基于OpenCL和计算着色器的异构系统通用计算对比

图形处理单元GPU的高性价比吸引了越来越多的学者对其在通用计算方面开展研究。OpenGL中的计算着色器和开放式计算语言OpenCL架构都可以实现通用计算,但在设计和性能上有着较大的不同。本文在对OpenCL架构模型和计算着色器的性能分析的基础上,通过性能优化策略,分别对其进行离散卷积算法的测试对比。对比计算结果表明,合理分配任务的前提下,数据越复杂,OpenCL并行计算能力优势越明显。

基于OpenGL ES的图像滤波算法实现及优化研究

图像滤波算法广泛应用在机器学习、图像处理、图像识别等领域,在降低椒盐噪声、图像二值化、边缘识别和特征提取等方面发挥着重要作用。现有图像滤波算法虽然在OpenCV开源库中均有实现,但是在Android平台的性能表现与其他平台相比仍存在较大差距。随着嵌入式平台的高速发展,实际应用对嵌入式平台上滤波算法的性能要求越来越高。为此,从形态学滤波、盒式滤波、阈值滤波、压缩滤波、算术滤波等具有广泛应用场景的滤波算法入手,提出并实现针对Android平台设计、基于OpenGL ES的一系列高性能图像滤波算法。使用OpenGL ES计算着色器对算法进行并行加速,使用纹理对象进行访存优化,并在图像边界处理、图像数据类型和数据通信等方面进行深入优化,取得了较优的性能。将优化的图像滤波算法与开源OpenCV库中对应算法进行对比,实验结果表明,基于Android平台使用OpenGL ES接口的图像滤波算法整体性能明显优于OpenCV库中的相关算法,且图像规模越大计算优势越明显,性能最大提升为OpenCV库中对应算法的110.018倍。

基于GPU的点云拾取

针对点云模型由于数据量大,普通的拾取方法速度受到限制的问题,提出一种基于GPU的点云拾取算法。算法基本思想是点云经过空间变换转换到屏幕空间,在屏幕空间中求取距离鼠标单击点最近的点。算法利用GPU的并行计算能力,将点的空间变换和距离比较等计算通过Computer Shader(计算着色器)实现,提高拾取速度。通过试验得出基于GPU的拾取方法与在CPU运行的拾取方法相比,特别对于点个数超过400万点云,速度提升2~3倍,具有较大速度优势。

渲染流水线中高速共享存储器的实现研究

作为GPU(图形处理器)中的核心,渲染流水线的执行速度决定了整个GPU的性能,其中通过设计和实现高速的共享存储器来保存渲染流水线中的中间结果,可以有效提升整个渲染流水线的性能。同时可以实现对CS(computer shader)相关指令的支持,提升GPU的计算能力。

海量点云通用图形处理器缓存机制与并行编辑方法

针对现有海量点云数据组织常采用树索引结构,不支持被通用图形处理器(GPGPU)并行计算,无法实现处理结果与可视化的实时共享,难以满足实时点云编辑应用等问题,该文提出了海量点云GPGPU缓存组织与并行编辑方法,设计了一种基于GPU顶点缓存的海量点云数据组织方法,基于计算着色器技术实现了可视化数据与点云属性的直接共享与并行处理,满足实时点云选择、删除、查询、属性修改等编辑应用,同时采用操作栈的数据结构支持编辑操作的高效回退。实验结果表明,对于亿级大规模点云,该文方法相比传统基于空间索引结构的方法,在点云编辑效率上具有较明显的优势。