[论文解读] GPU Accelerated Fractal Image Compression for Medical Imaging in Parallel Computing Platform

Md. Enamul Haque, Abdullah Al Kaisan+2 more|arXiv (Cornell University)|Apr 3, 2014

Medical Imaging Techniques and Applications被引用 9

一句话总结

本文提出了一种基于CUDA的GPU加速分形图像压缩框架，显著降低了医学图像分形压缩中计算密集型编码阶段的耗时。通过在GPU线程上并行化域搜索和最小二乘优化，该方法在保持压缩比率高于40%的同时，实现了相较于CPU实现高达1,066倍的加速，从而实现了高分辨率医学图像的高效存储与可扩展解码。

ABSTRACT

In this paper, we implemented both sequential and parallel version of fractal image compression algorithms using CUDA (Compute Unified Device Architecture) programming model for parallelizing the program in Graphics Processing Unit for medical images, as they are highly similar within the image itself. There are several improvement in the implementation of the algorithm as well. Fractal image compression is based on the self similarity of an image, meaning an image having similarity in majority of the regions. We take this opportunity to implement the compression algorithm and monitor the effect of it using both parallel and sequential implementation. Fractal compression has the property of high compression rate and the dimensionless scheme. Compression scheme for fractal image is of two kind, one is encoding and another is decoding. Encoding is very much computational expensive. On the other hand decoding is less computational. The application of fractal compression to medical images would allow obtaining much higher compression ratios. While the fractal magnification an inseparable feature of the fractal compression would be very useful in presenting the reconstructed image in a highly readable form. However, like all irreversible methods, the fractal compression is connected with the problem of information loss, which is especially troublesome in the medical imaging. A very time consuming encoding pro- cess, which can last even several hours, is another bothersome drawback of the fractal compression.

研究动机与目标

• 解决医学成像应用中分形图像压缩编码时间过长的问题。
• 利用CUDA的GPU并行性，加速分形压缩中计算成本高昂的编码阶段。
• 通过在不同图像尺寸和块尺寸下测试全局内存与纹理内存，评估性能提升效果。
• 展示在保持诊断级图像质量的前提下，实现高比率压缩以用于医学图像存储的可行性。
• 探索该框架在实时系统（如基于图像相似性检测的交通监控）中的未来应用。

提出的方法

• 使用CUDA实现并行分形编码算法，将每个范围块映射到一个GPU线程，以消除写冲突。
• 采用最小二乘优化计算域块与范围块之间的最佳仿射变换，以最小化残差误差。
• 在编码过程中使用八种变换（旋转、反射、缩放）探索域块之间的相似性。
• 通过测试范围块和域块加载时使用全局内存与纹理内存，优化内存访问性能。
• 在对8×8、16×16和32×32配置进行基准测试后，选定16×16块大小为最优配置，兼顾执行时间和性能表现。
• 将压缩方案分为两个阶段：高度可并行化的编码阶段和轻量级的解码阶段，从而实现可扩展的图像重建。

实验结果

研究问题

• RQ1 通过CUDA实现GPU加速，能否将医学图像分形压缩的编码时间降低至实用水平？
• RQ2 块尺寸选择（8×8、16×16、32×32）如何影响GPU并行化分形编码的性能与压缩效率？
• RQ3 在GPU实现中，使用纹理内存相较于全局内存的性能增益如何？
• RQ4 分形压缩在多大程度上能够维持高比率压缩（例如>40%），同时在医学影像中保持诊断质量？
• RQ5 该并行化分形压缩框架能否扩展至其他领域，如基于图像相似性检测的实时交通监控系统？

主要发现

• 对于256×256图像，GPU实现相较于CPU最大实现了1,066.52倍的加速，执行时间从247.432 ms降至0.232 ms。
• 对于1024×1024图像，GPU将编码时间从39,276.5 ms减少至45.407 ms，加速比达到864.99倍。
• 在所有测试的图像尺寸下，16×16块尺寸均表现出最佳性能，优于8×8和32×32配置。
• 所有测试图像尺寸的压缩比率均超过40%，当以四倍原分辨率解压缩时，压缩率最高可达85%。
• 纹理内存的执行时间表现优于全局内存，该结论在结果部分的对比图中得到证实。
• 该框架通过分形放大成功实现了高质量、可扩展的图像重建，保留了精细细节，且无需原始分辨率。