Retinex图像增强在GPU平台上的实现

doi:10.12082/dqxxkx.2019.180576

地球信息科学学报 ›› 2019, Vol. 21 ›› Issue (4): 623-629.doi: 10.12082/dqxxkx.2019.180576

• 论文 • 上一篇

Retinex图像增强在GPU平台上的实现

王浩^1,²(), 王含宇^1,^2,^*(), 杨名宇^1,², 许永森^1,²

1. 中国科学院航空光学成像与测量重点实验室,长春 130033
2. 中国科学院长春光学精密机械与物理研究所,长春 130033

收稿日期:2018-11-13 修回日期:2019-03-20 出版日期:2019-04-24 发布日期:2019-04-24
通讯作者: 王含宇 E-mail:wanghao7600@163.com;hanyu112@126.com
作者简介:
作者简介：王浩（1986-）,男,吉林长春人,助理研究员,研究方向为航空数字图像处理。E-mail: wanghao7600@163.com
基金资助:
国家重点研发计划项目（2017YFB0503001、2016YFC0803000）

Implementation of Retinex Image Enhancement Algorithm on GPU Platform

Hao WANG^1,²(), Hanyu WANG^1,^2,^*(), Mingyu YANG^1,², Yongsen XU^1,²

1. Key Laboratory of Airborne Optical Imaging and Measurement, Chinese Academy of Sciences, Changchun 130033, China
2. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China

Received:2018-11-13 Revised:2019-03-20 Online:2019-04-24 Published:2019-04-24
Contact: Hanyu WANG E-mail:wanghao7600@163.com;hanyu112@126.com
Supported by:
The National Key Research and Development Program of China, No.2017YFB0503001, 2016YFC0803000

摘要/Abstract

摘要：

伴随着无人机时代的到来,对海量数据处理的实时性要求越来越高。本文在GPU（Graphic Processing Unit）平台上实现了Retinex图像增强算法的并行处理,提升了Retinex图像增强算法处理高分辨率数字图像的处理速度。首先,通过数据合并访问和内存数据交互技术实现了数据的快速访问,缩短了数据在不同种类内存间的传输时间,提升了数据访问的效率;然后,采用内核指令优化和数据并行计算技术,实现了Retinex图像增强算法在GPU平台上的多核程序设计;最后,采用主机端和设备端的异步执行模式,在数据传输的同时进行内核数据的并行计算,通过任务级的并行进一步缩短了算法在GPU平台上的执行时间。研究表明,对于不同分辨率的图像,Retinex图像增强算法的处理速度相比于CPU平台均有数十倍的提高,如处理一帧分辨率为2048像元×2048像元的图像仅需要38.04 ms,算法的处理速度较CPU提高了40倍。

关键词: GPU, 图像增强, Retinex算法, 并行计算, 无人机

Abstract:

With the advent of the era of UAV,the real-time requriements for massive data processing are getting higher.Achieve parallel processing of Retinex image enhancement algorithm on the GPU (Graphic Processing Unit) platform, which improves the processing speed of Retinex image enhancement algorithm for processing high resolution digital images.Firstly, by data combine-accessing and memory data interaction technology realize fast access of data, shorten the transmission time of data between different kinds of memory, and improve the efficiency of data access. Then, using kernel instruction optimization and data parallel computing technology, the multi-core programming of Retinex image enhancement algorithm on GPU platform is realized.Finally, the asynchronous execution mode of the host and the device is used to perform parallel calculation of the kernel data while data transmission, and the execution time of the algorithm on the GPU platform is further shortened by the parallel of the task level. With the powerful parallel computing power of the GPU, the processing speed of the Retinex algorithm is greatly improved. For images of different resolutions, the processing speed of the Retinex image enhancement algorithm is tens of times higher than that of the CPU platform. Processing an image with a resolution of 2048×2048 pixels requires only 38.04 ms, and the processing speed of the algorithm is 40 times higher than that of the CPU.

Key words: GPU, image enhancement, Retinex algorithm, parallel computing, UAV

王浩, 王含宇, 杨名宇, 许永森. Retinex图像增强在GPU平台上的实现[J]. 地球信息科学学报, 2019, 21(4): 623-629.DOI:10.12082/dqxxkx.2019.180576

Hao WANG, Hanyu WANG, Mingyu YANG, Yongsen XU. Implementation of Retinex Image Enhancement Algorithm on GPU Platform[J]. Journal of Geo-information Science, 2019, 21(4): 623-629.DOI:10.12082/dqxxkx.2019.180576

图/表 7

图1

图2

图3

图4

图5

表1

表2

参考文献 21

[1]	席诗琼,韩胜,耿卫东.一种指纹奇异点区域图像增强算法[J].液晶与显示,2018,33(9):801-807.
	[ Xi S Q, Han S H, Geng W D.Fingerprint singularity region image enhancement algotithm[J]. Chinese [J].urnal of Liquid Crystals and Displays, 2018,33(9):801-807. ]
[2]	朱遵尚. 图像增强技术研究[D].长沙:国防科学技术大学,2009.
	[ Zhu Z S H. Research on image enhancement technique[D]. Changsha: National University of Defense Technology, 2009. ]
[3]	施慧慧,王妮,滕文秀,等.结合Gabor小波和形态学的高分辨率图像树冠提取方法[J].地球信息科学学报,2019,21(2):249-258.
	[ Shi H H,Wang N, Teng W X, et al.Tree canopy extraction method of high resolution image based on Gabor filter and morphology[J]. Journal of Geo-information Science, 2019,21(2):249-258. ]
[4]	王竞雪,崔昊.局部点、线仿射不变性约束的近景影像直线段匹配[J].地球信息科学学报,2019,21(2):137-146.
	[ Wang J X, Cui H.Line segment matching based on Local point-line affine invariance constraints for close-range image[J]. Journal of Geo-information Science, 2019,21(2):137-146. ]
[5]	张雄星,王伟,刘光海,等.温度场纹影定量测量技术[J].中国光学,2018,11(5):860-873.
	[ Zhang X X, Wang W, Liu G H,et al.Quantative measuring technique for the temperature of flow fields in schlieren systems[J]. Chinese Optics, 2018,11(5):860-873. ]
[6]	刘林涛,董雪莹,刘俊,等.基于时空上下文和随机森林的人眼跟踪定位算法研究[J].液晶与显示,2018,33(5):443-449.
	[ Liu L T, Dong X Y, Liu J, et al.Human eye locating and tracking using space-time context and random forest[J]. Chinese [J].urnal of Liquid Crystals and Displays, 2018,33(5):443-449. ]
[7]	Wharton E, Againanb S, Panetta K.A logarithmic measure of image enhancement[C]. Proceeding. SPIE 2006 Defense and Security Symp, Orlando, FL, 2006,6250:62500P.
[8]	陈莹,朱明.多子直方图均衡微光图像增强及FPGA实现[J].中国光学,2014,7(2):225-233. doi: 10.3788/CO.20140702.0225
	[ Chen Y, Zhu M.Multiple sub-histogram equalization low light level image enhancement and realization on FPGA[J]. Chinese Optics, 2014,7(2):225-233. ] doi: 10.3788/CO.20140702.0225
[9]	吴笑天,鲁剑锋,贺柏根,等.雾天降质图像的快速复原[J].中国光学,2013,6(6):892-899. doi: 10.3788/CO.20130606.892
	[ Wu X T, Lu J F, He B G,et al.Fast restotation of haze-degraded image[J]. Chinese Optics, 2013,6(6):892-899. ] doi: 10.3788/CO.20130606.892
[10]	洪平. 基于RETINEX理论的图像去雾研究[D].上海:上海交通大学,2013.
	[ Hong P.Research of restoration of haze image based on Retinex[D]. Shanghai: Shanghai [J].ao Tong University, 2013. ]
[11]	赵宏宇,肖创柏,禹晶,等.马尔科夫随机场模型下的Retinex夜间彩色图像增强[J].光学精密工程,2014,22(4):1048-1055.
	[ Zhao H Y, Xiao C B, Yu J, et al.A Retinex algorithm for night color image enhancement by MRF[J]. Optics and Precision Engineering, 2014,22(4):1048-1055. ]
[12]	马永杰,宋晓凤,李雪燕,等.基于嵌入式车流量实时检测算法研究与实现[J].液晶与显示,2018,33(9):787-792.
	[ Ma Y J, Song X F, Li X Y, et al.Research and implementation of real-time vehicle flow detection algorithm based on embedded system[J]. Chinese [J].urnal of Liquid Crystals and Displays, 2018,33(9):787-792. ]
[13]	黄先楼. 基于Normalized Cut的图像分割及其CUDA并行实现[D].北京:北京交通大学,2014.
	[ Huang X L.Image segmentation based on normalized cut and CUDA parallel implementation[D]. Bei[J].ng: Beijing JiaoTong University, 2014. ]
[14]	赵中兴. 基于GPU的图像检索与重建技术研究[D].厦门:厦门大学,2014.
	[ Zhao Z X.Research on image retrieval and reconstruction technology based on GPU[D]. Xiamen: Xiamen University, 2014. ]
[15]	张平. 基于CUDA的TLD视觉跟踪算法研究[D].北京:北京交通大学,2014.
	[ Zhang P.Study of TLD visual tracking algorithm based on CUDA[D]. Bei[J].ng: Beijing Jiao Tong University, 2014. ]
[16]	刘超. 快速超分辨率重建方法研究与实现[D].杭州:杭州电子科技大学,2014.
	[ Liu C.Study and implementation of fast super-resolution reconstruction methods[D]. Hangzhou: Hangzhou Dianzi University, 2014. ]
[17]	陈志斌,张超,宋岩,等.灰度拉伸Retinex 在大动态范围烟雾图像增强中的应用[J].红外与激光工程,2014,43(9):3146-3150.
	[ Chen Z B, Zhang C, Song Y, et al.Application of Retinex with grayscale stretching in large dynamic range smoke image enhancement[J]. Infrared and Laser Engineering, 2014,43(9):3146-3150. ]
[18]	Lu M.Fast implementation of scale invariant feature transform based on CUDA[J]. Applied Mathematics & Information Sciences, 2013,7(2):717-722.
[19]	Julien M, Yann D, Andre D.Real-time dense and accurate parallel optical flow using CUDA[C]. The 17th International Conference in Central Europe on Computer Graphics, Visualization and Computer Vision.Bory,Czech Republic, 2009:105-111.
[20]	李晔,于双元,罗四维.基于改进的压入与重标记算法的图割在GPU上的实现[J].计算机科学,2014,41(1):64-68.
	[ Li Y, Yu S Y, Luo S W.Realization of graph cuts based on improved push-relabel algorithm on GPU[J]. Computer Science, 2014,41(1):64-68. ]
[21]	Fresse V, Houzet D, Gravier C.GPU architecture evaluation for multispectral and hyperspectral image analysis[C].Design and Architectures for Signal and Image Processing (DASIP), 2010 Conference on. IEEE, 2010:121-128.

	信息熵	图像均值	图像标准差
原始图像1	6.7452	138.2679	45.1426
增强图像1	7.1960	157.8206	60.9217
原始图像2	5.8062	125.9326	40.8128
增强图像2	6.4915	136.2894	65.9286
原始图像3	6.2948	140.5862	51.8146
增强图像3	6.5042	150.6439	69.2931

图像大小	1024×1024	2048×1050	2048×2048
CPU处理时间①	395.80	816.73	1572.59
GPU处理时间②	13.62	23.15	38.04
①/②	29.06	35.28	41.34

Retinex图像增强在GPU平台上的实现

Implementation of Retinex Image Enhancement Algorithm on GPU Platform

RichHTML

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 21

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	陈昂, 杨秀春, 徐斌, 金云翔, 张文博, 郭剑, 邢晓语, 杨东. 基于面向对象与深度学习的榆树疏林识别方法研究[J]. 地球信息科学学报, 2020, 22(9): 1897-1909.
[2]	王学文, 赵庆展, 韩峰, 马永建, 龙翔, 江萍. 机载多光谱影像语义分割模型在农田防护林提取中的应用[J]. 地球信息科学学报, 2020, 22(8): 1702-1713.
[3]	秦承志. 数字地形分析方法研究的维度——精准、高效、易用[J]. 地球信息科学学报, 2020, 22(4): 720-730.
[4]	蔡顺, 耿豪鹏, 郑炜珊, 潘保田. 基于傅里叶变换的谷间距特征信息提取及其影响因素研究[J]. 地球信息科学学报, 2020, 22(3): 399-409.
[5]	张志慧, 刘雯, 李笑含, 朱靖轩, 张洪涛, 杨东, 徐超昊, 徐宪立. 基于无人机航摄影像的喀斯特地区裸岩信息提取及景观格局分析[J]. 地球信息科学学报, 2020, 22(12): 2436-2444.
[6]	许佳峰, 李云梅, 徐杰, 雷少华, 毕顺, 周玲. 黑臭水体水面阴影提取的自适应阈值算法研究[J]. 地球信息科学学报, 2020, 22(10): 1959-1970.
[7]	耿仁方,付波霖,蔡江涛,陈晓雨,蓝斐芜,余杭洺,李青逊. 基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究[J]. 地球信息科学学报, 2019, 21(8): 1295-1306.
[8]	鹿明, 廖小罕, 岳焕印, 黄诗峰, 徐晨晨, 卢海英, 柏艺琴. 面向中国洪涝灾害应急监测的无人机空港布局[J]. 地球信息科学学报, 2019, 21(6): 854-864.
[9]	吴方明, 张淼, 吴炳方. 无人机影像的面向对象水稻种植面积快速提取[J]. 地球信息科学学报, 2019, 21(5): 789-798.
[10]	王森援, 蔡国榕, 王宗跃, 吴云东. 基于加权约束的单体建筑物点云表面重建算法[J]. 地球信息科学学报, 2019, 21(5): 654-662.
[11]	晏磊, 廖小罕, 周成虎, 樊邦奎, 龚健雅, 崔鹏, 郑玉权, 谭翔. 中国无人机遥感技术突破与产业发展综述[J]. 地球信息科学学报, 2019, 21(4): 476-495.
[12]	杨梦琳, 李道春, 万志强, 严德, 王耀坤. 中国面向遥感应用的垂直起降无人机现状和应用前景分析[J]. 地球信息科学学报, 2019, 21(4): 496-503.
[13]	黄耀欢, 李中华, 朱海涛. 作物胁迫无人机遥感监测研究评述[J]. 地球信息科学学报, 2019, 21(4): 512-523.
[14]	龙诗科, 孙山林, 赵海盟. 基于滑模和ESO的四旋翼飞行器遥感机动观测姿态控制[J]. 地球信息科学学报, 2019, 21(4): 532-541.
[15]	王勇军, 李智, 孙山林, 马兴元, 晏磊. 轻小型无人机遥感组网飞行的高程安全监测冗余容错算法研究[J]. 地球信息科学学报, 2019, 21(4): 542-551.