基于CUDA的光纖傳像束光纖數(shù)量優(yōu)化檢測

張永杰，陳文建，李武森

(南京理工大學(xué) 電子工程與光電技術(shù)學(xué)院，南京 210094)

0 引 言

可以發(fā)現(xiàn)，對于圓或類圓的檢測已有了深入研究，但在提出或改進(jìn)算法的同時(shí)不能兼顧處理速度是目前最突出的問題之一。不僅如此，現(xiàn)階段很多算法僅使用C語言或Matlab平臺(tái)編寫都存在著運(yùn)行速度緩慢的問題，尤其是大矩陣和大數(shù)據(jù)運(yùn)算。統(tǒng)一計(jì)算設(shè)備架構(gòu)(Compute Unified Device Architecture，CUDA)是一款由英偉達(dá)(NVIDIA)推出的通用并行計(jì)算架構(gòu)，該架構(gòu)使圖形處理器(Graphic Processing Unit，GPU)能夠解決復(fù)雜的計(jì)算問題。本文在使用基于歐拉數(shù)(Euler Number)計(jì)算的邊緣優(yōu)化處理算法的基礎(chǔ)之上，對采集樣本圖像中的光纖數(shù)量進(jìn)行精確檢測，并研究了一種基于CUDA使用C語言編寫算法的軟件系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，使用該系統(tǒng)對光纖傳像束端面圖像進(jìn)行檢測，能準(zhǔn)確分類光纖輪廓并計(jì)算數(shù)量，同時(shí)大幅度提高了檢測速度。

1 光纖傳像束端面圖像采集

圖1 圖像采集系統(tǒng)原理示意圖

假設(shè)光纖傳像束端面恰好完整成像于相機(jī)傳感器靶面上。在相機(jī)選型時(shí)，記相機(jī)最高分辨率為m×n像素(m和n分別為相機(jī)靶面的長度和寬度)，并設(shè)m′×n′為最小像元分辨像素(最小像元是一個(gè)矩陣單元，m′和n′分別為矩陣的長度和寬度)，則相機(jī)在該系統(tǒng)里理論上可以一次性完整檢測出的極限光纖數(shù)量N為

例如，本次實(shí)驗(yàn)使用的相機(jī)分辨率為1 920×1 080 pixel。通過測試分析，最小像元分辨像素為4×4 pixel。因此，該相機(jī)理論上可以準(zhǔn)確檢測出完整成像的極限光纖數(shù)量約為5.7萬個(gè)。

通過實(shí)驗(yàn)，得到如圖2所示的光纖傳像束端面圖像樣本。

圖2 光纖傳像束端面圖像樣本

該圖像尺寸為1 920×1 080 pixel，單根光纖像元尺寸為26×26 pixel。分析可知，此時(shí)β偏高，導(dǎo)致成像過大；若需得到完整的端面圖像，結(jié)合式(2)可適當(dāng)增大f1或減小f2。該圖像效果基本滿足設(shè)計(jì)要求，本文將主要針對該類采集不完整的端面圖像做進(jìn)一步研究分析。

2 算法設(shè)計(jì)

2.1 基于歐拉數(shù)計(jì)算的邊緣優(yōu)化處理

對于圖2所示的樣本圖像，由于β不合適導(dǎo)致圖像邊緣處的光纖輪廓拍攝不完整。在實(shí)際計(jì)數(shù)或者人為判斷時(shí)，很難將這些擁有隨機(jī)不完整度的不完整輪廓逐個(gè)分類，因此造成最終計(jì)算結(jié)果存在差異。針對此類現(xiàn)象，本文提出了一種優(yōu)化處理算法，即針對每一個(gè)輪廓進(jìn)行歐拉數(shù)計(jì)算，然后對有著不同歐拉數(shù)計(jì)算結(jié)果的輪廓進(jìn)行不同的處理，最后將輪廓?dú)w為“完整輪廓”和“不完整輪廓”兩種類型并分別標(biāo)記與計(jì)算數(shù)量。

本次研究兩組患者,對照組遵醫(yī)率77.39%、疾病相關(guān)知識(shí)掌握程度76.52%、護(hù)理滿意度75.65%,觀察組遵醫(yī)率98.26%、疾病相關(guān)知識(shí)掌握程度95.65%、護(hù)理滿意度99.13%;兩組比較可知,觀察組遵醫(yī)率、對疾病相關(guān)知識(shí)掌握程度、滿意度均顯著高于對照組,差異均有統(tǒng)計(jì)學(xué)意義(P<0.05),如表1所示;

在二值圖像分析中，歐拉數(shù)作為重要的拓?fù)涮卣髦唬粫?huì)因圖像的放大、縮小、旋轉(zhuǎn)和變形而發(fā)生改變，在圖像分析和幾何對象識(shí)別中有著十分重要的作用[9]。歐拉數(shù)的一般定義為圖像中包含的連通域數(shù)量與孔洞數(shù)量之差，其計(jì)算公式為

式中：M為連通域數(shù)量；H為孔洞數(shù)量；E為相減后得到的歐拉數(shù)。圖3所示為歐拉數(shù)測試樣本，對于字母A來說，其本身是一個(gè)完整的連通域，并且內(nèi)部有一個(gè)三角形的黑色孔洞，因此“A”的歐拉數(shù)為0；對于字母B來說，它是一個(gè)完整的連通域并且有兩個(gè)黑色孔洞，因此“B”的歐拉數(shù)為-1；而字母C雖然是一個(gè)完整的連通域卻不存在孔洞，因此“C”的歐拉數(shù)為1。由此可見，依據(jù)連通域和孔洞信息，便可以將3個(gè)不同的英文字母分為3類。

圖3 歐拉數(shù)測試樣本及結(jié)果

本文針對邊緣檢測后光纖輪廓的特點(diǎn)，在此計(jì)算基礎(chǔ)上對歐拉數(shù)做了新的使用定義：將邊緣檢測后光纖輪廓的外層定義為第1層輪廓即母輪廓，將光纖輪廓的內(nèi)層即孔洞輪廓定義為第2層輪廓即子輪廓，因此歐拉數(shù)新的定義便是母輪廓數(shù)量與子輪廓數(shù)量之差。對于正常情況下檢測完整的光纖輪廓的歐拉數(shù)計(jì)算，類似于字母“O”的一般定義計(jì)算；而對于在圖像邊緣處被截?cái)嗟墓饫w輪廓，由于邊界線的存在使其不再具有嚴(yán)格意義上的孔洞，因此這類光纖輪廓僅有第1層輪廓，類似于字母“C”的一般定義計(jì)算。圖4所示為歐拉數(shù)檢測結(jié)果，模擬繪制邊緣檢測后的幾種光纖輪廓示意圖及其歐拉數(shù)檢測結(jié)果。

圖4 歐拉數(shù)檢測結(jié)果

其中，左邊3個(gè)輪廓是為了驗(yàn)證不完整度對歐拉數(shù)計(jì)算的影響，右邊兩個(gè)輪廓是為了凸顯歐拉數(shù)的計(jì)算方式：當(dāng)輪廓內(nèi)有子輪廓時(shí)，將母輪廓標(biāo)記為紅色，子輪廓標(biāo)記為綠色；否則，標(biāo)記為藍(lán)色。可以發(fā)現(xiàn)，完整輪廓的歐拉數(shù)計(jì)算結(jié)果都為0(有子輪廓)，不完整輪廓的歐拉數(shù)計(jì)算結(jié)果都為1(無子輪廓)。因此，本文便可將所有光纖輪廓依據(jù)新的歐拉數(shù)定義進(jìn)一步分類：若E≤0，將外輪廓填充為紅色，內(nèi)輪廓填充為黑色(背景色)；若E>0，將輪廓填充為綠色。具體的邊緣優(yōu)化效果如圖5所示。如圖5(b)所示，紅色輪廓代表檢測到的“完整輪廓”，綠色輪廓代表“不完整輪廓”，實(shí)驗(yàn)結(jié)果基本滿足設(shè)計(jì)要求。為了進(jìn)一步分析該優(yōu)化方法的穩(wěn)定性，通過控制變量改變閾值和形態(tài)學(xué)參數(shù)，實(shí)現(xiàn)在不同條件下的光纖數(shù)量檢測，如表1所示。

圖5 邊緣優(yōu)化效果

表1 邊緣優(yōu)化檢測結(jié)果

表中，光纖輪廓數(shù)量和完整輪廓數(shù)量的標(biāo)準(zhǔn)值是通過人工檢測計(jì)算出的實(shí)際值，檢測值是通過本文算法計(jì)算得到的測量值。通過分析數(shù)據(jù)可知，常規(guī)檢測模式(未采取優(yōu)化措施)下的檢測數(shù)量對閾值和形態(tài)學(xué)參數(shù)的變化比較敏感，不同參數(shù)會(huì)使邊緣處輪廓不同程度地被篩除，導(dǎo)致檢測結(jié)果略不穩(wěn)定；但是，在本文的預(yù)處理操作下，可以將光纖總數(shù)的檢測誤差率控制在0.271%，基本滿足設(shè)計(jì)需求。另一方面，本文主要研究的是“完整輪廓”和“不完整輪廓”的標(biāo)記與計(jì)算，結(jié)合圖5與表1可知，本文采取的基于歐拉數(shù)計(jì)算的邊緣優(yōu)化處理算法可以將完整輪廓的檢測誤差率控制在0.032%，檢測值與標(biāo)準(zhǔn)值幾乎一致，達(dá)到了預(yù)期設(shè)計(jì)要求；同時(shí)，該優(yōu)化算法還降低了檢測結(jié)果受參數(shù)變化的影響，提高了穩(wěn)定性。

2.2 算法流程

本文所涉及到的算法主要分為3個(gè)階段，圖6所示為光纖傳像束光纖數(shù)量檢測流程圖。

圖6 光纖傳像束光纖數(shù)量檢測流程圖

(1) 圖像預(yù)處理

針對性的圖像預(yù)處理技術(shù)可以大幅度提高檢測結(jié)果的準(zhǔn)確性[10]。對傳輸?shù)诫娔X的樣本圖像，首先進(jìn)行灰度處理及線性灰度增強(qiáng)，將圖像中的像素進(jìn)行線性擴(kuò)展，從而有效改善曝光過度或模糊不清的問題。濾波處理選擇的是雙邊濾波，雖然運(yùn)行速度較慢，卻能很好地達(dá)到保邊緣和去噪的雙重目的[11]。再進(jìn)行閾值分割得到所有光纖的二值圖像，以及使用形態(tài)學(xué)運(yùn)算使目標(biāo)光纖的二值圖像特點(diǎn)更加明顯突出。最后進(jìn)行邊緣檢測，由于Canny算子易使邊緣不連續(xù)，因此選擇了能用線條較好描述圖像的Sobel邊緣檢測。

(2) 邊緣優(yōu)化處理

針對邊緣檢測得到的二值圖像，在圖像邊緣處存在具有隨機(jī)不完整度的不完整輪廓，根據(jù)對輪廓進(jìn)行歐拉數(shù)計(jì)算，將所有輪廓分類處理并計(jì)算數(shù)量(具體操作如2.1節(jié)所示)。

(3) 各模塊調(diào)用CUDA

針對以上基于常規(guī)預(yù)處理方式得到的結(jié)果，雖然已可以準(zhǔn)確檢測出兩種類型的光纖數(shù)量，但是仍然和文獻(xiàn)中一樣存在著運(yùn)行速度緩慢的問題，尤其是雙邊濾波環(huán)節(jié)，在對高像素圖像進(jìn)行處理時(shí)，等待時(shí)間十分漫長。因此，本文研究了一種在Visual Studio的環(huán)境下，使用C++及開源計(jì)算機(jī)視覺庫(Open Source Computer Vision Library，OpenCV)，通過使用CUDA調(diào)用GPU來實(shí)現(xiàn)算法加速運(yùn)行[12]的方法。

3 加速優(yōu)化

3.1 加速原理

與中央處理器(Central Processing Unit，CPU)不同，GPU是專門為處理圖形任務(wù)而產(chǎn)生的芯片，一推出就包含了比CPU更大的帶寬和更多的處理單元，使得其在多媒體處理過程中能夠發(fā)揮更大的效能[13]。CPU的串行運(yùn)算與GPU的并行運(yùn)算之間的區(qū)別如圖7所示。

圖7 串行運(yùn)算與并行運(yùn)算的區(qū)別示意圖

傳統(tǒng)的CPU串行運(yùn)算包括以下幾個(gè)特點(diǎn)：(1) 運(yùn)行在使用單一處理器的計(jì)算機(jī)上；(2) 一個(gè)問題可以分解成一系列離散的指令；(3) 離散的指令必須一個(gè)接著一個(gè)執(zhí)行；(4) 同一時(shí)刻只能執(zhí)行一條指令。

相比之下，GPU并行計(jì)算做了很多重要的改進(jìn)：(1) 運(yùn)行在可以使用多個(gè)處理器的計(jì)算機(jī)上；(2) 一個(gè)問題可以分解成若干無直接關(guān)聯(lián)的指令集部分；(3) 每個(gè)部分可以進(jìn)一步細(xì)分為一系列離散的指令；(4) 這些離散的指令可以同時(shí)在不同處理器上分別執(zhí)行。

為充分利用GPU的計(jì)算能力，NVIDIA在2006年推出了CUDA編程模型，其包含了CUDA指令集架構(gòu)(Instruction Set Architecture，ISA)以及GPU內(nèi)部的并行計(jì)算引擎。CUDA體系結(jié)構(gòu)包含了3個(gè)部分：開發(fā)庫、運(yùn)行期環(huán)境和驅(qū)動(dòng)[13]，其中開發(fā)庫提供了兩個(gè)標(biāo)準(zhǔn)的數(shù)學(xué)運(yùn)算庫——CUDA離散快速傅里葉變換(CUDA Fast Fourier Trans，CUFFT)和CUDA離散基本線性計(jì)算(CUDA Basic Linear Algebra Subprograms，CUBLAS)，可以解決很多典型的大規(guī)模并行計(jì)算問題。通過這項(xiàng)技術(shù)，用戶可以利用NVIDIA GeForce 8以后的GPU和較新的Quadro GPU進(jìn)行計(jì)算。以GeForce 8800 GTX為例，其核心擁有128個(gè)內(nèi)處理器，而利用CUDA技術(shù)，就可以將這些內(nèi)處理器串通起來成為線程處理器去解決數(shù)據(jù)密集的計(jì)算，而各個(gè)內(nèi)處理器之間還可以交換、同步和共享數(shù)據(jù)[14]。

3.2 加速效果

圖8所示為本文研究中針對如圖2所示樣本圖像，在算法流程和性能參數(shù)完全一致的前提下，分別使用CPU和GPU檢測的效果圖。

通過觀察可知，其檢測結(jié)果近乎一致，且“完整輪廓”和“不完整輪廓”均成功標(biāo)記，證實(shí)了該加速功能的可行性。在檢測效果圖中，有個(gè)別位置呈深藍(lán)色或灰色，是因?yàn)樵撐恢玫墓饫w存在斷絲或暗絲現(xiàn)象；同時(shí)，有個(gè)別光纖輪廓沒有與實(shí)際輪廓完全重合，是因?yàn)樵撐恢玫墓饫w傳像束端面有污漬，干擾了識(shí)別檢測。表2所示為本文研究中針對該樣本分別使用兩種檢測方式的運(yùn)行時(shí)間對比結(jié)果。

圖8 CPU和GPU檢測效果圖

表2 系統(tǒng)加速時(shí)間對比結(jié)果

表中，濾波處理、閾值分割和邊緣檢測等預(yù)處理算法與現(xiàn)階段最新的算法相比并無實(shí)質(zhì)性的改進(jìn)，而邊緣優(yōu)化處理算法則是本文獨(dú)立設(shè)計(jì)的改進(jìn)算法。實(shí)驗(yàn)結(jié)果表明，本文系統(tǒng)所采取的基于CUDA的加速處理方法，不僅檢測結(jié)果與標(biāo)準(zhǔn)值一致，而且加速效果明顯。其中，雙邊濾波提速約20倍，優(yōu)化算法及整體運(yùn)行減少近1/2時(shí)間。實(shí)驗(yàn)結(jié)果基本符合理論設(shè)計(jì)和需求，且檢測結(jié)果符合光纖傳像束的實(shí)際狀況。

4 結(jié)束語

本文針對光纖傳像束端面圖像檢測中圖像采集不完整的情況，提出了一種基于歐拉數(shù)計(jì)算的邊緣優(yōu)化處理算法，將圖像中所有光纖輪廓依據(jù)新的歐拉數(shù)使用定義進(jìn)行分類并計(jì)算數(shù)量，有效增強(qiáng)了檢測結(jié)果的穩(wěn)定性與準(zhǔn)確性。在改進(jìn)算法的同時(shí)，針對常規(guī)的OpenCV圖像處理效率低下的問題，本文研究了一種基于CUDA的并行計(jì)算架構(gòu)，通過調(diào)用電腦GPU來加速圖像處理系統(tǒng)，在檢測準(zhǔn)確率不下降的前提下大幅度減少了程序運(yùn)行時(shí)間，提高了工作效率。本文提出的檢測思路及方法不僅適用于光纖傳像束的端面檢測研究，也廣泛適用于對圓或類圓目標(biāo)的定位及數(shù)量檢測。