基于GPU的圖像粒子擬合和分類算法的研究及應用.pdf

1、隨著當代社會信息快速發(fā)展,每日在氣象預報、計算生物學、商業(yè)風險計算、科學研究等領域產生海量的信息?；趚86體系結構的處理器由于元件的縮小和散熱等工藝技術的限制,很難再有大的性能飛躍。為了應對海量數據問題,使用GPU來加速計算己成為一種趨勢。
　　 在研究病毒中,為跟蹤單點病毒粒子,會拍攝下大量的粒子圖像。這些粒子的熒光圖像在超顯微鏡下的亮度值呈點擴散函數形式。粒子的特征可以通過曲線擬合來得到。Levnberg-Marquard

2、t算法是擬合曲線的一種穩(wěn)定而快速的擬合方法。當擬合拍攝下的大量囊泡粒子圖像時,這將是一個巨大的挑戰(zhàn)。
　　 結合當前的GPU技術和擬合大量的粒子圖像,本文基于CPU+GPU異構架構上做了如下貢獻和工作:
　　 1,設計并實現了基于CPU+GPU架構的適用完整高斯函數、無角度高斯函數、圓形高斯函數等三種情形的GPU-GauseFitting并行程序。通過大量實驗證明在擬合圖像幀數大于1000的情況下,該GPU程序能夠獲得相

3、對于串行程序CPU-GauseFitting40倍以上的加速比。
　　 2,為了應對在拍攝中拍攝到兩個囊泡的情況,對GPU-Gause Fitting進行可擴展性重構。擴展后的GPU-GauseFitting2程序更加具有普適性。通過大量實驗證明在擬合圖像幀數大于1000的情況下,該GPU程序能夠獲得相對于串行程序CPU-GauseFitting60倍以上的加速比。
　　 3,設計并實現了基于CPU+GPU架構的并行樸素

4、貝葉斯分類器(GPU-NBC)。使用該程序對擬合圖像的結果數據進行分類,實驗證明在數據量大于1000的情況下,結果顯示能夠獲得相對于CPU-NBC20倍左右的加速比。此外還使用本程序對來自UCI的10個以上的數據進行與CPU-NBC程序進行對比試驗,獲得了2～50倍的加速比。
　　 本文基于CPU+GPU異構架構實現的GPU-GauseFitting方法,能夠快速的對圖像數據進行擬合。同時GPU-NBC在數據分類中也能很好的起到