張 帆，韓樹奎，張立國(guó)，王文勝,2

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033;2.中國(guó)科學(xué)院大學(xué)，北京 100049；3.東北電力設(shè)計(jì)研究院，吉林 長(zhǎng)春 130021)

Canny算法的GPU并行加速

張 帆1,2*，韓樹奎3，張立國(guó)1，王文勝1,2

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033;2.中國(guó)科學(xué)院大學(xué)，北京 100049；3.東北電力設(shè)計(jì)研究院，吉林 長(zhǎng)春 130021)

Canny算法在PC機(jī)上的執(zhí)行速度較慢，這極大地限制了其實(shí)用性。本文在前人的研究基礎(chǔ)上對(duì)算法進(jìn)行更深的優(yōu)化和改進(jìn)。首先在VS2012開發(fā)環(huán)境下利用數(shù)字圖像處理技術(shù)對(duì)原算法進(jìn)行原理上的改進(jìn)，再利用GPU流處理器數(shù)量眾多的優(yōu)勢(shì)以及強(qiáng)大的多線程并發(fā)執(zhí)行能力對(duì)Canny算法進(jìn)行并行加速。在500 pixel×500 pixel的圖片上，對(duì)本文算法和原Canny算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在4 096 pixel×4 096 pixel大小的圖片上采用本文的GPU移植算法處理后，執(zhí)行速度從80 ms降到了6 ms以內(nèi)。在不影響邊緣檢測(cè)效果的前提下極大地提高了算法的實(shí)用性。

邊緣檢測(cè)；GPU；并行處理；連通域提取

1 引 言

邊緣檢測(cè)是圖像處理領(lǐng)域的一種很重要算法，其能從原始圖像中分離出目標(biāo)的邊緣信息，去除冗余信息。邊緣檢測(cè)效果比較好的算法為Canny算法。自1986年John Canny提出該算法以來，其高效性得到學(xué)者們的廣泛認(rèn)可[1]。該算法在總結(jié)前人算法的基礎(chǔ)上，提出了新的邊緣檢測(cè)原則：(1)能正確標(biāo)識(shí)出圖像的邊緣；(2)標(biāo)出的邊緣要和圖像的真實(shí)邊緣盡可能接近；(3)圖像中的邊緣在結(jié)果圖中只被標(biāo)識(shí)出一次，因此，可有效去除虛假邊緣信息。為了達(dá)到上述效果，Canny算法采取了高斯濾波、非極大值抑制、邊緣連接等方法進(jìn)行處理。檢測(cè)高效性是其重要優(yōu)點(diǎn)，但是由于算法復(fù)雜導(dǎo)致其執(zhí)行速度緩慢，從而極大制約了其實(shí)用性。已有的C版本，OpenCV庫函數(shù)版本的執(zhí)行效率都比較低，不能用于快速場(chǎng)景檢測(cè)以及工程項(xiàng)目開發(fā)中。

近年來，隨著高性能計(jì)算設(shè)備的發(fā)展，以及MPI、OpenGL等一系列并行加速工具的出現(xiàn)使得算法的執(zhí)行速度有了很大提高。特別是近年來GPU顯卡編程為并行計(jì)算提供了新的途徑。GPU編程以高速的執(zhí)行速度、良好的可編程性、較高的功耗比成為了并行編程的一個(gè)熱門工具[2]。目前，對(duì)于GPU版本的Canny算法，國(guó)內(nèi)外許多文獻(xiàn)的關(guān)注點(diǎn)不一樣。文獻(xiàn)[3]直接將原算法移植到了GPU上，使其執(zhí)行效率受到很大的制約，有很大的提高空間；文獻(xiàn)[4]利用FPGA系統(tǒng)對(duì)算法進(jìn)行改進(jìn)，而這種改進(jìn)僅是將高斯濾波改成了中值濾波進(jìn)行去噪。這種改進(jìn)在某些程度上有可能降低算法的執(zhí)行速率。文獻(xiàn)[5]將改進(jìn)重點(diǎn)放在了最后的邊緣搜索部分，改進(jìn)了搜索算法策略，但是單一的優(yōu)化搜索策略對(duì)于算法性能的整體提升并不明顯。

本文利用GPU加速工具對(duì)Canny算法的各個(gè)執(zhí)行步驟都進(jìn)行優(yōu)化。其中，主要優(yōu)化了高斯去噪求邊緣步驟和邊緣搜索鏈接步驟。利用GPU的大流量處理器和多線程并發(fā)執(zhí)行的特點(diǎn)，對(duì)一幅4 096×4 096圖像進(jìn)行邊緣檢測(cè)，將邊緣算法的執(zhí)行時(shí)間壓縮到6 ms以內(nèi)。

2 算法介紹和分析

John Canny在前人的邊緣檢測(cè)標(biāo)準(zhǔn)上又加了一條判別依據(jù)，即圖像中的邊緣在結(jié)果圖中應(yīng)該只被標(biāo)識(shí)一次，以去除虛假邊緣信息。改進(jìn)后的算法流程如下。

(1)高斯濾波：在檢測(cè)之前，采用高斯濾波去噪以去除圖像采集時(shí)的隨機(jī)噪聲；隨后再分別對(duì)x和y方向做差分，求邊緣信息。高斯卷積公式如式(1)所示，*表示卷積。

由公式得出的離散化差分模板如式(2)所示。

利用式(2)的模板對(duì)圖像逐像素卷積。

在實(shí)際圖像處理中，高斯濾波經(jīng)常采用的離散化卷積模板大小為3×3或5×5，方差根據(jù)實(shí)際圖像的噪聲分布選取，由此可計(jì)算出模板中每個(gè)位置的值。

高斯濾波是一種線性平滑濾波，主要用于消除高斯噪聲。在遙感圖像數(shù)據(jù)采集過程中，空間相機(jī)的圖像采集環(huán)境比較穩(wěn)定，圖像噪聲主要是電子元器件造成的高斯噪聲。因此可以采用高斯濾波進(jìn)行初步的去噪處理。

(2)非極大值抑制：為了使標(biāo)識(shí)的邊緣和圖像的真實(shí)邊緣盡可能接近，算法引入了非極大值抑制方法。在粗線條的邊緣信息中只保留梯度最大的邊緣，從而使檢測(cè)出的邊緣盡可能地靠近真實(shí)邊緣。非極大值抑制原理如圖1所示，在所測(cè)像素8鄰域內(nèi)尋找差分值最大的可能點(diǎn)，再通過線性插值尋找梯度方向[8]。

圖1 非極大值抑制示意圖Fig.1 Schematic diagram of non-maximum suppression

(3)雙閾值邊緣假設(shè)：Canny在前人的基礎(chǔ)上加入了雙閾值邊緣假設(shè)，算法設(shè)定了兩個(gè)差分閾值A(chǔ)、B(Agt;B)。邊緣差分值大于閾值A(chǔ)的一定是所求的邊緣，由此得出邊緣圖A，閾值介于A和B之間的是可能要的邊緣，由此得出邊緣圖B。最終在B圖結(jié)果中尋找連接到A圖的邊緣區(qū)域，從而得到最終的邊緣結(jié)果圖。雙閾值假設(shè)的原理如圖2(彩色見期刊電子版)所示，其中黃色是圖A中的邊緣區(qū)域，綠色是圖B中的邊緣區(qū)域。算法以3為起點(diǎn)不斷地在B圖中搜索連接區(qū)域，直到搜索完所有點(diǎn)為止。

圖2 雙閾值假設(shè)搜索過程Fig.2 Searching process of dual threshold hypothesis

表1是對(duì)于一幅大小為4 096×4 096的8位灰度圖執(zhí)行Canny算法的耗時(shí)結(jié)果。基于Opencv2.4.8計(jì)算機(jī)視覺庫在I5-2400，3.1 GHz主頻，內(nèi)存為16 GB的PC機(jī)上進(jìn)行算法實(shí)現(xiàn)。

從表1可以看出，在CPU的串行模式下，Canny算法耗時(shí)主要集中于第一步的高斯濾波求差分和最后一步的邊緣搜索連接。這主要因?yàn)楦咚鼓０鍖?duì)圖像卷積計(jì)算在CPU單線程串行執(zhí)行模式下的速度非常緩慢。對(duì)于在連通域搜索部分，算法的搜索策略是搜索已被標(biāo)記點(diǎn)8鄰域，判斷是否存在有效點(diǎn)，這種單個(gè)點(diǎn)標(biāo)記的搜索方法也是單線程邏輯搜索，耗時(shí)較多。而算法中的非極大值抑制部分耗時(shí)較少，優(yōu)化起來相對(duì)簡(jiǎn)單。

3 算法改進(jìn)與加速優(yōu)化

依據(jù)以上分析，制約算法執(zhí)行速度的兩個(gè)主要原因是算法本身因素和串行執(zhí)行模式[10]。算法自身耗時(shí)主要集中在高斯卷積濾波和邊緣搜索和連接上。串行執(zhí)行模式主要是算法在PC機(jī)上基于CPU的單線程串行執(zhí)行。因此本文將從這兩個(gè)方面對(duì)Canny算法進(jìn)行優(yōu)化加速。

3.1 算法優(yōu)化

3.1.1 優(yōu)化高斯濾波和差分

在圖像求邊緣差分算法中，基于Sobel算子的邊緣檢測(cè)方法既可以進(jìn)行x和y方向的邊緣檢測(cè)，又可以對(duì)圖像中的噪聲起到一定的抑制作用[12]。因此本文考慮利用Sobel算子代替Canny算法中的高斯濾波和差分求邊緣兩步，以降低計(jì)算復(fù)雜度。Sobel算子邊緣檢測(cè)的離散化模板和其卷積計(jì)算公式如下：

由式(3)可以看出，Sobel算子模板為3×3，其中有效計(jì)算的非零元素個(gè)數(shù)為6，在代碼中單次循環(huán)的計(jì)算量為6；在原Canny算法流程中高斯濾波3×3模板的非零元素個(gè)數(shù)為9，差分的2×2模板的非零元素個(gè)數(shù)為4，因此在單個(gè)方向代碼中的單次循環(huán)計(jì)算量總量是13。由此可知，Sobel算子的計(jì)算復(fù)雜度是原Canny算法的1/2。對(duì)于x和y兩個(gè)方向的圖像求邊緣差分計(jì)算，可以通過GPU并行加速。圖像處理的GPU并行加速原理如圖3所示。其中，每個(gè)像素點(diǎn)的計(jì)算過程可以映射為一個(gè)線程再賦予到一個(gè)流處理器上進(jìn)行處理。這樣可以利用GPU數(shù)量眾多的流處理器，實(shí)現(xiàn)大規(guī)模線程并行以壓縮時(shí)間。

圖3 GPU并行加速原理圖Fig.3 Schematic diagram of parallel acceleration by GPU

3.1.2 GPU加速非極大值抑制和雙閾值圖像分割

非極大值抑制和雙閾值分割都是屬于任務(wù)簡(jiǎn)單計(jì)算密集型的操作。它們可以采用如圖3所示的GPU并行加速方法，將每個(gè)像素點(diǎn)的計(jì)算映射到一個(gè)線程，并賦予一個(gè)流處理器SP進(jìn)行處理。在非極大值抑制中，為了簡(jiǎn)化計(jì)算，不采用插值求8鄰域最大值，而直接采用8鄰域求最大值的方法。

3.1.3 優(yōu)化搜索和鏈接

本文將中間值邊緣的搜索改成連通域搜索，并且在搜索方式上采用3步進(jìn)式搜索，這樣可以充分利用3×3卷積模板的信息。

原始Canny算法存在計(jì)算能力浪費(fèi)的現(xiàn)象。每次進(jìn)行連通區(qū)域掃描時(shí)都只是掃描了與邊緣點(diǎn)連接的部分，而對(duì)于可能的連通區(qū)域沒有執(zhí)行操作。算法中的邊緣搜索與求連通域的操作步驟相似，因此，可以先將可能存在的連通域求出來，再與真正的邊緣點(diǎn)相連接。這樣能夠充分減少邊緣搜索的時(shí)間。如圖4(a)所示，黃色是雙閾值分割后A圖中的連通區(qū)域，綠色是B圖中的連通區(qū)域。以1、2、3為邊緣搜索A圖中的連通域，再以4、5、6和7、8搜索出B圖中連通區(qū)域，因?yàn)锽圖4點(diǎn)連接到A圖中的連通域，故將整個(gè)連通域判定為邊緣。

在搜索策略上依據(jù)改進(jìn)的3步進(jìn)式搜索原理，如圖4(b)所示。1點(diǎn)為起始搜索點(diǎn)傳統(tǒng)方法是以1點(diǎn)為中心判斷其8鄰域的有效點(diǎn)，如圖4(b)右圖。改進(jìn)后以1點(diǎn)8鄰域中的有效點(diǎn)2為中心，判斷其8鄰域中除1點(diǎn)以外的有效點(diǎn)即3點(diǎn)，如圖4(b)左。3步進(jìn)式的搜索方法，單次搜索可以標(biāo)記兩個(gè)以上的點(diǎn)，效率較原算法中的8鄰域單個(gè)點(diǎn)標(biāo)記有了大大提高。

圖4 搜索方法優(yōu)化示意圖 4(a)(左),4(b)(右)Fig.4 Schematic diagram of optimizing search and connection,4(a)(left)) and 4(b)(right)

3.2 雙GPU優(yōu)化

在Canny算法雙閾值假設(shè)的兩個(gè)閾值搜索連接過程中，圖像A和圖像B的連通域搜索連接過程是相互獨(dú)立的。針對(duì)這種相互獨(dú)立的分塊任務(wù)可以利用雙GPU進(jìn)行加速，每個(gè)GPU分別負(fù)責(zé)一幅圖像的搜索連接過程，原理如圖5所示，即將兩幅圖像的邊緣搜索連接任務(wù)分別放到兩個(gè)GPU中進(jìn)行。最終利用GPU的內(nèi)部等待完成指令synthreads，等兩幅圖像的搜索任務(wù)全部完成后，再進(jìn)行有效區(qū)域邊緣的連接與合并，這樣可以隱藏計(jì)算用時(shí)較少的圖像的處理時(shí)間。

圖5 雙GPU優(yōu)化原理示意圖Fig.5 Schematic diagram of dual-GPU optimization

此外，Canny算法前面的從高斯濾波到非極大值抑制，也都可以利用雙GPU進(jìn)行優(yōu)化加速。由于采用了兩個(gè)相同的GPU，則流處理器數(shù)量也將加倍，對(duì)于大規(guī)模的線程并行會(huì)帶來線性的加速收益。類似步驟可以利用開發(fā)平臺(tái)進(jìn)行。

4 實(shí)驗(yàn)結(jié)果和討論

本文采用PC平臺(tái)，Opencv2.4.8計(jì)算機(jī)視覺庫以及Nvidia 750Ti顯卡對(duì)本文算法進(jìn)行了驗(yàn)證。對(duì)于500 pixel×500 pixel大小的圖片，邊緣檢測(cè)結(jié)果如圖6所示,左圖為CPU的邊緣檢測(cè)結(jié)果，右圖為GPU的邊緣檢測(cè)結(jié)果。

圖6 不同算法的比較結(jié)果(左圖CPU,右圖GPU)Fig.6 Comparison of two results by CPU(left) and GPU(right)

可以看出，原始Canny算法和本文算法的差異很小，不影響目標(biāo)的整體邊緣輪廓[11]。對(duì)于港口區(qū)域圖像，能夠看出圖中的海上船只輪廓已經(jīng)能夠很好地與陸地分割開。在GPU的檢測(cè)結(jié)果中(圖6(b))主要輪廓的邊緣信息雖然有斷點(diǎn)，但是能夠反映出目標(biāo)物的主要信息。上述實(shí)驗(yàn)說明本文算法的檢測(cè)結(jié)果是可靠的。

圖7 本文算法、OpenCV庫及GPU庫算法的結(jié)果比較Fig.7 Results comparison of proposed method,OpenCV-lib and GPU-lib methods

圖8 本文方法、文獻(xiàn)[7]和文獻(xiàn)[3]算法的結(jié)果比較Fig.8 Results comparison of proposed method,and methods from Ref.[7] and Ref.[3]

針對(duì)不同版本的Canny檢測(cè)算法的實(shí)驗(yàn)結(jié)果見圖7。圖7是本文算法、OpenCV庫、GPU庫的實(shí)現(xiàn)檢測(cè)結(jié)果，縱坐標(biāo)是執(zhí)行時(shí)間(單位：ms)，橫坐標(biāo)是圖像尺寸(單位:pixel2)。圖8是本文算法、文獻(xiàn)[3]算法和文獻(xiàn)[7]用FPGA的執(zhí)行結(jié)果。從圖中可以看出，對(duì)于不同尺寸的圖像，本文算法的執(zhí)行速度較其他算法有明顯提高[13-14]。其中圖7是本文算法的GPU并行移植與原算法GPU并行化移植的結(jié)果對(duì)比。圖8為用GPU加速與其他硬件加速后的效果對(duì)比。

由圖7和圖8可以看出，在數(shù)據(jù)量較大的圖像中，GPU的加速效果比較明顯。表2是本文使用雙GPU對(duì)于Canny算法的執(zhí)行過程進(jìn)行優(yōu)化后的結(jié)果，實(shí)驗(yàn)采取4 096×4 096的大尺寸圖像。實(shí)驗(yàn)數(shù)據(jù)表明，雙GPU加速會(huì)帶來線性的加速收益，這主要是因?yàn)楦嗟腉PU芯片擁有更多的流處理器，可以同時(shí)并行處理更多的像素。因此，在實(shí)際工作以及硬件開發(fā)中，可以選擇更多的GPU處理芯片群組進(jìn)行更高效率的程序開發(fā)。

表2 對(duì)于4 096×4 096大小的圖片雙GPU優(yōu)化本文改進(jìn)算法執(zhí)行時(shí)間Tab.2 Execution time by proposed method based on dual-GPU optimization on image with size of 4 096×4 096 (ms)

從上面的實(shí)驗(yàn)結(jié)果可以看出，GPU對(duì)于模板卷積這種任務(wù)簡(jiǎn)單，計(jì)算密集的操作可實(shí)現(xiàn)非常好的加速壓縮，而對(duì)于邊緣搜索連接這種任務(wù)復(fù)雜的操作加速效果不是很好。

前三步操作的速度隨著GPU處理器能力的提高以及流處理器數(shù)量的增多而加速，當(dāng)顯卡從750Ti換成980以后，前面三步的計(jì)算速度有了很大的提高，說明前三步操作受流處理器數(shù)量的影響較大。而后半部分速度提升較小，主要因?yàn)槠涫芟抻谒惴ū旧?。處理器換成雙GPU以后，處理4 096×4 096大小的圖像的執(zhí)行時(shí)間從19 ms壓縮到5.9 ms，速度提升了3.3倍。

在遵從于原算法的GPU并行化移植后，Canny邊緣檢測(cè)算法相對(duì)于C語言版本的算法效率提高數(shù)十倍，經(jīng)過本文的算法改進(jìn)后，算法效率又提高3～5倍。

5 結(jié) 論

本文從算法本身和執(zhí)行模式兩方面對(duì)Canny算法進(jìn)行了優(yōu)化和加速。

(1)通過對(duì)原算法各個(gè)執(zhí)行步驟進(jìn)行分析和優(yōu)化，在不影響邊緣檢測(cè)效果的前提下，減少了Canny算法的計(jì)算復(fù)雜度，充分提高了算法的執(zhí)行速度。

(2)利用GPU的多線程并行執(zhí)行能力，對(duì)圖像處理進(jìn)行了串行轉(zhuǎn)并行的移植。將4 096×4 096大小的圖像的邊緣檢測(cè)時(shí)間從80 ms壓縮到了6 ms以內(nèi)。執(zhí)行速度相比C版本以及FPGA和相關(guān)參考文獻(xiàn)都有較大提升，大大提高了算法的實(shí)用性。

此外，GPU在提供相同計(jì)算能力的基礎(chǔ)上，功耗比硬件平臺(tái)要小很多。此外，GPU能夠進(jìn)行嵌入式硬件開發(fā)，有望將算法的執(zhí)行速率進(jìn)一步提高。

[1] CANNY J.A computational approach to edge detection[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1986,6:679-698.

[2] 丁鵬,張葉,劉讓,等.結(jié)合形態(tài)學(xué)和Canny算法的紅外弱小目標(biāo)檢測(cè)[J].液晶與顯示,2016,31(8):793-800.

DING P,ZHANG Y,LIU R,etal..Infrared small target detection based on adaptive Canny algorithm and morphology[J].ChineseJournalofLiquidCrystalsandDisplays,2016,31(8):793-800.(in Chinese)

[3] 朱玉娥,吳曉紅,何小海.基于GPU圖像邊緣檢測(cè)的實(shí)時(shí)性[J].電子測(cè)量技術(shù),2009,32(2):140-142.

ZHU Y E,WU X H,HE X H.Real-time edge detection based on GPU[J].ElectronicMeasurementTechnology,2009,32(2):140-142.(in Chinese)

[4] 唐斌,龍文.基于GPU+CPU的CANNY算子快速實(shí)現(xiàn)[J].液晶與顯示,2016,31(7):714-720.

TANG B,LONG W.Fast Canny algorithm based on GPU+CPU[J].ChineseJournalofLiquidCrystalsandDisplays,2016,31(7):714-720.(in Chinese)

[5] 李大禹.基于多GPU的液晶自適應(yīng)光學(xué)波前處理器[J].液晶與顯示,2016,31(5):491-496.

LI D Y.Liquid crystal adaptive optics wavefront processor based on multi-GPU[J].ChineseJournalofLiquidCrystalsandDisplays,2016,31(5):491-496.(in Chinese)

[6] 張宏薇,王仕洋,李憲龍,等.基于Hough變換的瞳孔識(shí)別方法研究與實(shí)現(xiàn)[J].液晶與顯示,2016,31(6):621-625.ZHANG H W,WANG SH Y,LI X L,etal..Research and implementation of pupil recognition based on Hough transform[J].ChineseJournalofLiquidCrystalsandDisplays,2016,31(6):621-625.(in Chinese)

[7] 張素文,陳志星,蘇義鑫.Canny邊緣檢測(cè)算法的改進(jìn)及 FPGA 實(shí)現(xiàn)[J].紅外技術(shù),2010,32(2):93-96.

ZHANG S W,CHEN ZH X,SU Y X.Improved Canny edge detection algorithm and implementation in FPGA[J].InfraredTechnology,2010,32(2):93-96.(in Chinese)

[8] Canny edge detection algorithm principle and its VC implement[EB/OL].http://blog.csdn.net/augusdi/article/details/12907151.

[9] 周海芳.遙感圖像并行處理算法的研究與應(yīng)用[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2003.

ZHOU H F.Researchandapplicationofparallelaccelerationinremotesensingimage[D].Changsha:National University of Defense Technology,2003.(in Chinese)

[10] 徐亮,魏銳.基于Canny算子的圖像邊緣檢測(cè)優(yōu)化算法[J].科技通報(bào),2013,29(7):127-131.

XU L,WEI R.An optimal algorithm of image edge detection based on Canny[J].BulletinofScienceandTechnology,2013,29(7):127-131.(in Chinese)

[11] 曾文靜,萬磊,張鐵棟,等.復(fù)雜?？毡尘跋氯跣∧繕?biāo)的快速自動(dòng)檢測(cè)[J].光學(xué) 精密工程,2012,20(2):403-412.

ZENG W J,WAN L,ZHANG T D,etal..Fast detection of weak targets in complex sea-sky background[J].Opt.PrecisionEng.,2012,20(2):403-412.(in Chinese)

[12] 陳娟,陳乾輝,師路歡,等.圖像跟蹤中的邊緣檢測(cè)技術(shù)[J].中國(guó)光學(xué),2009,2(1):46-53.

CHEN J,CHEN Q H,SHI L H,etal..Edge detection technology in imaging tracking[J].ChineseOptics,2009,2(1):46-53.(in Chinese)

[13] XU Q,VARADARAJAN S,CHAKRABARTI C,etal.A distributed canny edge detector:algorithm and FPGA implementation[J].IEEETransactionsonImageProcessing,2014,23(7):2944-2960.

[14] 周克良,周利鋒,劉太鋼,等.基于改進(jìn)的Canny算子實(shí)時(shí)視頻邊緣檢測(cè)系統(tǒng)在FPGA上的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制,2016,24(1):219-222.

ZHOU K L,ZHOU L F,LIU T G,etal..Design and implementation of real-time video edge detection system based on improvement of canny algorithm on FPGA[J].ComputerMeasurementamp;Control,2016,24(1):219-222.(in Chinese)

[15] 王希遠(yuǎn),成榮,朱煜,等.基于FPGA的BiSS-C協(xié)議編碼器接口技術(shù)研究及解碼實(shí)現(xiàn)[J].液晶與顯示,2016,31(4):386-391.

WANG X Y,CHENG R,ZHU Y,etal..Research and realization of BiSS-C protocol encoder interface based on FPGA[J].ChineseJournalofLiquidCrystalsandDisplays,2016,31(4):386-391.(in Chinese)

張 帆(1992—)，男，河南周口人，碩士研究生，主要從事數(shù)字圖像處理、GPU并行加速、機(jī)器視覺等方面的研究。E-mail:zhangfan_6284@126.com

張立國(guó)(1961—)，男，吉林長(zhǎng)春人，研究員，主要從事空間光學(xué)方面的研究。E-mail:zhangliguo@ciomp.ac.cn

ParallelaccelerationofCannyalgorithmbasedonGPU

ZHANG Fan1,2,HAN Shu-kui3,ZHANG Li-guo1*,WANG Wen-sheng1,2

(1.ChangchunInstituteofOptics,FineMechanicsandPhysic,ChineseAcademyofSciences,Changchun130033,China; 2.UniversityofChineseAcademyofScience,Beijing100049,China；3.NortheastElectricalPowerDesignInstitute,Changchun130021,China)

*Correspondingauthor，E-mail:zhangliguo@ciomp.ac.cn

Due to the slow execution speed of Canny algorithm in PC,the practicality of this algorithm is greatly restricted.Based on the previous studies,we further optimizes and improves the algorithm.First of all,we use the digital image processing technology to improve the original algorithm under the development environment of VS2012,and then accelerate the Canny algorithm by taking advantage of the large number of GPU stream processors and powerful multithreaded concurrent execution capability.Experiments were made on the improved algorithm and the original Canny algorithm.Experimental results show that in the 4 096×4 096 pixel-size images,the GPU migration algorithm presented in this paper can reduce the execution speed from 80 ms to less than 6 ms.Through this improvement,it can greatly improve the practicability of the algorithm without affecting the edge detection effect.

edge detection;GPU;parallel processing;connected component extraction

2017-09-11；

2017-11-13

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)資助項(xiàng)目(No.863-2-5-1-13B)

Supported by National High-tech Ramp;D Program of China(No.863-2-5-1-13B)

2095-1531(2017)06-0737-07

TP751.1

A

10.3788/CO.20171006.0737