基于GPU集群的Mean Shift遙感圖像分割算法并行化研究.pdf

1、多年來(lái)雖然涌現(xiàn)出了多種遙感圖像分割算法，但是遙感圖像分割仍然存在分割精度低、適應(yīng)性差的問(wèn)題。作為圖像分割領(lǐng)域比較經(jīng)典的算法，Mean Shift算法是一種基于特征向量的聚類(lèi)算法，被廣泛應(yīng)用在目標(biāo)追蹤、圖像噪聲平滑、圖像分割等領(lǐng)域。雖然Mean Shift圖像分割算法適應(yīng)性強(qiáng)，具有較好的分割精度，但是它是一種計(jì)算密集型算法，隨著圖像像素?cái)?shù)據(jù)量的增大，Mean Shift算法計(jì)算量呈現(xiàn)出指數(shù)級(jí)的增長(zhǎng)趨勢(shì)。當(dāng)前，為了提升Mean Shift算

2、法效率，解決Mean Shift算法性能瓶頸問(wèn)題的主要方式是采用基于CUDA的單節(jié)點(diǎn)GPU加速來(lái)提升算法運(yùn)算速度。然而，當(dāng)前在這類(lèi)研究中卻存在以下兩個(gè)問(wèn)題：
　?。?）使用CUDA編程模型實(shí)現(xiàn)的算法局限于特定的NVIDIA平臺(tái)，不能在AMD或Intel等廠(chǎng)商的GPU上運(yùn)行，并行算法的可移植性和通用性較差；
　?。?）單GPU平臺(tái)不能滿(mǎn)足多幅遙感圖像同時(shí)處理的需求。
　　為解決Mean Shift圖像分割算法的性能問(wèn)題，

3、本文有針對(duì)性的在異構(gòu)計(jì)算系統(tǒng)GPU集群平臺(tái)上對(duì)該算法進(jìn)行并行化設(shè)計(jì)與應(yīng)用研究，在該異構(gòu)平臺(tái)上CPU和GPU相互協(xié)作可以最大程度提升算法效率。具體的研究?jī)?nèi)容分為以下幾點(diǎn)：
　　（1）設(shè)計(jì)并實(shí)現(xiàn)Mean Shift圖像分割并行算法，在單GPU節(jié)點(diǎn)上探索性能優(yōu)化方法。首先，實(shí)現(xiàn)可以在Linux環(huán)境下運(yùn)行的串行算法；其次，使用Intel VTune性能分析工具分析串行算法性能問(wèn)題，定位串行算法熱點(diǎn)；再次，分析串行算法的性能瓶頸，設(shè)計(jì)相應(yīng)的

4、算法并行化策略；然后，概括并行框架和并行流程，使用異構(gòu)計(jì)算編程模型OpenCL實(shí)現(xiàn)相應(yīng)的并行算法；最后，從數(shù)據(jù)傳輸和數(shù)據(jù)分配兩個(gè)方面出發(fā)，對(duì)已完成的并行算法進(jìn)行優(yōu)化，進(jìn)一步提升并行算法的效率。
　?。?）將并行算法移植到異構(gòu)GPU集群平臺(tái)，提出一個(gè)合適的任務(wù)調(diào)度和負(fù)載均衡策略應(yīng)用到大規(guī)模遙感圖像處理應(yīng)用程序中。調(diào)度策略的實(shí)現(xiàn)依賴(lài)于MPI和OpenCL兩種編程模型，MPI用于不同節(jié)點(diǎn)間的粗粒度的任務(wù)劃分，OpenCL用于GPU節(jié)點(diǎn)工

5、作項(xiàng)細(xì)粒度的負(fù)載均衡，以及計(jì)算單元中計(jì)算的實(shí)現(xiàn)。
　?。?）將我們提出的方法與特定應(yīng)用相結(jié)合，本文通過(guò)研究多時(shí)相遙感圖像變化檢測(cè)應(yīng)用問(wèn)題來(lái)驗(yàn)證所提方法的正確性和有效性。
　　對(duì)上述研究?jī)?nèi)容進(jìn)行測(cè)試分析，實(shí)驗(yàn)結(jié)果數(shù)據(jù)表明：在單GPU平臺(tái)上，我們?cè)O(shè)計(jì)的并行算法獲得了良好的加速比；在并行算法優(yōu)化時(shí)，針對(duì)工作項(xiàng)的負(fù)載不均衡問(wèn)題，重新設(shè)計(jì)工作項(xiàng)的數(shù)據(jù)分配策略，解決了算法加速比與OpenCL工作項(xiàng)數(shù)目的相關(guān)性問(wèn)題，使得工作項(xiàng)數(shù)目變化時(shí)算