CUDA реализация Circle Hough Transform

Question

Я пытаюсь реализовать максимальную производительность Circle Hough Transform в CUDA, благодаря чему пиксельные координаты края подают голоса в пространстве hough. Псевдо код СНТ выглядит следующим образом, я использую размеры изображения от 256 х 256 пикселей:

int maxRadius = 100; 
int minRadius = 20; 
int imageWidth = 256; 
int imageHeight = 256; 

int houghSpace[imageWidth x imageHeight * maxRadius]; 

for(int radius = minRadius; radius < maxRadius; ++radius) 
{ 
    for(float theta = 0.0; theta < 180.0; ++theta) 
    { 
     xCenter = edgeCoordinateX + (radius * cos(theta)); 
     yCenter = edgeCoordinateY + (radius * sin(theta)); 

     houghSpace[xCenter, yCenter, radius] += 1; 
    } 
} 

Моя основная идея заключается в том, чтобы каждый блок нить вычислить (небольшой) плитку выходного Hough пространства (возможно, один блок для каждой строки выходного пространства hough). Поэтому мне нужно каким-то образом получить требуемую часть входного изображения в разделяемую память, чтобы провести голосование в определенном пространстве суб-хау.

Мои вопросы заключаются в следующем:

1. Как рассчитать и сохранять координаты нужной части входного изображения в общей памяти?
   

2. Как получить координаты x, y краевых пикселей, ранее сохраненных в общей памяти?

3. Отправлять ли я голоса в другом массиве разделяемой памяти или записывать голоса непосредственно в глобальную память?

Спасибо всем заранее за ваше время. Я новичок в CUDA, и любая помощь с этим будет с благодарностью воспринята.

Answer 1

Я не утверждаю, что много знаю об этом виде фильтрации, но основная идея распространения характеристик из источника не слишком отличается от маршевых и подметающих методов решения стационарного уравнения Эйконала. Существует очень хорошая статья по решению этого класса проблем (PDF может по-прежнему доступен here):

Быстрый итерационный метод для уравнений Эйконала. Won-Ki Jeong, Ross T. Whitaker. SIAM журнал по научным вычислениям, Том 30, № 5, pp.2512-2534, 2008

Основная идея состоит в том, чтобы разложить расчетную область в плитки, и зачистка характеристика от источника через домен. По мере того как плитки затрагиваются продвигающейся характеристикой, они добавляются в список активных фрагментов и вычисляются. Каждый раз, когда плитка «решается» (сходится к числовому допуску в случае Эйконала, возможно, состояние в вашей проблеме), он удаляется из рабочего набора, а его соседи активируются. Если фрагмент снова тронут, он снова добавляется в активный список. Процесс продолжается до тех пор, пока не будут вычислены все плитки и активный список пуст. Каждая итерация вычислений может быть решена пуском ядра, который явно синхронизирует расчет. Запускайте столько ядер в последовательности, сколько требуется для достижения пустого рабочего списка.

Я не думаю, что стоит попытаться ответить на ваши вопросы, пока у вас не будет более конкретного алгоритмического подхода и вы будете вдаваться в подробности реализации.