基于gpu集群的mean shift遥感图像分割算法并行化研究

《基于gpu集群的mean shift遥感图像分割算法并行化研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、‘■＾ｒ■．：＇－■．‘ｚ：：－＾．＾ｒ＝ＥｔＣ＿．＇．．議ｉＰｌｉ朵ｉ种成丈著ＵＮＩＶＩＴＹＯＦＥＬ巨ＣＴＲＯＮＩＣＳＣＩＥＮＣＥＡＮＤＴＥＣＭＮＯＬＯ包ＹＯＦＣＨＩＮＡ巨ＲＳ专业学位硕±学位论文ＭＡＳＴＥＲＴＨＥＳＩＳＦＯＲＰＲＯＦＥＳＳＩＯＮＡＬＤＥＧＲＥＥ＊．．：穩．＇馨胃棘＇＼／ｓｓｅ－？论文题目基于ＧＰＵ集群的ＭｅａｎＳｈｉｆｔ遥感图像分割算法并行化研究，非？．—－；——■■■．

2、－———■■－■■■■■专业学位类别工程硕±学号２０１３２２１８０２１５作者姓名范光松：指导教师黄方副教授．．：－－■－＇独创性声巧本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加Ｗ标注和致谢的地方夕ｈ论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表

3、示谢意’。＇旧期。作者签名；少Ｘ月＿店年＾日论文使用授权本学位论文作者完全了解、电子科技大学有关保留使用学位论文的规，国和磁盘定有权保留并向家有关部口或机构送交论文的复，印件允许论文被查电全阅和借阅。本人授权子科技大学可将学位论文的部或部分内容编入有关数据库进行检索，可采用影印．、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵）守此规定：导师签作者签名乂名／加如＜和刖＊：？月如年月贪日戸分类号密级注1UDC学位论文基于GPU集群的MeanShift遥感图像分割

4、算法并行化研究（题名和副题名）范光松（作者姓名）指导教师黄方副教授电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士专业学位类别工程硕士工程领域名称电子与通信工程提交论文日期2016.3.31论文答辩日期2016.05.25学位授予单位和日期电子科技大学2016年6月答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类号ResearchontheParallelizationofMeanShiftRemoteSensingImageSegmentationAlgorithmBasedonGPUClusterAMaster

5、ThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor:MasterofEngineeringAuthor:GuangsongFanSupervisor:Assoc.Prof.FangHuangSchool:SchoolofResourcesandEnvironment摘要摘要多年来虽然涌现出了多种遥感图像分割算法，但是遥感图像分割仍然存在分割精度低、适应性差的问题。作为图像分割领域比较经典的算法，MeanShift算法是一种基于特征向量的聚类算

6、法，被广泛应用在目标追踪、图像噪声平滑、图像分割等领域。虽然MeanShift图像分割算法适应性强，具有较好的分割精度，但是它是一种计算密集型算法，随着图像像素数据量的增大，MeanShift算法计算量呈现出指数级的增长趋势。当前，为了提升MeanShift算法效率，解决MeanShift算法性能瓶颈问题的主要方式是采用基于CUDA的单节点GPU加速来提升算法运算速度。然而，当前在这类研究中却存在以下两个问题：（1）使用CUDA编程模型实现的算法局限于特定的NVIDIA平台，不能在AMD或Intel等厂商的GPU上运行，并行算法的可

7、移植性和通用性较差；（2）单GPU平台不能满足多幅遥感图像同时处理的需求。为解决MeanShift图像分割算法的性能问题，本文有针对性的在异构计算系统GPU集群平台上对该算法进行并行化设计与应用研究，在该异构平台上CPU和GPU相互协作可以最大程度提升算法效率。具体的研究内容分为以下几点：（1）设计并实现MeanShift图像分割并行算法，在单GPU节点上探索性能优化方法。首先，实现可以在Linux环境下运行的串行算法；其次，使用IntelVTune性能分析工具分析串行算法性能问题，定位串行算法热点；再次，分析串行算法的性能瓶颈，设

8、计相应的算法并行化策略；然后，概括并行框架和并行流程，使用异构计算编程模型OpenCL实现相应的并行算法；最后，从数据传输和数据分配两个方面出发，对已完成的并行算法进行优化，进一步提升并行算法的效率。（2）将并行算法移植到异构GPU集