本文提出使用CPU+GPU异构计算技术对显微镜下的多张不同焦距图像进行图像融合，使用GPU的并行处理功能快速计算图像上每个像素位置的聚焦清晰值，取最高值所在位置的图像像素融合为显微镜超景深图。实验结果显示，采用了CPU+GPU异构计算技术的图像融合计算速度远高于CPU计算的速度。

【关键词】图像融合 景深 扩展 图形处理器 C++ AMP

显微镜光学系统中，高倍数显微镜放大倍率搞，工作距离短，图像景深浅。只有在聚焦平面附近的图像才能被看清晰显示。显微图像融合技术可以将多幅不同聚焦位置的图像融合成一幅各处都清晰的图像。广泛的应用于生物医学、微电子和材料检测等领域。但融合算法的计算量非常大，收到计算机计算能力的限制，一直无法实现图像的快速或实时融合。

受到计算机芯片制造技术的限制，CPU芯片已经无法通过无限制增加频率的方式提升计算速度，转为采用“多核”方式提供更强性能的计算机。随着GPU的性能不断提升，以前的几十个计算单元增长到目前的几千个计算单元，越来越多的程序通过CPU+GPU的异构计算方式，利用GPU强大的并行计算能力提升应用程序的计算速度。异构计算技术已广泛的用于科学建模与仿真、实时控制系统、财务跟踪模拟和预测、游戏和图像处理等工作上。

1 C++ AMP技术

目前成熟的异构计算技术的GPU计算接口包括NVIDIA 的CUDAC和AMD的OPENCL接口。微软提供了一种GPU并行计算模式，C++AMP。其开发环境是windows平台 + VisualStudio+DirectX。C++AMP采用了面向对象的C++语言开发，支持CPU和GPU的跨平台编译运行，具有逻辑结构简单、数据隐式拷贝、自动负载均衡等特点，可以快速、稳定地实现并行计算。C++AMP比另外两种并行端口适用范围更广，可以实现真正意义上的跨平台运行。

2 多聚焦图像融合算法及GPU算法实现

2.1 多聚焦图像融合算法原理

显微镜成像过程中，只有在景深范围内的图像是清晰的，不在景深范围内图像则是模糊的。不同高度位置拍摄的的显微图像的清晰部分融合在一起，生成拥有完整清晰图像合成图是多聚焦图像融合的目的。

目前的图像融合方法主要分为两类：基于频域的图像融合和基于空间域的图像融合。频域融合算法计算复杂、需时较长，而空域算法计算较为简单、分析速度快。对比两者方法特点和效果，本文采用空域算法中的改进Laplace算法提取清晰度位置，进行图像融合。

如图1所示，本文的图像融合算法主要分为4步。

步骤1，对图像上每一个像素点进行聚焦清晰度计算，获得该点位置的聚焦评价函数值。

步骤2，对相同位置的不同图像在该位置的聚焦清晰度评价值进行滤波和拟合，并获取聚焦清晰度值最大值及其所在高度位置。

步骤3，根据步骤2获得的聚焦清晰度最大值所在的位置，在原使图像中提取该位置的像素点值作为融合以后的图像的像素值。

步骤4，重复步骤2和步骤3，直到完成全部的图像融合，获得聚焦清晰的合成图。

2.2 改进Laplacian算子

聚焦清晰图像的特点是边缘锐化程度较高，由于梯度算子|▽f（x，y）|具有各向同性和旋转不变性，可把图像中各不同走向的边缘和线条突出，离焦量越小图像边缘越锐化，图像灰度梯度可以用来评价图像的聚焦程度。

3 实验结果与分析

为了验证异构计算技术是否能够明显加快景深融合的计算速度，本文使用相同的算法分别使用CPU和GPU对数据进行计算。

3.1 实验环境

硬件环境：CPU采用英特尔酷睿i5-4670@3.40GHz四核处理器，8G内存，GPU采用NVidia公司的GeForce GT760显卡，显卡有1152个流处理单元，4G显存， 1033MHz主频。

软件环境：Windows7.0，Visualstudio 2013开发环境，C++Amp技术在GPU下进行异构计算。

图像融合算法的C++Amp异构计算处理流程如下。

步骤1，设置加速器

accelerator default_device；

步骤2，定义GPU中的显存并拷贝图像数据和滤波掩码到显存中。

std：：vector v_img（width*height）；

std：：vector v_filter（radius * 2 + 1）；

for （i = 0； i < width*height； i++）

v_img[i] = （float）img[i]/ （float）RAND_MAX；

步骤3，使用GPU对图像进行并行计算并返回计算结果。

parallel_for_each（a_img.extent， [=， &a_img_buffer， &a_img， &a_filter]（index<2>idx） restrict（amp）

{

a_img_buffer[idx] = convolution<1>（idx， radius， a_img， a_filter）；

}）；

3.2 异构计算速度和效果对比

为了对比异构计算技术进行多层显微图像融合的速度和效果，实验对同一段视频文件分别单独用CPU和使用CPU+GPU的异构计算进行图像融合，两者计算机速度对比如表1所示，图2，3，4为样本融合效果图。

測试结果对比可知，使用了CPU+GPU异构计算技术的处理的速度比单独用CPU快约110倍。由此可见，异构计算技术对图像处理的加速效果是非常明显的，融合的效果也比较好。

4 结论

本文提出使用CPU+GPU异构计算技术对显微镜下的多张不同焦距图像进行图像融合，使用GPU的并行处理功能快速计算图像上每个像素位置的聚焦清晰值，取最高值所在位置的图像像素融合为显微镜超景深图。通过实验比较可以看出，采用了异构计算技术的图像融合计算速度远高于CPU计算的速度。

参考文献

[1]符强，显微图像融合研究[M].桂林电子科技大学，2007.

[2]何晓昀.基于GPU的多聚焦显微图像快速三维重构技术[J].电子技术与软件工程，2015（24）：104.

[3]左颢睿，张启衡，基于GPU的快速Sobel边缘检测算法[J].光电工程，Jan.2009，Vol.36，No1：8-11.

[4]林超.基于C++ AMP加速并行蚁群算法[J].现代电子技术，2014（23）：69-71.

[5]C++AMP用Visual C++加速大规模并行计算.

[6]鄢树等.基于小波变换的图像融合性能的研究[J].微计算机信息.2010.1-1：119-120.

[7]CUDA_C_Programming_Guide[EB/OL]. Nvidia.2011.

[8]Hillesland KE，Molinov S，Grzeszczuk R.Nonlinear Optimization framework for image-based modeing on programmable graphics hardware[J].ACM Transaction on Graphics，2003，Vol.22，No3：925-934.

[9]白洪涛.基于GPU的高性能并行算法研究[M].吉林大学，2010.

[10]向昌成.多聚焦图像融合研究[D].电子科技大学，2010.

[11]姜志國，韩冬兵等.基于全自动控制显微镜的自动聚焦算法研究[J].中国图象图形学报.Apr，2009.Vol.9，No4：396-401.

[12]何晓昀.磨粒表面形貌分析与三维重构[D].武汉理工大学，2005.

作者简介

冼李丰，广东理工学院汽车检测与维修专业14级学生。

作者单位

1.广东理工学院 广东省肇庆市 526060

2.肇庆市端州区百图维光电科技有限公司 广东省肇庆市 526060