435
преодолеть две основные проблемы MMX – при использовании MMX
невозможно было одновременно использовать инструкции сопроцессора, так
как его регистры были общими с регистрами MMX, и возможность MMX
работать только с целыми числами.
CUDA (англ.
Compute Unified Device Architecture
) - программно- аппарат-
ная архитектура параллельных вычислений, которая позволяет существенно
увеличить вычислительную производительность
благодаря использованию
графических процессоров фирмы Nvidia. CUDA SDK позволяет программис-
там реализовывать на специальном упрощённом диалекте языка программи-
рования Си алгоритмы, выполнимые на графических процессорах Nvidia, и
включать специальные функции в текст программы на Си. Архитектура
CUDA даёт разработчику возможность по своему усмотрению организовы-
вать доступ к набору инструкций графического
ускорителя и управлять его
памятью.
Цель данной работы является исследование информативных возмож-
ностей метода усредняющего фильтра для обработки медицинских изобра-
жений. Разработка структуры программного обеспечения для сравнительного
анализа существующих параллельных библиотек программ и его реализация.
Использование метода среднего усредняющего фильтра с использованием
различных методов коммуникации:
Глобальная память,
Постоянная память,
Совместно используемая память.
Сравнение
продолжительности
обработки
с
последовательной
обработкой, а также с параллельной обработкой с использованием библиотек
OpenMP, OpenCV и IPP.
Алгоритм работы разработанной программного обеспечения состоит из
следующих шагов:
• Загрузка изображения;
•
Распределение памяти;
• Передача изображения;
• Применение метода обработки изображения ;
• Передача изображения;
• Показ Изображения.
Экспериментальные результаты.
На первом рисунке изображение (а)
означает исходное изображение результат компьютерной томографии.
Изображение (б) результат обработки фильтром Гаусса. Изображение (в)
результат применения усредняющего фильтра
3
3
. Метод усредняющего
фильтра четко удаляет некоторые из аддитивных шумов, однако, также
происходит значительное размывание. Это не будет иметь существенного
значения для изображения. Изображение (г) результат применения
усредняющего фильтра
9
9
. Видно, что этот фильтр снял почти все эффекты
аддитивного шума.
436
Рис.1. Результат обработки изображения компьютерной томографии
В таблице приведены результаты обработки изображения с использова-
нием последовательной обработки и параллельной обработки с использова-
нием различных библиотек, описание которых приведено выше. В
качестве
примеры рассмотрены изображения с размерами
256
256
и
512
512
. Из
Таблицы видно, что самое минимальное время показано при использовании
библиотеки IPP. Во втором рисунке также отображены результаты, получен-
ные при использовании различных видов памяти.
Время обработки
Таблица
№ Размер
изображения
Послед.Обработ
ка изображения
OpenMP
OpenCV
IPP
SSE
CUDA
1
256 × 256
131.681
60.480
1.250
0.128 0.681 1.78
2
512 ×512
533.740
166.187
4.185
0.429 1.216 6.4
Рис.2. Время обработки изображения
Заключение. Рассмотрены возможности
метода усредняющего
фильтра в задачах обработки изображений. Полученные результаты
показывают, что результат применения метода усредняющего фильтра уже
при
3
3
даёт лучшие результаты по сравнению с результатом обработки
фильтром Гаусса. Метод усредняющего фильтра четко удаляет некоторые
из аддитивных шумов, однако, также происходит значительное
размывание. Это не будет иметь существенного значения для изображения.
Применение метода
усредняющего фильтра с
9
9
снял почти все эффекты
аддитивного шума.
437
Рассмотрены некоторые возможности и целесообразность обработки
изображения с использованием последовательной обработки и параллельной
обработки с использованием различных библиотек. Результаты показали, что
параллельная
обработка
производится
значительно
быстрее,
чем
последовательная обработка. При этом самое минимальное время показано
при использовании библиотеки IPP. Кроме этого видно, что самым
оптимальным являтся использование совместно используемой памяти.
Список литературы
1.Абламейко С. В. Обработка оптических изображений
клеточных структур в
медицине / С. В. Абламейко, А. М. Недзьведь – Мн.: ОИПИ НАН Беларуси, 2005. – 156 с.
2.Bradski G. Learning OpenCV: Computer Vision with the OpenCV Library / G. Bradski, A.
Kaehler – O’Reilly, 2008. – 565 p.
3.Kijewski M. The noise power spectrum of CT images / M. F. Kijewski, P. F. Judy //
Physics in Medicine & Biology. – 1987. – Volume 32, Number 5 – P. 565-575.
4.Buades A. A non-local algorithm for image denoising / A. Buades, B. Coll, and J. Morel. //
Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern
Recognition (CVPR'05). – 2005. – Volume 2, Volume 02 – P. 60-65.
5.Reiter M. Denoising of computed tomography images using multiresolution based
methods / M. Reiter, G. Zauner // European Conference on Non-Destructive Testing poster. –
2006. – P. 150-153.
Do'stlaringiz bilan baham: 
