基于GPU平台利用CUDA加速图像处理算法 实时处理高清图像

        近年来，以NVIDIATesla为代表的异构芯片（协处理器）逐渐被引入到通用计算领域中。最初的图形处理(GraphicProcessing Unit, GPU)就是用来处理大规模的并行计算，并且GPU的并行处理能力在不断的上升。GPU将更多的晶体管用于执行单元，而非像CPU那样用作复杂的数据cache和指令控制。由于GPU具有超强的浮点计算能力，除了在传统领域（图形显示，多用于游戏）的应用以外，GPU越来越多地应用在科学计算领域上，并且逐渐进入高性能计算的主流。

        CUDA(ComputeUnified Device Architecture，统一计算设备架构) 是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的高性能计算问题。CUDA编程是在C语言上的基础上对C语言的扩展，不再需要借助于图形学API，CUDA开发人员只需要在C语言的基础上从CPU过度到GPU上，CUDA提供了简单、容易的GPU开发工具，因此对于开发者来说，CUDA的开发门槛大大降低了。CUDA编程采用了异构体系结构的模式，CPU作为主机，GPU作为CPU的协处理器（或称设备），CPU与GPU协同工作，CPU负责逻辑性强的事务处理和串行计算，GPU负责高度并行化的计算任务，CPU与GPU共同完成加速任务。

       CUDA编程语言的推出，使得在GPU平台上的高性能计算应用软件越来越多。目前，CUDA在石油勘测、流体动力学模拟、天文计算、分子动力学仿真、生物计算、图像处理、音频视频编解码、医疗成像、金融、数据库等领域得到广泛的应用，在很多应用中获得2-3个数量级的加速比，极大地提高了性能。

        目前，很多图像处理中，如实时人物抠像、图像识别、图像检索等，对图像的要求越来越高，如720P、1080P图像的处理，在CPU平台上已无法实现这些高清图像的实时处理，严重滞后于应用的需求，而采用GPU可以相对CPU提高数十倍的性能，快速实现高清图像的实时处理，给图像处理带来了新的方法。

        采用CPU+GPU架构可以获取以下的好处：

1）速度快，采用GPU可以获得CPU的数十倍数百倍的性能，可以实时处理高清图像；

2）成本低，在普通PC机器上插上一块1000多元的Geforce GPU卡即可获得数万元、数十万元高端服务器的性能；

3）减少CPU利用率，提高系统的稳定性。

本人在CUDA方面有丰富的项目经验，并且做过图像处理方面的CUDA加速，完成过图像缩放、旋转、抠图、匹配等算法的CUDA加速，性能加速数十倍，满足了高清图像的实时处理。

有这方面需求的可以QQ（331526010）或Email（[e-mail]）联系。