【技术实现步骤摘要】
本申请涉及算力配置优化，具体涉及一种智能微型主机图形处理器的算力配置优化方法。
技术介绍
1、图形处理器（graphics processing unit，gpu）是专门用于图像和图形运算的协处理器，作为硬件领域的重要组成部分，广泛应用于科学计算、人工智能、游戏开发等多个领域。在gpu的渲染架构中，主要有两种类型的渲染系统：分布式渲染系统和并行渲染系统。其中，分布式渲染系统通常采用时序并行渲染模式。在此模式下，系统的负载不平衡会导致部分计算节点的执行时间较长，从而拖慢整体系统的执行效率，因为系统的运行时间通常由负载最重的节点所决定。理想的负载均衡能够使得不同计算核心的处理时间接近，从而显著缩短整体系统的执行时间，提高渲染效率。
2、通常使用k维树对三维模型进行划分，将三维模型渲染任务划分成多个均衡的子任务再分配给对应的渲染核心。在进行划分点的选取时，传统的算法直接使用中位数作为划分点，使得子区域内的数据点个数较为平衡，然而忽略了不同点云数据点蕴含的信息是不同的，在进行渲染时，渲染难度也是不一致的，导致渲染核心的负荷不均衡，渲染效率较低。
技术实现思路
1、鉴于以上内容，有必要提供一种智能微型主机图形处理器的算力配置优化方法，解决上述问题。
2、本申请一个实施例提供了一种智能微型主机图形处理器的算力配置优化方法，所述方法包括：
3、根据待建模物体的多张图像采用计算机软件生成点云数据，得到待渲染的三维模型；
4、根据点云数据之间的空间距离
5、基于点云数据以及其邻域数据点在图像上的灰度值与三维模型中点云数据的灰度值之间的差异，结合顶点的位置分布，得到点云数据的信息复杂度；基于点云数据每个维度相应的平面对点云数据所属区域进行划分，基于划分后的每个子区域中的顶点数量、点云数据的数量以及点云数据的信息复杂度，得到点云数据每个维度的渲染复杂度差异；
6、基于所有点云数据在k-d树划分维度的渲染复杂度差异，得到k-d树中划分点的选取规则，利用k-d树对图形处理器的算力配置进行优化。
7、其中，所述每个点云数据的邻域数据点由距离每个点云数据最近的预设数量个点云数据确定。
8、其中，所述根据点云数据的每个维度相应的平面对其邻域数据点的划分结果，得到点云数据的特征平面，具体为：
9、基于点云数据每个维度相应的平面，获取点云数据的邻域数据点经平面分割后两部分邻域数据点的个数差异绝对值，将个数差异绝对值最大的平面记为点云数据的特征平面。
10、其中，所述得到点云数据的顶点度，具体公式为：，其中，y表示点云数据q的顶点度；c表示经点云数据q的特征平面分割后两部分邻域数据点的个数差异绝对值；l表示点云数据q的邻域数据点与点云数据q所成直线与特征平面的夹角区间的范围；m表示点云数据q的邻域数据点个数；表示点云数据q的第m个邻域数据点与点云数据q的空间距离。
11、其中，所述夹角区间的范围具体为：
12、获取点云数据与其邻域数据点之间连线与特征平面的夹角，计算点云数据与其邻域数据点得到的所有夹角的极差值，记为夹角区间的范围。
13、其中，所述判断点云数据是否为顶点的过程为：
14、计算所有点云数据的顶点度平均值，将顶点度大于等于顶点度平均值的点云数据作为顶点。
15、其中，所述点云数据的信息复杂度的公式为：，公式中，表示点云数据q的信息复杂度；y表示点云数据q的顶点度；t表示点云数据q对应的图像个数；表示点云数据q在其对应的所有图像中的灰度值均值；表示第t张图像中点云数据q的灰度值；表示点云数据q的邻域数据点个数；表示点云数据q的第m个邻域数据点在其对应的所有图像中的灰度值均值；表示点云数据q的第m个邻域数据点与点云数据q所成直线与特征直线的夹角；表示预设大于零的参数。
16、其中，所述特征直线由点云数据与其最邻近顶点连接获得。
17、其中，所述得到点云数据每个维度的渲染复杂度差异具体为：
18、计算划分后每个子区域内所有顶点的顶点度的和值，记为第一和值；获取划分后每个子区域内不是顶点的所有点云数据的信息复杂度的和值，记为第二和值；将划分后每个子区域中顶点的个数、所述第一和值、所述第二和值进行正向融合的结果，记为每个子区域的渲染复杂度；
19、将点云数据每个维度对应的两个子区域的渲染复杂度的差异，记为点云数据每个维度的渲染复杂度差异。
20、其中，所述得到k-d树中划分点的选取规则，具体为：
21、将在k-d树划分维度下渲染复杂度差异最小的两个子区域对应的点云数据作为相应划分维度的划分点。
22、本申请至少具有如下有益效果：
23、本申请首先获取点云数据每个维度对应的平面，通过平面对点云数据的邻域数据点的分割状况获取对应的特征平面，通过特征平面下点云数据点邻域数据点的分布特征自适应构建点云数据点的顶点度，其有益效果在于分析每个点云数据在三维模型中的位置，刻画点云数据是三维模型中顶点的可能性，为后续基于三维模型中顶点的特征分析点云数据蕴含的模型信息以及渲染的复杂度提供基础；基于顶点度与点云数据摄影测量过程中对应图像中灰度值的变化，构建点云数据的信息复杂度，有助于对点云数据的在三维模型中的纹理特征进行分析，能够帮助更精确地刻画点云数据在三维模型中的信息特征；进而在点云数据每个维度相应的平面对所属区域进行划分，基于划分后的每个子区域中的顶点数量、点云数据的数量以及点云数据的信息复杂度，得到点云数据每个维度的渲染复杂度差异，基于渲染复杂度差异建立k-d树中划分点的选取规则，可以更合理地选择划分点，从而实现更均匀的树结构。这种优化能提高k-d树在后续查询和处理时的效率，减少不均匀划分带来的性能瓶颈，利用k-d树可以将三维模型渲染任务分割成负荷均衡的多个子渲染任务，并一一分配给渲染核心，提高了渲染核心的负荷均衡性与渲染效率。
本文档来自技高网...【技术保护点】
1.一种智能微型主机图形处理器的算力配置优化方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述每个点云数据的邻域数据点由距离每个点云数据最近的预设数量个点云数据确定。
3.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述根据点云数据的每个维度相应的平面对其邻域数据点的划分结果，得到点云数据的特征平面，具体为：
4.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述得到点云数据的顶点度，具体公式为：，其中，Y表示点云数据q的顶点度；C表示经点云数据q的特征平面分割后两部分邻域数据点的个数差异绝对值；L表示点云数据q的邻域数据点与点云数据q所成直线与特征平面的夹角区间的范围；M表示点云数据q的邻域数据点个数；表示点云数据q的第m个邻域数据点与点云数据q的空间距离。
5.如权利要求4所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述夹角区间的范围具体为：
6.如权利要求1所述
7.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述点云数据的信息复杂度的公式为：，公式中，表示点云数据q的信息复杂度；Y表示点云数据q的顶点度；T表示点云数据q对应的图像个数；表示点云数据q在其对应的所有图像中的灰度值均值；表示第t张图像中点云数据q的灰度值；表示点云数据q的邻域数据点个数；表示点云数据q的第m个邻域数据点在其对应的所有图像中的灰度值均值；表示点云数据q的第m个邻域数据点与点云数据q所成直线与特征直线的夹角；表示预设大于零的参数。
8.如权利要求7所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述特征直线由点云数据与其最邻近顶点连接获得。
9.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述得到点云数据每个维度的渲染复杂度差异具体为：
10.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述得到K-D树中划分点的选取规则，具体为：
...【技术特征摘要】
1.一种智能微型主机图形处理器的算力配置优化方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述每个点云数据的邻域数据点由距离每个点云数据最近的预设数量个点云数据确定。
3.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述根据点云数据的每个维度相应的平面对其邻域数据点的划分结果，得到点云数据的特征平面，具体为：
4.如权利要求1所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述得到点云数据的顶点度，具体公式为：，其中，y表示点云数据q的顶点度；c表示经点云数据q的特征平面分割后两部分邻域数据点的个数差异绝对值；l表示点云数据q的邻域数据点与点云数据q所成直线与特征平面的夹角区间的范围；m表示点云数据q的邻域数据点个数；表示点云数据q的第m个邻域数据点与点云数据q的空间距离。
5.如权利要求4所述的一种智能微型主机图形处理器的算力配置优化方法，其特征在于，所述夹角区间的范围具体为：
6.如权利要求1所述的一种智能微...
【专利技术属性】
技术研发人员：尹佳强，尹双柏，
申请(专利权)人：深圳市极摩客科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。