Cuda Glidande Medelvärde Filter

Vad är CUDA. Enroll idag Introduktion till parallell programmering En öppen, online kurs från Udacity. Instructors Dr John Owens, UC Davis och Dr David Luebke, NVIDIA. CUDA är en parallell datorplattform och programmeringsmodell uppfunnad av NVIDIA. Det möjliggör dramatiska ökning av datorer Prestanda genom att utnyttja kraften hos grafikbehandlingsenheten GPU. With miljontals CUDA-aktiverade GPU-enheter sålda hittills hittar programutvecklare, forskare och forskare breda användningsområden för GPU-databehandling med CUDA. Här är några exempel. Identifiera dold plack i Hjärtsjukdomar Hjärtinfarkt är den främsta orsaken till dödsfall världen över Harvard Engineering, Harvard Medical School och Brigham Women's Hospital har samlat på att använda GPU för att simulera blodflödet och identifiera dold arteriell plack utan invasiv bildteknik eller undersökande operation. Analysera flygtrafiken Den nationella Luftrumssystemet hanterar landsomfattande samordning av flygströmmar Datormodeller hjälper till att identifiera nya sätt att lindra Överbelastning och flygtrafik flyttar effektivt Med hjälp av beräkningsförmågan hos GPU: er, fick ett lag på NASA en stor prestationsförstärkning, vilket minskade analystiden från tio minuter till tre sekunder. Visualisera molekyler En molekylär simulering kallad NAMD nanoskala molekylär dynamik får en stor prestationsökning med GPUer Speed-up är ett resultat av parallellarkitekturen hos GPU: er, vilket gör det möjligt för NAMD-utvecklare att sätta in portens datorintensiva delar av applikationen till GPU-enheten med hjälp av CUDA Toolkit. GPU Computing The Revolution. Du står inför imperativ. Förbättra prestanda Lös en Problem snabbare Parallell bearbetning skulle vara snabbare, men inlärningskurvan är brant. Inte längre Med CUDA kan du skicka C, C och Fortran-kod direkt till GPU, inget monteringsspråk krävs. Utvecklare på företag som Adobe, ANSYS , Autodesk, MathWorks och Wolfram Research väcker den sovande jätten GPU - att göra generell vetenskaplig och teknisk databehandling över ett rang E av plattformar. Genom att använda högnivå språk sprider GPU-accelererade applikationer den sekventiella delen av deras arbetsbelastning på CPU-enheten, som är optimerad för enkelgängad prestanda samtidigt som den accelererar parallellbehandling på GPU. Detta kallas GPU-databehandling. GPU-beräkning är möjlig eftersom Dagens GPU gör mycket mer än att göra grafik Det sizzles med en teraflop av flytande punkt prestanda och crunches ansökningsuppgifter konstruerade för allt från finans till medicin. CUDA är brett utplacerad genom tusentals applikationer och publicerade forskningshandlingar och stöds av en installerad bas av över 375 miljoner CUDA-aktiverade GPU-enheter i bärbara datorer, arbetsstationer, beräkna klyftor och superdatorer. Visa CUDA-zonen för exempel på applikationer på olika vertikala marknader och väck din GPU-gigantiska historia av GPU-datorer. De första GPU: erna var utformade som grafikacceleratorer som endast stödde specifika Fasta rörledningar Från och med slutet av 1990-talet blev hårdvaran alltmer programmerbar, Som kulminerade i NVIDIAs första GPU 1999 Under mindre än ett år efter att NVIDIA hade tagit termen GPU, var artister och spelutvecklare inte ensamma som gjorde banbrytande arbete med tekniken. Forskarna slog på sin utmärkta flytpunktsförmåga GPU GPGPU-rörelsen Hade uppstått. Men GPGPU var långt ifrån lätt igen, även för dem som visste grafikprogrammeringsspråk som OpenGL Developers var tvungna att kartlägga vetenskapliga beräkningar på problem som skulle kunna representeras av trianglar och polygoner. GPGPU var praktiskt taget avgränsade för dem som inte hade Memorerade de senaste grafik API: erna tills en grupp av Stanford University forskare satte på att omforma GPU som en streaming-processor. Under 2003 avslöjade ett team av forskare som leds av Ian Buck Brook, den första allmänt antagna programmeringsmodellen för att utöka C med data parallell Konstruktioner Använda koncept som strömmar, kärnor och reduktionsoperatörer, exponerade Brook kompilatorn och runtime systemet GPU som en generell p Urbehandlare på ett språk på hög nivå Viktigast var Brook-program inte bara enklare att skriva än handinställd GPU-kod, de var sju gånger snabbare än liknande existerande kod. Nvidia visste att snabb snabbt hårdvara måste kopplas med intuitiv programvara och Hårdvaruverktyg och uppmanade Ian Buck att gå med i företaget och börja utveckla en lösning för att smidigt köra C på GPU. När programvaran och hårdvaran sammanfördes avslöjade NVIDIA CUDA 2006, världens första lösning för allmän databehandling på GPUs. Tools och Träning. Idag växer CUDA-ekosystemet snabbt, eftersom fler och fler företag erbjuder verktyg, tjänster och lösningar i världsklass. Om du vill skriva din egen kod är det enklaste sättet att utnyttja GPU: s prestanda med CUDA Toolkit som tillhandahåller En omfattande utvecklingsmiljö för C och C-utvecklare. CUDA Toolkit innehåller en kompilator, mattebibliotek och verktyg för debugging och optimering av dina applikations prestanda. Du hittar också Kodprover, programmeringsguider, användarhandböcker, API-referenser och annan dokumentation som hjälper dig att komma igång. NVIDIA tillhandahåller allt detta gratis, inklusive NVIDIA Parallel Nsight för Visual Studio, branschens första utvecklingsmiljö för massivt parallella applikationer som använder båda GPUer och CPUer. Att lära sig att använda CUDA är praktisk, med omfattande online-utbildning tillgänglig samt andra resurser, till exempel webinarier och böcker. Över 400 universitet och högskolor lär CUDA-programmering, inklusive dussintals CUDA Centers of Excellence och CUDA Research and Training Centers. För Developers. Gaussian Smoothingmon Names Gaussian Smoothing. Brief Description. The Gaussian utjämning operatör är en 2-D convolution operatör som används för att dimma bilder och ta bort detaljer och ljud. I den meningen är det liknar medelfilter men det använder en annan kärna Som representerar formen av en Gaussisk klockformad puckel Denna kärna har några speciella egenskaper som beskrivs nedan. Hur jag T fungerar. Gaussfördelningen i 1-D har formen. Där är standardavvikelsen för fördelningen Vi har också antagit att fördelningen har ett medelvärde av noll dvs det är centrerat på linjen x 0 Fördelningen illustreras i Figur 1 . Figur 1 1-D Gaussisk fördelning med medelvärdet 0 och 1. I 2-D har en isotropisk dvs cirkulärt symmetrisk Gaussian formen. Denna fördelning visas i Figur 2.Figure 2 2-D Gaussisk fördelning med medelvärde 0,0 och 1.Den ideen om Gaussisk utjämning är att använda denna 2-D-distribution som en spridningsfunktion, och detta uppnås genom konvolvering Eftersom bilden lagras som en samling av diskreta pixlar måste vi producera en diskret approximation av Gaussian funktionen Innan vi kan utföra konvolutionen I teorin är den gaussiska fördelningen överallt noll, vilket skulle kräva en oändligt stor konvolutkärna, men i praktiken är den i praktiken noll mer än tre standardavvikelser från medelvärdet, och så kan vi avkorta Kärnan vid denna punkt Figur 3 visar en lämplig heltalvärderad convolutionkärna som approximerar en Gauss med en av 0 Det är inte uppenbart hur man väljer maskins värden för att approximera en Gauss. Man kan använda Gaussens värde i mitten Av en pixel i masken men det här är inte korrekt eftersom Gaussens värde varierar olinjärt över pixeln. Vi integrerade Gaussens värde över hela pixeln genom att summera Gaussian vid 0 001 steg. Integralerna är inte heltal vi Återkalcerade arrayen så att hörnen hade värdet 1 Slutligen är 273 summan av alla värdena i masken. Figur 3 Diskret approximation till Gaussisk funktion med 1 0. När en lämplig kärna har beräknats, kan den gaussiska utjämningskanalen Utföras med användning av standardkonvolutionsmetoder Konfolutionen kan faktiskt utföras relativt snabbt, eftersom ekvationen för den 2-D-isotropa Gaussian som visas ovan är separerbar i x - och y-komponenter Således kan 2-D-konvolutionen Utförs genom att först sammanfalla med en 1-D Gaussian i x-riktningen och sedan sammanfalla med en annan 1-D Gaussian i Y-riktningen. Gaussian är faktiskt den enda helt cirkulärt symmetriska operatören som kan brytas ner på ett sådant sätt. Figur 4 Visar 1-D x-komponentkärnan som skulle användas för att producera hela kärnan som visas i Figur 3 efter skalning med 273, avrundning och avkortning av en rad pixlar runt gränsen eftersom de för det mesta har värdet 0. Detta reducerar 7x7-matrisen till 5x5 visad ovan Y-komponenten är exakt densamma men är vertikalt orienterad. Figur 4 Ett av paret med 1-D-konverteringskärnor använde sig för att snabbt beräkna den fullständiga kärnan som visas i figur 3. Ett annat sätt att beräkna en Gauss-utjämning med en Stor standardavvikelse är att convolve en bild flera gånger med en mindre gauss. Även om detta är beräknings komplext kan det vara användbart om bearbetningen utförs med hjälp av en maskinvaruledning. Gaussian filtret inte bara Har nytta i tekniska applikationer Det lockar också uppmärksamhet från beräkningsbiologer eftersom det har tillskrivits en viss mängd biologisk plausibilitet, t. ex. vissa celler i hjärnans visuella vägar har ofta ett ungefärligt gaussiskt svar. Guidelines for Use. Gaussianas effekt Utjämning är att oskärpa en bild på ett liknande sätt som det genomsnittliga filtret. Graden av utjämning bestäms av standardavvikelsen hos Gaussian Större standardavvikelse Gaussianer, kräver naturligtvis större konverteringskärnor för att kunna representeras korrekt. Gaussian utgångar Ett vägat medelvärde för varje pixel s grannskap med medeltalet viktat mer mot värdet av de centrala pixlarna Detta står i kontrast till medelfilteret s jämnt vägda medelvärdet På grund av detta ger en Gaussian en mildare utjämning och bevarar kanterna bättre än en liknande storlek Medelfilter. En av de principiella motiveringarna för att använda Gaussian som utjämningsfilter är På grund av dess frekvensrespons De flesta konvolutionsbaserade utjämningsfiltren fungerar som lågpassfrekvensfiltre Detta innebär att deras effekt är att avlägsna höga rumsfrekvenskomponenter från en bild Frekvensresponsen hos ett konvolutionsfilter, dvs dess effekt på olika rumsfrekvenser, kan ses Genom att ta filterets Fourier-transformation Figur 5 visar frekvensresponserna hos ett 1-D medelfilter med bredd 5 och även av ett Gaussian filter med 3.Figure 5 Frekvenssvar i rutan, dvs genomsnittlig filterbredd 5 pixlar och Gaussian filter 3 pixlar Spatialfrekvensaxeln är märkt i cykler per pixel och därmed har inget värde över 0 5 en reell mening. Båda filter dämpar högfrekvenser mer än lågfrekvenser, men medelfiltret uppvisar oscillationer i sitt frekvenssvar. Gaussian å andra sidan visar Ingen svängningar Faktum är att formen av frekvensresponsskurvan är en halv Gaussisk. Genom att välja ett Gaussianfilter av lämpligt storlek kan vi vara ganska con Fident om vilken rad av rumsliga frekvenser som fortfarande finns i bilden efter filtrering, vilket inte är fallet med medelfilteret. Detta har konsekvenser för vissa kantdetekteringstekniker, vilket nämns i avsnittet om nollkorsningar. Gaussian filtret visar sig också vara Mycket lik det optimala utjämningsfiltret för kantdetektering under de kriterier som används för att härleda Canny-kantdetektorn. För att illustrera effekten av utjämning med successivt större och större gaussiska filter. Visar effekten av filtrering med en gaussisk med 1 0 och kärnstorlek 5 5. visar effekten av filtrering med en Gaussisk med 2 0 och kärnstorlek 9 9. visar effekten av filtrering med en Gaussisk med 4 0 och kärnstorlek 15 15. Vi överväger nu att använda Gaussian-filtret för brusreducering Bilden som har blivit korrumperad av gaussiskt brus med ett medelvärde av noll och 8 utjämnar detta med 5 5 gaussiska utbyten. Jämför detta resultat med det som uppnåtts av medel - och medianfiltret. Sall - och pepparljudet är mer utmanande för ett Gaussianfilter Här släpper vi ut bilden. Det har blivit korrumperat av 1 salt - och pepparbråk dvs enskilda bitar har blivit omkastade med sannolikhet 1 Bilden visar resultatet av Gaussian utjämning med samma konvolution som ovan. Jämför detta med originalet. Notera att mycket av bruset fortfarande existerar och att det, trots att det har minskat i storleksordningen något, har blivit utbränt över en större rumslig region Att öka standardavvikelsen fortsätter att minska suddens intensitet, men dämpar också högfrekvent detalj, t. ex. kanter, vilket visas i. Interaktiv experiment. Du kan interaktivt experimentera med den här operatören genom att klicka här. Börja från Gaussian ljud betyder 0, 13 korrumperad bildpute både medelfilter och Gaussian filterutjämning vid olika skalor, och jämföra var och en när det gäller ljudavlägsnande mot förlust av detalj. Hur många standardavvikelser från medelvärdet faller en gussisk till 5 av dess toppvärde. På grundval av detta föreslår en lämplig kvadratkärnstorlek för ett Gaussian filter med s. Estimera frekvenssvaret för ett Gaussian filter genom att Gaussian utjämnar en bild och Tar sin Fourier-transform både före och efteråt Jämför detta med frekvensresponsen hos ett medelfilter. Hur tar tiden att jämföra med ett Gaussian filter jämföra med den tid som tas för att släta med ett medelfilter för en kärna av samma storlek Notera att I båda fallen kan konvolutionen påskyndas avsevärt genom att utnyttja vissa egenskaper hos kärnan. Davies Machine Vision Theory, Algorithms and Practices Academic Press, 1990, sid 42 - 44.R Gonzalez and R Woods Digital bildbehandling Addison-Wesley Publishing Company , 1992, s. 191. R Haralick och L Shapiro Computer och Robot Vision Addison Wesley Publishing Company, 1992, vol 1, kap 7.B Horn Robot Vision MIT Press, 1986, kap 8.D Vernon Machine V Ision Prentice-Hall, 1991, sid 59 - 61, 214.Lokal information. Specifika uppgifter om den här operatören kan hittas här. Mer generell rådgivning om den lokala HIPR-installationen finns tillgänglig i avsnittet Lokal information, introduktion. , Anger medelvärdet under mellantidspunkten. I det föregående exemplet beräknade vi genomsnittet av de första 3 tidsperioderna och placerade det vid period 3. Vi kunde ha placerat genomsnittet i mitten av tidsintervallet för tre perioder, Det vill säga bredvid period 2 Det fungerar bra med udda tidsperioder, men inte så bra för jämna tidsperioder Så var skulle vi placera det första glidande medlet när M 4. Tekniskt sett skulle det rörliga genomsnittet falla vid t 2 5, 3 5 . För att undvika detta problem släpper vi MAs med M 2 Således släpper vi ut de jämnda värdena. Om vi ​​i genomsnitt ett jämnt antal villkor måste vi jämföra de jämnda värdena. Följande tabell visar resultaten med M 4.