论文部分内容阅读
图像处理技术和多媒体技术的快速发展,对需要处理的数据量、计算复杂度以及处理的实时性都提出了更高的要求。以通用处理器以及专用集成电路为主要计算架构的现有硬件结构,很难在计算效率和计算灵活性上同时满足这些要求。可重构处理器的处理单元阵列结构具有灵活的可重复配置特点,能够广泛适用于不同类型的算法应用;同时具有高并行度的计算特征,可以高效完成大量数据的复杂计算,大大提升算法应用的执行效率。这些都使得可重构处理器非常适合用于图像配准算法的处理。本文以通用可重构处理器为基础,深入分析了算法应用中常见的关键循环体在处理单元阵列上的映射方法,包括映射前的算法应用热点的数据流拆解、基于时序映射的实现方法以及基于空间映射的流水实现方法。然后对常用的图像配准处理算法中的归一化互相关、随机抽样一致、二维离散余弦变换算法进行了串行计算分析,并从减少配置信息体积、减少处理器重构频率以及减少数据传输延时三个原则出发,将算法应用的不同部分采用合适的方法进行并行流水映射。此外,本文提出了一种基于改进型随机抽样一致法的图像配准算法,以提高图像配准算法的计算精度和计算速度。本文将完成并行流水拆分映射的图像配准处理算法通过配置信息的形式,在基于So C Designer的可重构处理器仿真测试平台上进行并行计算测试,同时将对应的算法在基于Atom 230的测试平台上进行串行计算测试,实验结果表明,利用并行流水方法实现的归一化互相关、随机抽样一致、二维离散余弦变换算法,在计算效率上分别是传统串行实现方法的28.24倍、5.12倍和8.29倍。对于基于改进RANSAC的图像配准算法,仿真测试表明,改进的算法在缩放比例和旋转角度上的误差平均值分别为0.18%和4.34%,精度分别高于标准RANSAC配准结果的0.34%和15.16%;在不同特征点对数、不同外点比例的情况下,改进的算法的计算速度是标准算法的8.97倍到163.79倍。