Cuda média móvel filtro

O que é CUDA Enroll hoje Introdução à Programação Paralela Um curso aberto e on-line da Udacity Instrutores: Dr. John Owens, UC Davis e Dr. David Luebke, NVIDIA CUDA reg é uma plataforma de computação paralela e modelo de programação inventado pela NVIDIA. Permite aumentos dramáticos no desempenho de computação aproveitando a potência da unidade de processamento gráfico (GPU). Com milhões de GPUs CUDA-enabled até agora, os desenvolvedores de software, cientistas e pesquisadores estão encontrando amplos usos para computação GPU com CUDA. Aqui estão alguns exemplos: Identificar placa escondida nas artérias. Os ataques cardíacos são a principal causa de morte em todo o mundo. Harvard Engineering, Harvard Medical School e Brigham Womens Hospital se uniram para usar GPUs para simular o fluxo sanguíneo e identificar a placa arterial escondida sem técnicas invasivas de imagem ou cirurgia exploratória. Analisar o fluxo de tráfego aéreo. O Sistema Nacional de Espaço Aéreo gerencia a coordenação nacional do fluxo de tráfego aéreo. Modelos de computador ajudam a identificar novas maneiras de aliviar o congestionamento e manter o tráfego do avião se movendo eficientemente. Usando a potência computacional das GPUs, uma equipe da NASA obteve um grande ganho de desempenho, reduzindo o tempo de análise de dez minutos para três segundos. Visualize moléculas. Uma simulação molecular chamada NAMD (nanoescala molecular dinâmica) obtém um grande impulso de desempenho com GPUs. A aceleração é resultado da arquitetura paralela das GPUs, que permite que os desenvolvedores do NAMD transportem porções computacionais intensivas do aplicativo para a GPU usando o CUDA Toolkit. Background GPU Computing: The Revolution Você está diante de imperativos: Melhore o desempenho. Resolver um problema mais rapidamente. O processamento paralelo seria mais rápido, mas a curva de aprendizado é íngreme não é mais. Com CUDA, você pode enviar código C, C e Fortran direto para GPU, sem linguagem de montagem necessária. Desenvolvedores em empresas como a Adobe, ANSYS, Autodesk, MathWorks e Wolfram Research estão acordando que gigante dormindo a GPU - para fazer fins gerais de computação científica e de engenharia em uma variedade de plataformas. Usando linguagens de alto nível, os aplicativos acelerados por GPU executam a parte seqüencial de sua carga de trabalho na CPU, otimizada para o desempenho de um único thread, enquanto aceleram o processamento paralelo na GPU. Isso é chamado de computação GPU. A computação GPU é possível porque a GPU de hoje faz muito mais do que renderizar gráficos: Sizzles com um teraflop de desempenho de ponto flutuante e crunches tarefas de aplicação projetado para qualquer coisa de finanças para medicina. A CUDA é amplamente implantada através de milhares de aplicativos e trabalhos de pesquisa publicados e apoiada por uma base instalada de mais de 375 milhões de GPUs CUDA em notebooks, estações de trabalho, clusters de computação e supercomputadores. Visite a Zona CUDA para obter exemplos de aplicações em diversos mercados verticais e desperte seu gigante GPU. História da Computação GPU As primeiras GPUs foram projetadas como aceleradores gráficos, suportando somente tubulações específicas de função fixa. Começando no final dos anos 90, o hardware tornou-se cada vez mais programável, culminando na primeira GPU da NVIDIA em 1999. Menos de um ano depois que a NVIDIA cunhou o termo GPU, os artistas e desenvolvedores de jogos não eram os únicos a fazer trabalho inovador com a tecnologia: Aproveitando seu excelente desempenho em ponto flutuante. O GPU de General Purpose (GPGPU) movimento tinha amanheceu. Mas GPGPU estava longe de ser fácil na época, mesmo para aqueles que sabiam linguagens de programação gráfica como OpenGL. Os desenvolvedores tinham de mapear cálculos científicos em problemas que poderiam ser representados por triângulos e polígonos. GPGPU estava praticamente fora dos limites para aqueles que não haviam memorizado as últimas APIs gráficas até que um grupo de pesquisadores da Universidade de Stanford decidiu re-imaginar a GPU como um processador de streaming. Em 2003, uma equipe de pesquisadores liderada por Ian Buck revelou Brook, o primeiro modelo de programação amplamente adotado para estender C com construções de dados paralelos. Usando conceitos como fluxos, kernels e operadores de redução, o compilador Brook eo sistema de tempo de execução expuseram a GPU como um processador de propósito geral em uma linguagem de alto nível. Mais importante ainda, os programas do Brook não eram apenas mais fáceis de escrever do que o código GPU manualmente ajustado, eram sete vezes mais rápidos do que o código existente semelhante. A NVIDIA sabia que o hardware incrivelmente rápido precisava ser acoplado a ferramentas intuitivas de software e hardware e convidou Ian Buck para se juntar à empresa e começar a desenvolver uma solução para executar C na GPU. Juntando o software e o hardware, a NVIDIA revelou a CUDA em 2006, a primeira solução do mundo para computação geral em GPUs. Ferramentas e Treinamento Hoje, o ecossistema CUDA está crescendo rapidamente à medida que mais e mais empresas fornecem ferramentas, serviços e soluções de classe mundial. Se você quiser escrever seu próprio código, a maneira mais fácil de aproveitar o desempenho das GPUs é com o CUDA Toolkit. Que fornece um ambiente de desenvolvimento abrangente para desenvolvedores C e C. O CUDA Toolkit inclui um compilador, bibliotecas matemáticas e ferramentas para depuração e otimização do desempenho de seus aplicativos. Você também encontrará exemplos de código, guias de programação, manuais de usuário, referências de API e outras documentações para ajudá-lo a começar. A NVIDIA fornece tudo isso de forma gratuita, incluindo NVIDIA Parallel Nsight para Visual Studio, o primeiro ambiente de desenvolvimento de indústrias para aplicações paralelas que usam GPUs e CPUs. Aprender a usar CUDA é conveniente, com treinamento on-line abrangente disponível, bem como outros recursos, como webinars e livros. Mais de 400 universidades e faculdades ensinam programação CUDA, incluindo dezenas de CUDA Centros de Excelência e Centros de Pesquisa e Treinamento CUDA. Para desenvolvedores Para outra abordagem, você pode truncar a janela de média móvel exponencial e, em seguida, calcular seu sinal filtrado, fazendo uma convolução entre o seu sinal ea janela exponencial. A convolução pode ser calculada usando a biblioteca CUDA FFT livre (cuFFT) porque, como você deve saber, a convolução pode ser expressa como a multiplicação ponto-sábia dos dois sinais no domínio fourier (Este é o apropriadamente chamado Convolution Theorem, Que é executado com uma complexidade de O (n log (n))). Este tipo de abordagem irá minimizar o seu código CUDA kernel e correr muito, muito rapidamente, mesmo em uma GeForce 570 Particularmente, se você pode fazer todos os seus cálculos em única (float) de precisão. Eu gostaria de propor a manipular a equação de diferença acima como indicado abaixo e, em seguida, usando CUDA Thrust primitivas. DIFERENÇA EQUAÇÃO MANIPULAÇÃO - FORMA EXPLÍCITA DA DIFERENÇA EQUAÇÃO Por álgebra simples, você pode encontrar o seguinte: Em conformidade, a forma explícita é a seguinte: CUDA THRUST IMPLEMENTAÇÃO Você pode implementar a forma explícita acima pelas seguintes etapas: Inicializar uma entrada sequencia dinput Alfa, excepto para dinput0 1. Definir um vetor d1 overbetatothen igual a 1, 1beta, 1beta2, 1beta3. Multiply elementwise dinput by d1overbetatothen Executar um inclusivescan para obter a seqüência do yn betan Divida a seqüência acima por 1, 1beta, 1beta2, 1beta3. A abordagem acima pode ser recomendada para sistemas Linear Time-Varying (LTV). Para os sistemas Linear Time-Invariant (LTI), a abordagem FFT mencionada por Paul pode ser recomendada. Estou fornecendo um exemplo dessa abordagem usando CUDA Thrust e cuFFT na minha resposta para FIR filtro em CUDA. Filtro de médio é windowed filtro de classe linear, que suaviza o sinal (imagem). O filtro funciona como low-pass um. A idéia básica por trás do filtro é para qualquer elemento do sinal (imagem) ter uma média em toda a sua vizinhança. Se tivermos uma matriz mxn e queremos aplicar um filtro médio com tamanho k, então para cada ponto da matriz p: (i, j) o valor do ponto seria a média de todos os pontos no quadrado Este valor é Para o kernel quadrado de filtragem com tamanho 2. que a caixa amarela é o pixel a ser calculado, e toda a grade é o quadrado de pixels vizinhos, que o novo valor pixels será a média deles. O problema é que este algoritmo é muito lento, especialmente em imagens grandes, então eu pensei em usar GPGPU. A pergunta agora é. Como isso pode ser implementado em CUDA, se for possível Este é um caso clássico de problema de processamento de imagem paralelamente paralelo que pode ser muito facilmente mapeado para a estrutura CUDA. O filtro de média é conhecido como Box Filter em domínios de processamento de imagens. A abordagem mais fácil seria usar texturas CUDA para o processo de filtragem, já que as condições de contorno podem ser tratadas muito facilmente por texturas. Supondo que você tenha ponteiros de origem e destino alocados no host. O procedimento seria algo como isto. Aloque memória suficiente para armazenar as imagens de origem e de destino no dispositivo. Copiar a imagem de origem do host para o dispositivo. Vincular o ponteiro do dispositivo de imagem de origem à textura. Especifique um tamanho de bloco apropriado e uma grade grande o suficiente para cobrir cada pixel da imagem. Inicie o kernel de filtragem usando a grade especificada eo tamanho do bloco. Copie os resultados para o host. Desassociar a textura Ponteiros de dispositivo livres. Implementação de amostra do filtro de caixa A boa notícia é que você não tem que implementar o filtro você mesmo. O CUDA Toolkit vem com livre sinal e imagem processamento biblioteca chamada NVIDIA Performance Primitives aka NPP, feito por NVIDIA. A NPP utiliza GPUs CUDA para acelerar o processamento. O filtro de média já está implementado no NPP. A versão atual do NPP (5.0) tem suporte para imagens de 8 bits, 1 canal e 4 canais. As funções são: nppiFilterBox8uC1R para imagem de 1 canal. NppiFilterBox8uC4R para imagem de 4 canais. Respondeu Jan 15 13 at 10:50 Sua resposta parece ser muito boa, mas eu realmente não estou ciente de tudo o que você está descrevendo lá em cima, como eu programa principalmente em matlab, e I39ve bom conhecimento sobre programação C, O que eu preciso é um Eu acho que o protótipo da função do kernel seria: global void ApplyAverageFilter (int Image, int Result, int filterSize). Preciso de ajuda com o código. Ndash Sameh Kamal Jan 15 13 às 10:56 Oh. Atualizei minha resposta e adicionei um link para o kernel CUDA para filtragem de caixa. Mas você tem que aprender CUDA primeiro a usá-lo. Caso contrário, NPP é uma opção melhor se você don39t tem muito fundo CUDA. Ndash sgarizvi Jan 15 13 em 10:59 Se o tamanho dos filtros é normal e não humongous, o filtro médio é um caso muito bom para a implementação com CUDA. Você pode configurar isso usando blocos quadrados e cada segmento do bloco é responsável pelo cálculo do valor de um pixel, somando e calculando a média de seus vizinhos. Se você armazenar a imagem em Memória Global, então ele pode ser programado facilmente, mas você terá um monte de conflitos bancários. Uma possível otimização é que você carrega blocos da imagem nos blocos Shared Memory. Usando elementos fantasma (para que você não exceda as dimensões dos blocos compartilhados ao procurar pixels vizinhos) você pode calcular a média dos pixels dentro de um bloco. O único acha que você tem que ter cuidado é como a costura será feito no final, porque os blocos de memória compartilhada se sobrepõem (por causa dos pixels de preenchimento extra) e você não quer calcular seus valores duas vezes. Respondeu Jan 15 13 em 9:27 Sua resposta 2017 Stack Exchange, Inc