，傳統上用來容納要顯示到屏幕的像素，但是在GPU流式計算中可以用來保存計算結果。雖然CPU可以通過3D API直接讀寫這個幀緩沖區，將渲染處理的結果從幀緩存中復制到系統內存進行保存，但是幀緩存的大小受窗口大小限制，而且由于AGP總線的帶寬限制（2.1GB/s），從顯存到系統內存的數據回讀操作效率低下。對于大幅影像的處理應用是顯然不適合的，特別是在中間計算結果的保存反饋時，采用幀緩存方式將成為制約GPU性能發揮的最主要瓶頸。
針對以上問題，筆者利用離線渲染緩存Pbuffer作為輸出緩存。Pbuffer是OpenGL1.3版本的WGL_ARB_pbuffer擴展提供的輸出緩存，它通過在顯存中開辟一個不可見的數據緩沖區，取代幀緩存來保存片段處理器的輸出結果。如果這個結果只是中間計算數據，還可以采用渲染到紋理的技術，把Pbuffer中的數據綁定到一個紋理，供下一遍繪制的片段程序取用，減少數據在顯存和系統內存之間的傳輸，實現整個數據流在GPU芯片內部的流轉，顯著提高數據的反饋速度。特別是在需要GPU反復執行的情況下，可以構造兩個Pbuffer，交替的作為輸入或輸出紋理使用，產生所謂的“Ping-Pong”方法，有效避免中間計算結果的回讀操作。
圖像卷積運算的GPU并行化試驗
卷積運算是一種常見的數字圖像處理局部運算，通過選擇不同的卷積核，可以實現不同的圖像處理效果。圖像卷積運算定義為：
式中，為卷積運算以后的圖像；為待處理的圖像；為卷積核；T為常數，當卷積核中所有系數之和不為零時，T等于所有系數之和，否則等于1。
試驗平臺與數據
硬件平臺為： Intel Core 2 2.0GHz CPU，1GB系統內存，NVIDIA公司的GeForce G0 7400 GPU， 512MB顯存。
軟件平臺：Windows XP操作系統，CPU程序開發環境為Microsoft Visual C++2005，三維繪制接口為OpenGL及其擴展庫WGL_ARB_pbuffer，GPU程序開發語言為Cg。
所采用的試驗數據有兩組，如圖2所示：
第一組為：截取的新加坡部分地區QucikBird衛星影像，大小為（像素）；
第二組為：截取的黃河小浪底部分地區Spot4衛星影像，大小為（像素）。
（a）試驗數據一
（b）試驗數據二
圖2 卷積運算試驗數據
試驗步驟與數據記錄
為了進行多組數據的對比試驗，首先對原始圖像數據進行預處理，通過裁減獲得大小分別為2048×2048、1024×1024、521×512、256×256、128×128的試驗數據。
以經過預處理的10幅不同大小的圖像進行卷積運算對比試驗，分別運行卷積平滑和卷積銳化的CPU和GPU程序，并記錄處理時間。試驗所用的平滑卷積核h1為式(2)，銳化卷積核h2為式(3)：
試驗結果與分析
圖3所示為圖像數據二512×512的平滑和銳化試驗的處理結果，圖4為GPU加速效率對比圖。
（a）卷積平滑后圖像
（b）卷積銳化后圖像
圖3 數據二的圖像平滑、銳化效果對比
圖4 卷積運算GPU加速效率對比圖
從圖4可以看出：隨著圖像的增大，特別是卷積核的變大，GPU的加速效果更加明顯，例如：對2048×2048大小的圖像進行5×5的卷積運算，最高加速比達到了8倍多。但是，在圖像數據較小時，由于OpenGL的初始化和紋理數據的加載耗費了大量的時間，使得GPU并行處理的優勢消失，甚至還沒有CPU處理的速度快。
結語
本文對GPU的并行性和數字圖像處理算法的并行層次進行了簡要的介紹，提出了像素級圖像處理的GPU并行化實現方法，并對其基本流程和關鍵技術：數據的加載，計算結果的反饋與保存等問題進行了詳細論述，最后通過圖像的平滑和銳化的卷積運算證明了GPU在數字圖像并行化處理方面的強大優勢。