|
Voronoi圖是一種空間分割算法。其是對(duì)空間中的n 個(gè)離散點(diǎn)而言的，它將平面分割為n 個(gè)區(qū)域，每個(gè)區(qū)域包括一個(gè)點(diǎn)，此區(qū)域是到該點(diǎn)距離最近的點(diǎn)的集合。由于Voronoi圖具有最鄰近性，鄰接性等眾多性質(zhì)和完善的理論體系，其被廣泛的應(yīng)用在地理學(xué)、氣象學(xué)、結(jié)晶學(xué)、航天、機(jī)器人等領(lǐng)域。 Voronoi圖的生成主要有矢量方法和柵格方法。矢量法中，典型的方法有增量法、分治法和間接法。分治法是一種遞歸方法，算法思路簡(jiǎn)單，但是很難在應(yīng)用過(guò)程中實(shí)現(xiàn)動(dòng)態(tài)更新。間接法則是根據(jù)其對(duì)偶圖Delaunay三角網(wǎng)來(lái)構(gòu)造Voronoi圖，因此其性能的高低由所采用的Delaunay三角網(wǎng)的構(gòu)造算法所決定。增量法通過(guò)不斷向已生成的Voronoi圖中增加點(diǎn)來(lái)動(dòng)態(tài)構(gòu)建Voronoi圖。相對(duì)于前兩種方法，增量法構(gòu)造簡(jiǎn)單并且容易實(shí)現(xiàn)動(dòng)態(tài)化，所以被廣泛應(yīng)用。矢量方法的優(yōu)勢(shì)是生成Voronoi圖精度高，但是存在存儲(chǔ)復(fù)雜，生長(zhǎng)元只能是點(diǎn)和線(xiàn)，以及難以向三維及高維空間擴(kuò)展等問(wèn)題。因此本文重點(diǎn)研究了Voronoi圖的柵格生成方法，首先比較了常見(jiàn)的柵格方法生成Voronoi圖的優(yōu)缺點(diǎn)，然后結(jié)合CUDA的出現(xiàn)，提出一種基于GPU的Voronoi圖并行柵格生成算法。 1 柵格法簡(jiǎn)介 柵格方法生成Voronoi圖主要是將二值圖像轉(zhuǎn)化為柵格圖像，然后確定各個(gè)空白柵格歸屬。主要方法有兩類(lèi)，一類(lèi)以空白柵格為中心，計(jì)算每個(gè)空白柵格到生長(zhǎng)目標(biāo)的距離，以確定其歸屬，常見(jiàn)的方法有代數(shù)距離變換法，逐個(gè)空白柵格確定法等；另一類(lèi)以生長(zhǎng)目標(biāo)為中心，不斷擴(kuò)張生長(zhǎng)目標(biāo)的距離半徑，填充其中的空白柵格，直到將整個(gè)圖像填充完成，主要有圓擴(kuò)張法，數(shù)學(xué)形態(tài)學(xué)距離變換法等。代數(shù)距離變換法對(duì)距離圖像進(jìn)行上行掃描（從上到下，從左到右）和下行掃描（從下向上，從右到左）兩次掃描，計(jì)算出每個(gè)空白柵格最鄰近的生長(zhǎng)目標(biāo)，以此生長(zhǎng)目標(biāo)作為其歸屬。此方法中柵格距離的定義直接影響了空白柵格的歸屬和Voronoi圖的生成精度，通常使用的柵格距離定義有街區(qū)距離、八角形距離、棋盤(pán)距離等。距離變換的柵格生成方法精度低、耗時(shí)長(zhǎng)，所需要花費(fèi)的時(shí)間和柵格的數(shù)量成正比，當(dāng)柵格為n×n 大小時(shí)，其時(shí)間復(fù)雜度為O（n×n）。圓檢測(cè)法以生長(zhǎng)目標(biāo)為圓心，以一定的步長(zhǎng)為初始半徑，所有生長(zhǎng)目標(biāo)同時(shí)對(duì)其構(gòu)成的圓內(nèi)的空白柵格進(jìn)行覆蓋。通過(guò)不斷擴(kuò)大生長(zhǎng)目標(biāo)的半徑，將會(huì)有越來(lái)越多的空白柵格被各個(gè)圓所覆蓋，直到最終覆蓋完整個(gè)圖像。數(shù)學(xué)形態(tài)學(xué)距離變換法與圓檢測(cè)法類(lèi)似，其思想來(lái)源于數(shù)學(xué)形態(tài)學(xué)中膨脹操作，膨脹操作起到了擴(kuò)大圖像的效果，通過(guò)不斷的對(duì)生長(zhǎng)目標(biāo)進(jìn)行膨脹操作，最終擴(kuò)張到所有的空白柵格。這兩種方法有個(gè)共同的缺點(diǎn)，在每次擴(kuò)張后，都需要判斷整個(gè)柵格圖像是否已完成擴(kuò)張，而這需要遍歷柵格圖像，十分耗時(shí)。 2 GPU下的柵格生成方法 2.1 CUDA編程模型與GPU CUDA是一個(gè)并行編程模型和一個(gè)軟件編程環(huán)境，其采用了C語(yǔ)言作為編程語(yǔ)言，提供了大量的高性能計(jì)算指令開(kāi)發(fā)能力，使開(kāi)發(fā)者能夠在GPU的強(qiáng)大計(jì)算能力上建立起一種更加高效的密集數(shù)據(jù)計(jì)算解決方案。 CUDA將CPU作為主機(jī)端，GPU作為設(shè)備端，一個(gè)主機(jī)端可以有多個(gè)設(shè)備端。其采用CPU和GPU協(xié)同工作的方式，CPU 主要負(fù)責(zé)程序中的串行計(jì)算的部分，GPU主要負(fù)責(zé)程序中的并行計(jì)算的部分。GPU上運(yùn)行的代碼被稱(chēng)為內(nèi)核函數(shù)，其能夠被GPU上內(nèi)置的多個(gè)線(xiàn)程并行執(zhí)行。一個(gè)完整的任務(wù)處理程序由CPU端串行處理代碼和GPU端并行內(nèi)核函數(shù)共同構(gòu)成。當(dāng)CPU中執(zhí)行到GPU代碼時(shí)，其首先將相關(guān)數(shù)據(jù)復(fù)制到GPU中，然后調(diào)用GPU的內(nèi)核函數(shù)，GPU中多個(gè)線(xiàn)程并行執(zhí)行此內(nèi)核函數(shù)，當(dāng)完成計(jì)算后，GPU端再把計(jì)算的結(jié)果返回給CPU，程序繼續(xù)執(zhí)行。通過(guò)將程序中耗時(shí)的且便于并行處理的計(jì)算轉(zhuǎn)移到GPU中使用GPU并行處理，以提高整個(gè)程序的運(yùn)行速度。CUDA 是以線(xiàn)程網(wǎng)格（Grid），線(xiàn)程塊（Block），線(xiàn)程（Thread）為三層的組織架構(gòu)，每一個(gè)網(wǎng)格由多個(gè)線(xiàn)程塊構(gòu)成，而一個(gè)線(xiàn)程塊又由多個(gè)線(xiàn)程構(gòu)成，如圖1所示。在GPU中，線(xiàn)程是并行運(yùn)行的最小單元，由此可見(jiàn)，當(dāng)存在大量的線(xiàn)程時(shí)，程序的并行程度將會(huì)十分高。目前的GPU上一個(gè)網(wǎng)格最多包含65535×65535 個(gè)線(xiàn)程塊，而一個(gè)線(xiàn)程塊通常有512 個(gè)或1024 個(gè)線(xiàn)程，所以理論上可以對(duì)65535×65535×512個(gè)柵格同時(shí)進(jìn)行計(jì)算。 2.2 并行Voronoi圖柵格生成算法 傳統(tǒng)的柵格生成算法中，不論是采用以空白柵格為中心確定其歸屬的方法，還是以生長(zhǎng)目標(biāo)為中心通過(guò)不斷增長(zhǎng)生長(zhǎng)目標(biāo)半徑對(duì)空白柵格進(jìn)行覆蓋的方法，他們?cè)谟?jì)算每個(gè)空白柵格距離時(shí)，只能通過(guò)遍歷柵格，逐一處理。而柵格處理過(guò)程中的一個(gè)重要特點(diǎn)是，各個(gè)柵格的計(jì)算并不依賴(lài)于其他柵格的計(jì)算結(jié)果。即各個(gè)柵格的計(jì)算是相互獨(dú)立的，而由于CPU的串行性，導(dǎo)致了各個(gè)柵格只能順序處理，降低了處理速度。 圖1 GPU組織架構(gòu) 由于GPU下的多個(gè)線(xiàn)程都是硬件實(shí)現(xiàn)的，各個(gè)線(xiàn)程的處理都是并行的，因此將柵格距離的計(jì)算分散到GPU端各個(gè)線(xiàn)程，必然能夠提高其生成速度。為了并行處理柵格化圖像，可以采用如下的想法，將每一個(gè)柵格點(diǎn)對(duì)應(yīng)于一個(gè)線(xiàn)程，此線(xiàn)程計(jì)算此柵格到所有的生長(zhǎng)目標(biāo)的距離，取最小距離的生長(zhǎng)目標(biāo)作為其歸屬。即采用一個(gè)線(xiàn)程用來(lái)確定一個(gè)空白柵格歸屬的方法。 確定方法后，就需要對(duì)GPU端內(nèi)核函數(shù)進(jìn)行設(shè)計(jì)，由于內(nèi)核函數(shù)是并行處理的執(zhí)行單元，其設(shè)計(jì)方式直接決定了GPU端的程序運(yùn)行效率。因此如何設(shè)計(jì)良好的內(nèi)核函數(shù)是提高并行速度的關(guān)鍵。本文采用如下方式進(jìn)行內(nèi)核函數(shù)的設(shè)計(jì)，假設(shè)共分配了K 個(gè)并行處理線(xiàn)程，柵格規(guī)模為M×N，設(shè)A[ i]為第i 個(gè)線(xiàn)程處理的柵格編號(hào)。當(dāng)K＜M×N 時(shí)，只需要將柵格與線(xiàn)程按序依次分配，即第i個(gè)線(xiàn)程處理第i個(gè)柵格（式（1））即可。當(dāng)線(xiàn)程個(gè)數(shù)少于柵格個(gè)數(shù)時(shí)，一個(gè)線(xiàn)程必須負(fù)責(zé)處理多個(gè)柵格。首先可以計(jì)算出每個(gè)線(xiàn)程平均需要處理的柵格個(gè)數(shù)C=M × N K ，然后對(duì)柵格采用具體的分配方式，可以有兩種分配方式，一種將連續(xù)的C 個(gè)柵格分配給一個(gè)線(xiàn)程處理，即第i 個(gè)線(xiàn)程處理第i×C，i×C+1，i×C+2，…，i×C+C-1個(gè)柵格（式（2））。另一種方式為將柵格按C大小分塊，將每塊的第i 個(gè)柵格分配給第i 個(gè)線(xiàn)程，即第i 個(gè)線(xiàn)程處理第i，C+i，2×C+i，3×C+i，…，（C-1）×C+i 個(gè)柵格（式（3））。 由于顯卡上的內(nèi)存是動(dòng)態(tài)隨機(jī)存儲(chǔ)（DRAM），因此最有效率的存取方式，是以連續(xù)的方式存取。當(dāng)采用第一種方式時(shí)，看似是一種連續(xù)的存取方式，實(shí)際上恰好是非連續(xù)的，當(dāng)?shù)趇 個(gè)線(xiàn)程處理第i 個(gè)柵格時(shí)，由于處理需要一定的時(shí)間，此時(shí)GPU自動(dòng)將下個(gè)一線(xiàn)程i+1需要的內(nèi)存數(shù)據(jù)取出給其使用，此時(shí)下一個(gè)線(xiàn)程的內(nèi)存數(shù)據(jù)卻是在i+C 處，內(nèi)存變成了間斷存取。而在使用第二種方式進(jìn)行處理時(shí)，恰好是一種連續(xù)的存取方式，由于第i 個(gè)線(xiàn)程正在處理第i 個(gè)柵格數(shù)據(jù)，此時(shí)GPU為第i+1個(gè)線(xiàn)程準(zhǔn)備數(shù)據(jù)，而此時(shí)的數(shù)據(jù)正好為第i+1內(nèi)存處。滿(mǎn)足了內(nèi)存的連續(xù)存取特性。因此本文采用第二種方式，內(nèi)核函數(shù)的設(shè)計(jì)偽代碼如下： 具體步驟如下：（這里假設(shè)柵格的規(guī)模為M×N）： Step1：根據(jù)柵格圖像的規(guī)模，確定GPU端線(xiàn)程塊和線(xiàn)程的分配方式和分配數(shù)量，初始化GPU端的參數(shù)。 Step2：程序調(diào)用GPU端內(nèi)核函數(shù)，同時(shí)將待處理柵格圖像數(shù)據(jù)傳入GPU中。數(shù)據(jù)主要是圖像的柵格距離，一般是二維數(shù)組，0表示空白柵格，其他各生長(zhǎng)目標(biāo)可由1，2等不同的數(shù)字定義。 Step3：GPU分配M×N 個(gè)thread對(duì)柵格進(jìn)行處理，當(dāng)M×N 大于所有的thread的總數(shù)時(shí)，可以將M×N 個(gè)柵格分塊處理，即將其分成A 行×B 列×C 塊，其中A×B 小于thread的總數(shù)。對(duì)于分成了C 塊的柵格來(lái)說(shuō)，每個(gè)線(xiàn)程只需要處理C 個(gè)柵格。 Step4：當(dāng)生長(zhǎng)目標(biāo)數(shù)目不多時(shí)，每一個(gè)線(xiàn)程計(jì)算其對(duì)應(yīng)的柵格到所有的生長(zhǎng)目標(biāo)點(diǎn)的距離，取距離最小的生長(zhǎng)目標(biāo)，為此線(xiàn)程對(duì)應(yīng)的空白柵格的歸屬，轉(zhuǎn)Step6。當(dāng)生長(zhǎng)目標(biāo)過(guò)多時(shí)，則轉(zhuǎn)Step5。 Step5：當(dāng)生長(zhǎng)目標(biāo)較多時(shí)，為了減少遍歷生長(zhǎng)目標(biāo)的時(shí)間，通過(guò)借鑒王新生的算法，不計(jì)算柵格點(diǎn)到每一個(gè)生長(zhǎng)目標(biāo)的距離，通過(guò)對(duì)空白柵格不斷的進(jìn)行鄰域擴(kuò)張，直到遇到目標(biāo)生長(zhǎng)點(diǎn)的方法確定此柵格的歸屬。 Step6 將生成后的數(shù)據(jù)返回CPU端，CPU端完成柵格圖像的顯示與后處理。 3 實(shí)驗(yàn)與總結(jié) 在CPU參數(shù)為Intel Xeon CPU E5-2609，2.4 GHz，2 處理器8 核心，GPU 參數(shù)為T(mén)eslaC2075，448CUDA 核心，顯存5.25 GB的試驗(yàn)平臺(tái)下，做了不同方法在不同柵格規(guī)模下生成Voronoi圖的對(duì)比試驗(yàn)，試驗(yàn)中生長(zhǎng)目標(biāo)的個(gè)數(shù)定義為100個(gè)。由于不同的方法都采用了相同的距離定義，因此各種方法的Voronoi圖生成結(jié)果都是相同的，即他們之間的生成精度是相同的，所以這里重點(diǎn)比較了不同方法的生成耗時(shí)。表1列出了不同方法生成Voronoi圖的用時(shí)，圖2為表1的折線(xiàn)圖，從圖2中可以明顯看出，當(dāng)柵格數(shù)量較少時(shí)，GPU并行技術(shù)的使用并不能提升生成速度，但是當(dāng)柵格點(diǎn)數(shù)量增加時(shí)，逐點(diǎn)法和距離變換法用時(shí)明顯增加，但GPU并行算法用時(shí)幾乎不變。 4 結(jié)語(yǔ) 通過(guò)實(shí)驗(yàn)結(jié)果可以看出，采用GPU對(duì)Voronoi圖的生成進(jìn)行并行加速，能夠很好的提高生成速度。其生成Voronoi圖所需時(shí)間與只與生長(zhǎng)目標(biāo)的數(shù)量有關(guān)，而與柵格規(guī)模沒(méi)有關(guān)系，當(dāng)生長(zhǎng)目標(biāo)數(shù)量為n 時(shí)，其時(shí)間復(fù)雜度近似于O（n），為線(xiàn)性的生成時(shí)間。相對(duì)于前面的幾種CPU下串行算法，尤其是在柵格規(guī)模過(guò)大的情況下，能夠很好的提高Voronoi圖的生成速度。 |
