一种基于CUDA的GPU并行计算全息图的方法技术

本发明专利技术公开一种基于CUDA的GPU的并行计算全息图的方法。该方法包括如下步骤：A1、根据GPU的数量，将待生成计算全息图进行划分；A2、读取物空间点，将数据进行划分；A3、分配线程块和线程数量，确定线程块、线程与计算全息图、物空间点的关系；A4、将步骤A1，A2，A3的结果代入点云法公式，得计算全息图。该方法结合点云法，对传统GPU加速方法进行了优化，使得运算速度得到大幅提升。该方法可以建立在通用GPU架构上，编程方便，有利于广泛使用。

【技术实现步骤摘要】

本专利技术属于计算全息领域，特别是涉及一种基于统一计算设备架构(CUDA)的图形处理器(GPU)并行加速计算全息图生成方法。
技术介绍
全息显示技术可以提供物理和心理上的双重景深，被视为未来的3D显示技术。计算全息可以记录和再现现实中并不存在的物体，是目前主流的动态全息显示技术。然而，计算速度已经成为计算全息的瓶颈。通常，采用点云法计算一幅包含上万个采样点的全息图，需要花费数小时的时间。为解决这一问题，提出了各种各样的解决办法。这些办法主要可以分为两类：第一种是改进算法以提高运算速度，第二种是利用硬件设备的发展加速运算过程。随着GPU技术的发展，该设备慢慢进入人们的视野。GPU具有高速并行计算的能力，而且它作为一种PC机上的通用设备可以不依赖于特定平台，是一种较为理想的计算全息图(CGH)加速硬件。N.Masuda等将GPU用于CGH的计算，实现了一个47倍的加速效果。但是该方法是将全息图映射到GPU中，应用了大量计算机图形学的原理，使用较为不方便。NVIDIA公司于2008年推出了CUDA，利用这一架构可以大大降低编程难度，有利于GPU加速的广泛使用。Shimobaba等人利用CUDA架构编写了基于GPU的波动光学(GWO)库，可以利用GPU直接进行CGH计算。Song等人提出了一种基于CUDA的多GPU并行加速方法。Takada等使用GPU计算集群实现了高分辨率计算全息图的生成。但这些系统中采用的加速方法没有充分利用CUDA架构的一些特性，导致加速没有达到最佳效果。
技术实现思路
本专利技术的目的是提供一种结合点云法，基于CUDA的GPU并行加速计算全息图的方法。该方法能够减少数据传输时间，提高整个过程的运算效率。本专利技术提供一种基于CUDA的GPU并行计算全息图的方法，包括以下步骤：A1、根据GPU的数量，将待生成计算全息图进行划分；A2、读取物空间点，将数据进行划分；A3、分配线程块和线程数量，确定线程块、线程与计算全息图、物空间点的关系；A4、将步骤A1，A2，A3的结果代入点云法公式。优选地，步骤A1中待生成计算全息图的划分原则为：计算全息图的份数与GPU的数量相同。在Z个GPU的情况下，把待生成计算全息图划分为Z块，使得每一个GPU负责生成一部分计算全息图。进一步地优选：待生成计算全息图等份划分为与GPU数量相同的份数。优选地，步骤A2中数据分段所遵循的基本原则为Kernel函数的运算时间≥数据拷贝时间。数据拷贝的时间包含两部分，一部分为将一段数据拷贝进GPU的时间，另一部分为将运算完Kernel函数的结果拷贝出GPU所用的时间。如将空间采样点数据划分为n段，分别命名为DATA0，DATA1，…DATAn-1。将每段数据拷贝进GPU，时间为T1i；运算Kernel，运算时间为T2i；运算结果拷贝出GPU，时间为T3i；其中，i≤n-1。在运算第i段kernel函数的同时，将i+1段数据拷贝进GPU，以及将i-1段运算结果拷贝出GPU。优选地，步骤A2中的数据划分为等额划分，即DATA0＝DATA1＝…＝DATAn-1。优选地，步骤A3中分配线程块和线程数量的原则是：一个线程块(Block)对应一个计算全息图的像素，每个线程块中的每个线程对应一个物空间点；如计算全息图的分辨率为M×L，则线程块的数量为M×L个。每个线程块中分配若干个线程(Thread)，使得每一个线程对应一个物空间点。进一步优选地，线程的数量为2的整数次幂，且小于硬件限定数量。更进一步地优选，每个线程块中线程的数量为64-256。优选地，步骤A3还包括如下步骤：当物空间点数量大于线程数量时，可使用线程循环的方式遍历每个物空间采样点，基于线程块内的线程可以通过共享内存通信这一特性，利用归约运算的思想来优化累加过程，其基本过程如下：S1、将每个线程中的计算结果保存在对应序号的共享内存cache[0,1,…K-1]中，令iMax＝K-1；S2、iMax＝iMax/2，将cache[i]与cache[i+iMax+1](i＝0,1,…,iMax)中的两个值相加，将结果保存到cache[i]当中；S3、如果iMax不等于0，跳转至S2；如果iMax＝0，则跳转到S4；S4、Cache[0]即为最终结果。优选地，步骤A4中点云法生成计算全息图的公式为：或其中，Ii(xh,yh)为第i个物空间点传播到全息平面(xh,yh)处的光强，Ai为第i个物空间点的振幅，λ为参考光波长，(xi,yi,zi)为第i个物空间点，N是物空间采样点的个数；I(xh,yh)为全息平面(xh,yh)处的光强。上述步骤A4中，公式(3)是对点云法公式(1)的优化，选用乘运算代替除运算、用cosf函数代替cos运算，其运算速度更快。点云法计算生成计算全息图时，将物体视为由很多个点光源构成，分别独立地计算每个物空间点传播到计算全息图平面上的光场，然后进行叠加、编码，最后生成计算全息图。由于各物空间点是完全独立的，所以计算全息图的生成过程也相互独立、可以同时进行的。使用本专利技术提到的方法进行加速的点云法，经过光学再现和数值再现都可以得到清晰地3D模型。本专利技术的有益效果是：结合点云法算法的特点，对传统GPU加速方法进行优化。通过步骤A1将待生成计算全息图进行划分，使得每个GPU负责生成计算全息图的一部分，加速GPU的并行计算；通过步骤A2将物空间点的数据进行划分，使得在Kernel函数运算的同时，数据拷贝同时进行，有效减少数据传输的时间，从而提高了整个流程的效率；通过步骤A3充分运用GPU加速算法中线程块-像素(Block-pixel)的划分模式和利用共享内存与归约运算，使得运算速度得到大幅提升。另外，该方法建立在通用GPU架构上，编程方便，有利于广泛使用。附图说明图1为本专利技术的流程示意图。图2为实施例的待生成计算全息图的划分示意图。图3为实施例的物空间采样数据划分及GPU操作列队示意图。图4为实施例的线程块、线程和计算全息图、物空间点的对应关系；左侧为三维模型的物空间点，中间为线程块与线程的分配，右侧为计算全息图。图5为实施例的实验计算3D模型。图6为实施例使用本专利技术方法计算得到的计算全息图数值再现图。实施例下面结合附图与具体实施例对本专利技术进行详细说明。本专利技术的基本流程如图1。具体包括以下步骤：A1、本实施例中GPU数量为6个,将待生成计算全息图等份划分为6份，其示意图如图2所示。A2、读取物空间点，将数据等额划分为4段，分别命名为DATA0，DATA1，DATA2和DATA3；将DATA0拷贝到GPU中，运行Kernel函数进行相应计算，与此同时将DATA1拷贝到GPU中，当Kernel函数对DATA0的数据计算完成之后，即可无间隔的对DATA1数据进行运算，在此期间可以把DATA0的运算结果拷贝到CPU内存中，上述步骤无间隔地交替运行，将数据拷贝的时间隐藏在Kernel函数的运算时间中，其物空间采样数据划分及GPU操作列队示意图如图3所示。A3、分配线程块和线程数量，确定线程块、线程与计算全息图和物空间点的关系：计算全息图的分辨率为1920×1920，分配1920×1920个线程块，使得一个线程块对应一个计算全息图的像素；每个线程块中分配16×16个线程，每个线本文档来自技高网...

【技术保护点】
一种基于CUDA的GPU并行计算全息图的方法，其特征在于，包括以下步骤：A1、根据GPU的数量，将待生成计算全息图进行划分；A2、读取物空间点，将数据进行划分；A3、分配线程块和线程数量，确定线程块、线程与计算全息图、物空间点的关系；A4、将步骤A1，A2，A3的结果代入点云法公式。

【技术特征摘要】
1.一种基于CUDA的GPU并行计算全息图的方法，其特征在于，包括以下步骤：A1、根据GPU的数量，将待生成计算全息图进行划分；A2、读取物空间点，将数据进行划分；A3、分配线程块和线程数量，确定线程块、线程与计算全息图、物空间点的关系；A4、将步骤A1，A2，A3的结果代入点云法公式。2.如权利要求1所述的方法，其特征在于，步骤A1中待生成计算全息图划分的份数与GPU的数量相同。3.如权利要求2所述的方法，其特征在于，步骤A1中待生成计算全息图等份划分为与GPU的数量相同的份数。4.如权利要求1所述的方法，其特征在于，步骤A2中数据分段所遵循的基本原则为Kernel函数的运算时间≥数据拷贝时间。5.如权利要求1所述的方法，其特征在于，步骤A2中的数据划分为等额划分。6.如权利要求1所述的方法，其特征在于，步骤A3中分配线程块和线程数量的原则是：一个线程块对应一个计算全息图的像素；每个线程块中的每个线程对应一个物空间点。7.如权利要求6所述的方法，其特征在于，线程的数量为2的整数次幂，且小于硬件限定数量。8.如权利要求7所述的方法，其特征在于，每个线程块中线程的数量为64-256。9.如权利要求1所述的方法，其特征在于，步骤A3还包括如下步骤：当物空间点数量大于线程数时，使用线程循环的方式遍历每个物空间点，基本过程如下：S1、将每个线程中的计算结果保存在对应序号的共享内存cache[0，1，…，K-1]中，令iMax＝K-1；S2、iMax＝iMax/2，将cache[i]与cache[i+iMax+1](i＝0，1，…，iMax)中的两个值相加，将结果保存到cache[i]当中；S3、如果iMax不等于0，跳转至S2；如果iMax＝0，则跳转到S4；S4、Cache[0]即为最终结果；其中，Cache[i]为第i个线程，iMax为线程的...

【专利技术属性】
技术研发人员：苏萍，程炳超，曹文波，马建设，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东;44