基于GPGPU 的JPEG2000 圖像壓縮方法*

李玉峰 ，吳 蔚，王 愷，崔迎煒

(1.東南大學(xué)移動通信國家重點(diǎn)實(shí)驗(yàn)室，南京210096;2.沈陽航空航天大學(xué)電子信息工程學(xué)院，沈陽110136;3.北京方天長久科技有限公司，北京100085)

隨著多媒體技術(shù)在計算機(jī)科學(xué)領(lǐng)域應(yīng)用的廣泛普及，圖像壓縮技術(shù)成為現(xiàn)代數(shù)字圖像傳輸、處理、存儲中的關(guān)鍵技術(shù)。不論是在網(wǎng)絡(luò)傳輸?shù)确矫?，還是在移動通信等領(lǐng)域都有著重要的意義和用途。JPEG2000 是在JPEG 基礎(chǔ)上提出的一項(xiàng)新的靜態(tài)圖像壓縮標(biāo)準(zhǔn)，同JPEG 壓縮標(biāo)準(zhǔn)相比，不但在壓縮性能上做了優(yōu)化，能夠以更高的壓縮比率壓縮圖像數(shù)據(jù)。而且也具有同時支持有損壓縮和無損壓縮的優(yōu)勢。由于圖像像素可以看成二維數(shù)組［1］，而計算二維數(shù)組則相當(dāng)于計算大量不相關(guān)的數(shù)據(jù)，特別是質(zhì)量較高的原始位圖，利用傳統(tǒng)CPU 串行的結(jié)構(gòu)特點(diǎn)處理會消耗大量時間，無法滿足圖像壓縮在現(xiàn)代多媒體技術(shù)應(yīng)用方面的實(shí)時性要求。在硬件實(shí)現(xiàn)方面，傳統(tǒng)的圖像壓縮一般采用DSP 和FPGA 等硬件平臺來實(shí)現(xiàn)，但是DSP 和FPGA 等硬件的實(shí)現(xiàn)，要求研究人員需要對硬件內(nèi)部結(jié)構(gòu)有深入的研究，并且在移植性方面也存在著一定的困難。然而通用計算圖形處理器(GPGPU)的推出，除了傳統(tǒng)GPU 所擁有的圖形處理架構(gòu)以外，GPGPU 還增加了并行計算架構(gòu)，該架構(gòu)為計算密集型處理和高強(qiáng)度并行加速計算提供了可能。NVIDIA 公司為其GPGPU 提供了全新的軟硬件開發(fā)平臺CUDA(Compute Unified Device Architecture)，利用CUDA 技術(shù)在GPGPU 上優(yōu)化JPEG2000 圖像壓縮核心算法同在CPU 上實(shí)現(xiàn)其算法相比較，在計算速度上有了顯著提升，很大程度的提高了圖像壓縮的效率。

1 JPEG2000 圖像壓縮方法

JPEG2000 圖像壓縮標(biāo)準(zhǔn)同JPEG 相比，最大的不同是在算法方面做了進(jìn)一步的改進(jìn)［2］。首先，它摒棄了JPEG 采用的以離散余弦變換(DCT)為主的區(qū)塊編碼方式，而是選擇了以離散小波變換(DWT)為主的全幀多解析編碼方式，以此來減少圖像中包含的數(shù)據(jù)冗余信息，避免了在低比特率的情況下JPEG 壓縮標(biāo)準(zhǔn)會產(chǎn)生方塊噪聲的缺點(diǎn)。其次，在熵編碼算法方面，JPEG2000 采用優(yōu)化截斷的嵌入式塊編碼(EBCOT)算法，取代了JPEG 的哈夫曼編碼算法。

JPEG2000 核心編碼系統(tǒng)主要包括七個模塊，如圖1 所示，首先對預(yù)處理后的原始圖像進(jìn)行正向小波變換得到小波系數(shù)，然后根據(jù)具體需要對變換后的小波系數(shù)進(jìn)行量化;接著將量化后的小波系數(shù)劃分成碼塊，對每一個碼塊進(jìn)行獨(dú)立的嵌入式編碼;得到的所有碼流按照率失真最優(yōu)原則分層組織;最后按照一定的碼流格式對這些不同質(zhì)量的層打包后輸出壓縮碼流，即完成了整個圖像的壓縮過程。

圖1 JPEG2000 核心編碼器原理

2 GPGPU 技術(shù)及CUDA 平臺

2.1 GPGPU 技術(shù)

隨著3D 時代的到來，龐大的3D 圖形數(shù)據(jù)計算量已經(jīng)遠(yuǎn)遠(yuǎn)超出了傳統(tǒng)CPU 的計算能力范圍。為此，圖形處理器GPU 隨之產(chǎn)生，GPU 是專門為圖形計算而設(shè)計的，同CPU 相比，GPU 有高浮點(diǎn)運(yùn)算性能，高帶寬，高效并行計算的諸多優(yōu)勢。但如此強(qiáng)大的計算能力僅用于圖形渲染，這對于計算資源來說無疑是一種浪費(fèi)［3］。為了充分利用GPU 強(qiáng)大的計算能力，同時滿足除圖形計算以外的其他科學(xué)計算領(lǐng)域的需求，通用計算圖形處理器GPGPU(General Purpose GPU)應(yīng)運(yùn)而生，并且已經(jīng)取得了巨大的成果。GPGPU 的硬件是采用單指令多數(shù)據(jù)SIMD(Single Instruction Multiple Data)的結(jié)構(gòu)，同時將圖形處理架構(gòu)和并行計算架構(gòu)完美結(jié)合［4］，這使得GPGPU 不僅能夠作為圖形顯卡用于圖形渲染的本職工作，同時更大程度上涉足其他非圖形的科學(xué)計算領(lǐng)域，充分發(fā)揮其強(qiáng)大的并行計算能力。如圖2所示，一個硬件GPGPU 芯片是由多個流多處理器SM(Stream Multiprocessor)組成，每個流多處理器包含8 個流處理器SP(Stream Processor)和兩個特殊功能單元SFU(Special Function Unit)以及一些片內(nèi)存儲器資源，例如共享存儲器(shared memory)和寄存器(Register)等。

圖2 GPGPU 硬件結(jié)構(gòu)模型

如圖3 所示。其中寄存器是高速存儲器，與硬件結(jié)構(gòu)對應(yīng)，每個流處理器擁有一個私有的32 bit寄存器。共享存儲器的訪問速度幾乎同寄存器一樣快，但是存儲空間較小，按照當(dāng)前硬件支持，其默認(rèn)大小為16 K，可被同一個線程塊中的所有線程讀寫訪問。在利用GPGPU 并行加速計算時需要根據(jù)不同存儲器的訪問速度和功能特點(diǎn)對存儲器進(jìn)行合理分配，這是提高GPGPU 計算性能的關(guān)鍵。

圖3 GPGPU 硬件SM 結(jié)構(gòu)

2.2 CUDA 平臺

CUDA 是NVIDIA 公司在2007 年6 月推出的專門為其GPGPU 產(chǎn)品設(shè)計的異構(gòu)開發(fā)平臺，從此也徹底改變了GPGPU 并行計算的命運(yùn)。CUDA 提供了硬件直接訪問接口，無需像傳統(tǒng)GPGPU 開發(fā)需要借助于Open GL 和Direct X 等圖形學(xué)API 來實(shí)現(xiàn)。同時，CUDA 對廣泛使用的C 語言進(jìn)行了擴(kuò)展，更進(jìn)一步降低了GPGPU 并行加速計算的編程難度，使開發(fā)人員能夠很容易地從C 語言的應(yīng)用開發(fā)過渡到GPGPU 的應(yīng)用開發(fā)。CUDA 提供了與GPGPU 的SIMD 結(jié)構(gòu)相對應(yīng)的單指令多線程SIMT(Single Instruction Multiple Thread)異構(gòu)編程執(zhí)行模型［5］，如圖4 所示。CUDA的分層次線程結(jié)構(gòu)包括線程(Thread)、線程塊TB(Thread Block)和網(wǎng)格(Grid)。每個網(wǎng)格由一定數(shù)量的線程塊組成，而每一個線程塊最多包含512 個線程。一個CUDA 程序由運(yùn)行在Host(CPU)端的程序和運(yùn)行在Device(GPU)端的程序組成。Host 端執(zhí)行串行指令用來調(diào)度任務(wù)分配，Device 作為Host 的協(xié)處理器執(zhí)行并行計算部分，在Device 端執(zhí)行的程序稱為Kernel(內(nèi)核)函數(shù)，Kernel 以一個Grid 的形式執(zhí)行。一個簡單的Device 程序需要完成以下兩個過程:(1)在kernel 函數(shù)調(diào)用之前，需要將所需處理的數(shù)據(jù)從主機(jī)內(nèi)存(Host Memory)復(fù)制到Device 端的全局存儲器(Global Memory)中;(2)計算完成后，將計算結(jié)果從全局存儲器返回到主機(jī)內(nèi)存。CUDA 并行加速計算的實(shí)質(zhì)是將一個任務(wù)分割成多個相互獨(dú)立的任務(wù)塊，利用成千上萬的線程對任務(wù)塊同時進(jìn)行處理，從而提高整個任務(wù)的計算速度［7］。因此，將圖像數(shù)據(jù)分割成數(shù)據(jù)塊，利用CUDA 技術(shù)能夠更進(jìn)一步提高JPEG2000 圖像壓縮的速度。

圖4 CUDA 異構(gòu)編程執(zhí)行模型

3 DWT 在GPGPU 上的實(shí)現(xiàn)

JPEG2000 標(biāo)準(zhǔn)中采用的離散小波變換算法有2 種:5/3 整數(shù)型小波提升算法和9/7 浮點(diǎn)型小波提升算法，其中5/3 小波提升算法適用于有損壓縮和無損壓縮，實(shí)現(xiàn)算法如下:

在較低比特率的情況下，9/7 浮點(diǎn)型小波提升算法能夠發(fā)揮出最優(yōu)越的性能，在有損壓縮時推薦使用。同5/3 小波提升算法相比，9/7 小波提升算法比較復(fù)雜，如下:

其中:

3.1 CUDA 程序核心步驟實(shí)現(xiàn)

由JPEG2000 的小波變換算法可知，真正涉及到大量的數(shù)據(jù)運(yùn)算是在一維行列變換的時候［7－8］。因此可以確定，將基本的行變換和列變換提升操作設(shè)計成kernel 函數(shù)，通過GPU 調(diào)用完成計算。其他部分工作任務(wù)均交給CPU 完成［9］。由此可以得出如圖5 所示的小波變換CPU－GPU 異構(gòu)并行實(shí)現(xiàn)任務(wù)分配原理圖。

圖5 DWT 的異構(gòu)并行實(shí)現(xiàn)原理圖

該過程的具體實(shí)現(xiàn)步驟如下:

(1)在CPU 端分配主機(jī)內(nèi)存空間X 和Y 分別用于存放輸入圖像數(shù)據(jù)和壓縮后的輸出圖像數(shù)據(jù)，將圖像數(shù)據(jù)讀取到CPU 內(nèi)存，調(diào)用庫函數(shù)中的cudaMalloc在設(shè)備端分配兩個完全相同的全局存儲器空間(顯存)X1和X2;cudaMalloc((void＊＊)＆d_Data，sizeof(unsigned char)* dataSize);//分配輸入顯存空間X1cudaMalloc((void＊＊)＆d_new，sizeof(unsigned char)* dataSize);//分配輸出顯存空間X2;

(2)通過調(diào)用庫函數(shù)中的cudaMemcpy 函數(shù)將CPU 內(nèi)存中的圖像數(shù)據(jù)拷貝至GPU 端已設(shè)置好大小的全局存儲器空間X1，供其進(jìn)行后續(xù)小波列變換計算;cudaMemcpy(d_Data，h_Data，sizeof(unsigned char)* dataSize，cudaMemcpyHostToDevice);

(3)初始化輸入數(shù)據(jù)，設(shè)置執(zhí)行參數(shù)及所需共享存儲器大小，將分段的圖像數(shù)據(jù)從全局存儲器X1中拷貝至已經(jīng)設(shè)置好的共享存儲器中，對其中的數(shù)據(jù)進(jìn)行小波提升變換，以9/7 小波變換為例，其流程如圖6 所示。由于提升小波操作需要多個Thread同時進(jìn)行處理來實(shí)現(xiàn)并行加速，由提升算法可知，每個Thread 一次只能處理2 個數(shù)據(jù)，然而在接下來的計算中需要用到前一步提升計算的結(jié)果。為了確保計算結(jié)果的準(zhǔn)確性，在每一步提升計算操作完成之后都需要調(diào)用線程同步函數(shù)__syncthread()，用來等待所有的Thread 全部完成之前的提升操作以后，再進(jìn)行后續(xù)的計算。然后將計算結(jié)果按順序存入之前設(shè)置好的顯存空間X2中;

__shared__unsigned char space_s1［16］［16］;

//聲明未處理數(shù)據(jù)的Shared Memory 空間

__shared__unsigned char space_s2［16］［16］;

//聲明處理后數(shù)據(jù)的Shared Memory 空間

圖6 9/7 小波提升kernel 流程

(4)將上一步驟中的結(jié)果數(shù)據(jù)按照相同的方法操作，進(jìn)行一維小波行變換，將計算結(jié)果存入已空置的全局存儲器空間X1中;

(5)按照小波分解等級控制，重復(fù)小波提升變換過程，直至將所有等級的小波提升變換過程全部完成，最后將全局存儲器的結(jié)果圖像數(shù)據(jù)返回到CPU主機(jī)內(nèi)存中，釋放GPU 顯存空間和CPU 內(nèi)存空間。

cudaMemcpy(h_Image，d_new，sizeof(unsigned char)* dataSize，cudaMemcpyDeviceToHost);

cudaFree(d_new);//釋放GPU 顯存空間

Free(＆(img));//釋放CPU 內(nèi)存空間

3.2 共享存儲器優(yōu)化

由于全局存儲器讀取速度較慢［10］，若將待處理數(shù)據(jù)存儲在全局存儲器中進(jìn)行反復(fù)存取，則會大幅度的降低程序執(zhí)行的效率。然而共享存儲器擁有較快的讀取訪問速度，因此選用共享存儲器的優(yōu)化策略來加速DWT 算法。但當(dāng)多個線程對共享存儲器的同一位置讀取數(shù)據(jù)時，會產(chǎn)生Bank conflict，影響執(zhí)行性能，所以在優(yōu)化過程中必須避免Bank conflict。

首先，將全局存儲器中的圖像數(shù)據(jù)分割成(n+1)×(n+1)個數(shù)據(jù)塊DB(Data Block)，同時創(chuàng)建相同數(shù)目的線程塊TB(Thread Block)，將線程塊一一映射到分割后的每一個數(shù)據(jù)塊，如圖7 所示。為每個TB 聲明一塊共享存儲器空間，用于存放映射到線程塊內(nèi)的每個線程需要執(zhí)行的數(shù)據(jù)塊中的數(shù)據(jù)。

圖7 共享存儲器數(shù)據(jù)存取優(yōu)化

利用共享存儲器訪問速度快這一優(yōu)點(diǎn)，按照如上方法，將全局存儲器中的源圖像數(shù)據(jù)分塊復(fù)制到共享存儲器以后，線程塊內(nèi)的每一個線程直接對共享存儲器內(nèi)對應(yīng)的數(shù)據(jù)進(jìn)行計算，這樣就避免了可能出現(xiàn)的Bank conflict。此外，在CUDA 程序優(yōu)化時，要保證訪問全局存儲器時需要滿足合并訪問條件，該條件同樣是優(yōu)化CUDA 程序性能的重要因素之一。同時，還需考慮計算精度、訪存延遲、計算數(shù)據(jù)量等多方面因素［11］。

4 實(shí)驗(yàn)平臺及測試結(jié)果分析

測試所需的軟硬件環(huán)境如下所示:

CPU:Intel E7400 酷睿雙核2.80 GHz CPU，主頻2 800 MHz，主機(jī)內(nèi)存為2 GB;

GPU:采用NVIDIA GeForce GTX 560 Ti 設(shè)備，流多處理器數(shù)量8 個，CUDA 流處理器數(shù)量384 個，核心頻率822 MHz，流處理器頻率1 645 MHz，顯存頻率4 008 MHz，顯存容量1 024 MB，顯存帶寬128 GB/s，顯存位寬256 bit，計算能力2. 1，總線接口PCI－E 2.0x16;

編程環(huán)境:GPU 硬件驅(qū)動版本為301.42，使用CUDA4. 1 版本的編程環(huán)境，windows 7 操作系統(tǒng)，VS2010。

由于CPU 上和GPGPU 上的JPEG2000 圖像壓縮均是按照傳統(tǒng)定義來實(shí)現(xiàn)的。因此，圖像的壓縮質(zhì)量基本上是相同的，通過對CPU 和GPGPU 上測試時間進(jìn)行比較分析，實(shí)驗(yàn)結(jié)果分析詳見表1。

表1 DWT 在CPU 和GPGPU 上的時間對比

從實(shí)驗(yàn)數(shù)據(jù)可以看出，同未經(jīng)過優(yōu)化的CPU 測試結(jié)果相比，對于所需處理數(shù)據(jù)相對較少的像素為640×480 的圖像來說，計算速度提高了9 倍多，相比之前的研究—基于CUDA 的小波Mallat 算法及提升方案的設(shè)計與研究［12］中對于像素為512×512 的圖像其提升小波算法的計算時間為6.785 ms，可見優(yōu)化后的DWT 提升算法的計算速度有所提升。而對于所需處理數(shù)據(jù)較多的圖像來說，計算速度提高超過了50倍。顯而易見，經(jīng)過CUDA 優(yōu)化的JPEG2000 靜態(tài)圖像壓縮標(biāo)準(zhǔn)中的DWT 算法在GPGPU 上的計算時間要遠(yuǎn)遠(yuǎn)小于CPU 的計算時間，并且隨著計算數(shù)據(jù)量的增加，CPU 的運(yùn)算時間呈現(xiàn)大幅度增長趨勢，而GPGPU 的計算時間增長較小。從加速比也可以看出，隨著數(shù)據(jù)量計算的增加，GPGPU 表現(xiàn)出更優(yōu)越的加速計算性能。

此外，由于基于GPU 的JPEG2000 圖像壓縮已經(jīng)有了不少研究成果，為了證明本實(shí)驗(yàn)所選用的方法在原有的結(jié)果上做了相應(yīng)的優(yōu)化改進(jìn)。選用之前普遍使用的NVIDIA GT 240 GPU 進(jìn)行DWT 提升計算測試，并與本實(shí)驗(yàn)的測試結(jié)果進(jìn)行對比，如表2 所示。

表2 DWT 在不同GPU 上的測試時間對比

由以上測試結(jié)果可以看出，本實(shí)驗(yàn)的優(yōu)化方法在一定程度上取得了相應(yīng)的效果。盡管如此，由于CUDA 程序的優(yōu)化還需要結(jié)合指令流優(yōu)化等多種因素。因此，在以后的程序優(yōu)化工作中，還需要綜合考慮各種優(yōu)化原則進(jìn)行反復(fù)試驗(yàn)，權(quán)衡各方面因素得出一個盡量接近最優(yōu)的優(yōu)化結(jié)果。

5 結(jié)束語

通過JPEG2000 圖像壓縮算法分別在CPU 和GPGPU 兩種不同的處理器上的實(shí)現(xiàn)可以得出，在科學(xué)計算領(lǐng)域，特別是針對類似圖像壓縮這種數(shù)據(jù)之間相關(guān)性不大的大規(guī)模密集型的浮點(diǎn)型數(shù)據(jù)計算時，利用CUDA 平臺在GPGPU 上并行加速實(shí)現(xiàn)能夠表現(xiàn)出更大的性能優(yōu)勢。盡管當(dāng)前GPGPU 并行加速計算還受到一些諸如兼容性、算法移植和優(yōu)化等方面的技術(shù)難點(diǎn)限制，但是GPGPU 并行計算擁有的巨大潛力和無可比擬的性能優(yōu)勢已經(jīng)受到了世界各行業(yè)領(lǐng)域的廣泛關(guān)注，相信基于GPGPU 并行計算必將成為今后的發(fā)展方向。

［1］ 郭靜，陳慶奎.基于CUDA 的快速圖像壓縮［J］.計算機(jī)工程與設(shè)計，2010，31(14):3302－3304，3308.

［2］ ISO/IEC 15444 － 1 Information Technology:JPEG2000 Image Coding System［S］.USA:ISO/IEC，2002.

［3］ 張舒，褚艷麗， ，等. GPU 高性能計算之CUDA［M］. 中國水利水電出版社，2009:12.

［4］ NVIDIA Corporation. NVIDIA CUDA Programming Guide，version 3.0，2010.

［5］ John D O，David L，Naga G，et al. A Survey of General－Purpose Computation on Graphics Hardware［J］. Computer Graphics Forum，2007(26):80－113.

［6］ 宋曉麗，王慶.基于GPGPU 的數(shù)字圖像并行化預(yù)處理［J］. 計算機(jī)測量與控制，2009，17(6):1169－1171.

［7］ Ding W，Wu F，Li X，et al. Adaptive Directional Lifting－Based Wavelet Transform for Image Coding［j］. IEEE Trans Image Processing，2007，16(2):416－428.

［8］ 宋凱，臧晶. 圖像處理中小波提升方案和Mallat 算法的比較［j］.微處理機(jī)，2004，10(5):39－41.

［9］ Joaquín Franco，Gregorio Bernabé，Juan Fernández，et al. A Parallel Implementation of the 2D Wavelet Transform Using CUDA［J］.IEEE Computer Society，2009，111－118.

［10］ Sunpyo Hong，Hyesoon Kim. Ananalytical Model for a GPU Architecture with Memory－Level and Thread－Level Parallelism Awareness［J］.ACM Sigarch Computer Architectu Renews，2009，37(3):152－163.

［11］ Han T D，Abdelrahman T S.High－Level GPGPU Programming［J］.Parallel and Distributed Systems，IEEE Transactions on，2011，2(1):78－90.

［12］ 孫自龍.基于CUDA 的小波Mallat 算法及提升方案的設(shè)計與研究［D］.華中科技大學(xué)，2011:37－39.