论文部分内容阅读
图像处理是可视化领域的重要组成部分,近年来图像数据的规模和复杂程度不断加大,给图像处理和目标分析带来了很大难度。而图像显著性区域检测技术可以解决这一问题,它在减少处理数据量的同时,还可以提高分析的准确性。基于结构相似度理论的显著性检测算法是在这类算法中比较优秀,它可以很好的检测出一幅图像的显著性区域,为后续对图像的处理减少计算量。算法是通过一个新的center-surround算子来检测图像的相似度,对每一个像素都要进行处理,仍然有很大的运算量。MIC是新兴的众核协处理器,跟通用的多核CPU相比,MIC众核架构具有更小的内核和硬件线程,众核处理器计算资源密度更高,片上通信开销更降低,能够胜任更为复杂的并行应用。相比通用的多核CPU,处理复杂的并行应用是MIC众核架构的优势。本文在CPU上实现了基于全局结构相似度的显著性区域检测算法,并在此基础上,基于MIC对算法进行数据级并行和线程级并行的加速,测试表明,与主流CPU相比,该算法在一个MIC协处理器上可获得2.42倍的加速比,而在MIC上采用SIMD相对于不使用SIMD可获得平均5.6倍的加速比。本文的主要工作包括几个方面:(1)分析人类视觉注意的处理机制,讨论了经典的基于特征融合框架和基于Koch神经生物学框架的视觉注意模型;(2)在研究结构相似度理论和基于结构相似度的显著性区域检测算法的基础上,基于主流商业CPU研究显著性区域检测算法,并且在CPU上实现了基于全局结构相似度的显著性区域检测算法,之后在MIC平台上采用SIMD和多线程技术,实现了该算法的并行,之后又对基于MIC平台优化了算法。实验结果表明,MIC加速算法跟原始算法在CPU上运行相比,加速比能达到2.42倍;(3)研究了多MIC的算法加速算法,在理论上进行了可行性的论证,并探讨了并行算法的改进方案,在多MIC上进一步优化了算法,方案中考虑到图像分割方法和负载均衡的问题,并且做了具体的理论分析。