Retinex图像增强在GPU平台上的实现
Implementation of Retinex Image Enhancement Algorithm on GPU Platform
查看参考文献21篇
|
文摘
|
伴随着无人机时代的到来,对海量数据处理的实时性要求越来越高。本文在GPU(Graphic Processing Unit)平台上实现了Retinex图像增强算法的并行处理,提升了Retinex图像增强算法处理高分辨率数字图像的处理速度。首先,通过数据合并访问和内存数据交互技术实现了数据的快速访问,缩短了数据在不同种类内存间的传输时间,提升了数据访问的效率;然后,采用内核指令优化和数据并行计算技术,实现了Retinex图像增强算法在GPU平台上的多核程序设计;最后,采用主机端和设备端的异步执行模式,在数据传输的同时进行内核数据的并行计算,通过任务级的并行进一步缩短了算法在GPU平台上的执行时间。研究表明,对于不同分辨率的图像,Retinex图像增强算法的处理速度相比于CPU平台均有数十倍的提高,如处理一帧分辨率为2048像元×2048像元的图像仅需要38.04 ms,算法的处理速度较CPU提高了40倍。 |
|
其他语种文摘
|
With the advent of the era of UAV,the real-time requriements for massive data processing are getting higher.Achieve parallel processing of Retinex image enhancement algorithm on the GPU (Graphic Processing Unit) platform,which improves the processing speed of Retinex image enhancement algorithm for processing high resolution digital images.Firstly,by data combine-accessing and memory data interaction technology realize fast access of data,shorten the transmission time of data between different kinds of memory,and improve the efficiency of data access.Then,using kernel instruction optimization and data parallel computing technology,the multi-core programming of Retinex image enhancement algorithm on GPU platform is realized.Finally,the asynchronous execution mode of the host and the device is used to perform parallel calculation of the kernel data while data transmission,and the execution time of the algorithm on the GPU platform is further shortened by the parallel of the task level.With the powerful parallel computing power of the GPU,the processing speed of the Retinex algorithm is greatly improved.For images of different resolutions,the processing speed of the Retinex image enhancement algorithm is tens of times higher than that of the CPU platform.Processing an image with a resolution of 2048×2048 pixels requires only 38.04 ms,and the processing speed of the algorithm is 40 times higher than that of the CPU. |
|
来源
|
地球信息科学学报
,2019,21(4):623-629 【核心库】
|
|
DOI
|
10.12082/dqxxkx.2019.180576
|
|
关键词
|
GPU
;
图像增强
;
Retinex算法
;
并行计算
;
无人机
|
|
地址
|
1.
中国科学院航空光学成像与测量重点实验室, 中国科学院航空光学成像与测量重点实验室, 长春, 130033
2.
中国科学院长春光学精密机械与物理研究所, 长春, 130033
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1560-8999 |
|
学科
|
自动化技术、计算机技术;航空 |
|
基金
|
国家重点研发计划项目
|
|
文献收藏号
|
CSCD:6477403
|
参考文献 共
21
共2页
|
|
1.
席诗琼. 一种指纹奇异点区域图像增强算法.
液晶与显示,2018,33(9):801-807
|
CSCD被引
1
次
|
|
|
|
|
2.
朱遵尚.
图像增强技术研究,2009
|
CSCD被引
2
次
|
|
|
|
|
3.
施慧慧. 结合Gabor小波和形态学的高分辨率图像树冠提取方法.
地球信息科学学报,2019,21(2):249-258
|
CSCD被引
6
次
|
|
|
|
|
4.
王竞雪. 局部点、线仿射不变性约束的近景影像直线段匹配.
地球信息科学学报,2019,21(2):137-146
|
CSCD被引
7
次
|
|
|
|
|
5.
张雄星. 温度场纹影定量测量技术.
中国光学,2018,11(5):860-873
|
CSCD被引
3
次
|
|
|
|
|
6.
刘林涛. 基于时空上下文和随机森林的人眼跟踪定位算法研究.
液晶与显示,2018,33(5):443-449
|
CSCD被引
3
次
|
|
|
|
|
7.
Wharton E. A logarithmic measure of image enhancement.
Proceeding. SPIE 2006 Defense and Security Symp. 6250,2006:62500P
|
CSCD被引
1
次
|
|
|
|
|
8.
陈莹. 多子直方图均衡微光图像增强及FPGA实现.
中国光学,2014,7(2):225-233
|
CSCD被引
18
次
|
|
|
|
|
9.
吴笑天. 雾天降质图像的快速复原.
中国光学,2013,6(6):892-899
|
CSCD被引
13
次
|
|
|
|
|
10.
洪平.
基于RETINEX理论的图像去雾研究,2013
|
CSCD被引
1
次
|
|
|
|
|
11.
赵宏宇. 马尔科夫随机场模型下的Retinex夜间彩色图像增强.
光学精密工程,2014,22(4):1048-1055
|
CSCD被引
17
次
|
|
|
|
|
12.
马永杰. 基于嵌入式车流量实时检测算法研究与实现.
液晶与显示,2018,33(9):787-792
|
CSCD被引
2
次
|
|
|
|
|
13.
黄先楼.
基于Normalized Cut的图像分割及其CUDA并行实现,2014
|
CSCD被引
2
次
|
|
|
|
|
14.
赵中兴.
基于GPU的图像检索与重建技术研究,2014
|
CSCD被引
1
次
|
|
|
|
|
15.
张平.
基于CUDA的TLD视觉跟踪算法研究,2014
|
CSCD被引
3
次
|
|
|
|
|
16.
刘超.
快速超分辨率重建方法研究与实现,2014
|
CSCD被引
1
次
|
|
|
|
|
17.
陈志斌. 灰度拉伸 Retinex 在大动态范围烟雾图像增强中的应用.
红外与激光工程,2014,43(9):3146-3150
|
CSCD被引
6
次
|
|
|
|
|
18.
Lu M. Fast implementation of scale invariant feature transform based on CUDA.
Applied Mathematics & Information Sciences,2013,7(2):717-722
|
CSCD被引
2
次
|
|
|
|
|
19.
Julien M. Real-time dense and accurate parallel optical flow using CUDA.
The 17th International Conference in Central Europe on Computer Graphics, Visualization and Computer Vision,2009:105-111
|
CSCD被引
1
次
|
|
|
|
|
20.
李晔. 基于改进的压入与重标记算法的图割在GPU上的实现.
计算机科学,2014,41(1):64-68
|
CSCD被引
1
次
|
|
|
|
|
了解气象卫星更多信息，请访问