致谢

非常感谢 Javier Martinez、Kevin Patel 和 Tejas Budukh 在审核本文和相关示例过程中所提供的帮助。

简介

OpenCL™ 2.0 问世之前，人们无法在同一 kernel 中读写图像。 图像通常声明为 “CL_MEM_READ_WRITE”，但图像传递至 kernel 后，必须是 “__read_only” 或 “__write_only”。

input1 = clCreateImage(
oclobjects.context,
CL_MEM_READ_WRITE|CL_MEM_COPY_HOST_PTR,&format,&desc,&input_data1[0],&err );
SAMPLE_CHECK_ERRORS( err );

代码 1. 图像缓冲区可通过 CL_MEM_READ_WRITE 创建

__kernel void Alpha( __read_write image2d_t inputImage1,
__read_only image2d_t inputImage2,
uint width,
uint height,
float alpha,
float beta,
int gamma )

代码 2. OpenCL 2.0 推出了在 kernel 中读写图像的功能

新增功能尽管非常直观，但需要注意几点（下一节讨论）。

Read-Write 图像的价值

尽管图像卷积不如新的读写图像功能有效，但需要就地完成的所有图像处理技巧都可从 Read-Write 图像中获益。 例如，可有效使用的流程是图像合成。

在 OpenCL 1.2 及早期版本中，图像通过 “__read_only” 和 “__write_only” 限定符来限定。 在 OpenCL 2.0 中，图像可通过 “__read_write” 限定符限定，并将输出复制到输入缓冲区中。 这样可减少所需的资源量。

自 OpenCL 1.2 起，图像是 read_only 或 write_image。 执行就地图像调整需要将图像视作缓冲区，并在缓冲区上操作（见cl_khr_image2d_from_buffer： https://software.intel.com/en-us/articles/using-image2d-from-buffer-extension）。

当前的解决方案将图像视作缓冲区，并操纵缓冲区。 将 2d 图像视作缓冲区也许不是自由操作，也会阻碍 read_image 中锁定和过滤功能的发挥。 因此，用户更希望使用 read_write 限定的图像。

示例概要

示例提取两张窗口位图图像 “input1.bmp” 和 “input2.bmp”，并将它们放在图像缓冲区中。 然后，这两张图像根据 α 值（已计算像素方程的权重因素，可作为选项传递）进行合成。

图 1. 使用 α 值 0.84089642

图像必须为 24/32 位图像。 输出为 24 位图像。 图像必须大小相同。 图像也可以是 ARGB 格式，因此加载时需将其考虑在内。

图 2. 使用 α 值 0.32453

ARGB 格式转换成 RGBA 格式。 改变 β 值会导致输出发生重大变化。

使用示例 SDK

SDK 展示了如何将图像合成用于读写图像。 使用以下命令行选项控制该示例：

示例 SDK 包含许多默认值，支持应用在不进行任何用户输入的情况下运行。 用户将能够使用 input .bmp 文件。 该文件也必须为 24/32 bmp 文件。 α 值可用来确定图像 1 高于图像 2 的凸显度，比如：

calculatedPixel = ((currentPixelImage1 * alpha) + (currentPixeImage2 * beta) + gamma);

用 1 减去 α 值就可得出 β 值。

浮动 β = 1- α；

这两个值可以确定图像 1 到图像 2 的权重分布。

γ 值可用于提高各像素。 默认值为 0。 但用户可以提高合成后整张图像的亮度。 

程序运行示例

图 3. 在 OpenCL 2.0 设备上运行的程序

Read-Write 图像的局限性

障碍不能用于需要不同工作组同步的图像。 图像卷积需要同步所有线程。 有关图像的卷积通常会涉及两个矩阵进行数学运算，从而生成第三个矩阵。 使用高斯模糊就是图像卷积的例子。 其他例子包括图像锐化、边缘检测和浮雕。

我们来看看如何使用高斯模糊。 高斯滤波器是一种低通滤波器，可以清除高频率值。 这样会降低清晰度，进而导致类似模糊的效果。 采用高斯模糊与采用高斯函数（通常称为 “mask”）进行图像卷积相同。 为有效展示 Read-Write 图像的功能，需要进行横向模糊和纵向模糊。

这需要 OpenCL 1.2 通过两个步骤来执行。 一个 kernel 专门用于横向模糊，另一个用于纵向模糊。 这样，其中一种模糊将用作输入，而另一种取决于第一种模糊的执行结果。

__kernel void GaussianBlurHorizontalPass( __read_only image2d_t inputImage, __write_only image2d_t outputImage, __constant float* mask, int maskSize)
{
    int2 currentPosition = (int2)(get_global_id(0), get_global_id(1));
    float4 currentPixel = (float4)(0,0,0,0);
    float4 calculatedPixel = (float4)(0,0,0,0);
    for(int maskIndex = -maskSize; maskIndex < maskSize+1; ++maskIndex)
    {
        currentPixel = read_imagef(inputImage, imageSampler, currentPosition + (int2)(maskIndex, 0));
        calculatedPixel += currentPixel * mask[maskSize + maskIndex];
    }
    write_imagef(outputImage, currentPosition, calculatedPixel);
}
__kernel void GaussianBlurVerticalPass( __read_only image2d_t inputImage, __write_only image2d_t outputImage, __constant float* mask, int maskSize)
{
    int2 currentPosition = (int2)(get_global_id(0), get_global_id(1));
    float4 currentPixel = (float4)(0,0,0,0);
    float4 calculatedPixel = (float4)(0,0,0,0);     
    for(int maskIndex = -maskSize; maskIndex < maskSize+1; ++maskIndex)
    {
        currentPixel = read_imagef(inputImage, imageSampler, currentPosition + (int2)(0, maskIndex));
        calculatedPixel += currentPixel * mask[maskSize + maskIndex];
    }
    write_imagef(outputImage, currentPosition, calculatedPixel);
}

代码 3. OpenCL 1.2 中的高斯模糊 kernel

使用 OpenCL 2.0 是希望将两个 kernel 整合成一个。 使用障碍迫使横向模糊或纵向模糊在下一个模糊开始前完成。

__kernel void GaussianBlurDualPass( __read_only image2d_t inputImage, __read_write image2d_t tempRW, __write_only image2d_t outputImage, __constant float* mask, int maskSize)
{
    int2 currentPosition = (int2)(get_global_id(0), get_global_id(1));
    float4 currentPixel = (float4)(0,0,0,0);      
    float4 calculatedPixel = (float4)(0,0,0,0)
    currentPixel = read_imagef(inputImage, currentPosition);
    for(int maskIndex = -maskSize; maskIndex < maskSize+1; ++maskIndex)
    {
        currentPixel = read_imagef(inputImage, currentPosition + (int2)(maskIndex, 0));              calculatedPixel += currentPixel * mask[maskSize + maskIndex];
    }
    write_imagef(tempRW, currentPosition, calculatedPixel);

    barrier(CLK_GLOBAL_MEM_FENCE);

    for(int maskIndex = -maskSize; maskIndex < maskSize+1; ++maskIndex)
    {
        currentPixel = read_imagef(tempRW, currentPosition + (int2)(0, maskIndex));
        calculatedPixel += currentPixel * mask[maskSize + maskIndex];
    }
    write_imagef(outputImage, currentPosition, calculatedPixel);
}

代码 4. OpenCL 2.0 中的高斯模糊 kernel

我们发现，障碍的效率非常低。 如果不首先执行横向模糊，使用障碍将无法确保横向模糊在纵向模糊开始之前完成。 这会产生不一致，进而导致多次运行。 障碍可用来同步一个组内的线程。 出现这种问题的原因是，边缘像素从多个工作组读取，且无法同步多个工作组。 我们最初假设可以使用 read_write 图像实施单种高斯模糊，但证明是错误的，因为工作组内的数据相关性无法在 OpenCL 中同步。

参考资料

• OpenCL 2.0 规范： https://www.khronos.org/registry/cl/specs/opencl-2.0.pdf
• OpenCL 编程指南 – A. Munshi 等 (Pearson 2012)
• OpenCL 编程实例 – Banfer，Ravishekhar
• Shapiro, L. G. & Stockman, G. C: "Computer Vision", page 137, 150. Prentice Hall, 2001
• https://en.wikipedia.org/wiki/Alpha_compositing
• http://mathnathan.com/2010/07/5opencv/

关于作者

Oludemilade Raji 是英特尔公司视觉与并行计算事业部的一名显卡驱动程序工程师。 他拥有四年的工作经验，致力于 OpenCL 编程语言和开发英特尔高清显卡驱动程序，包括开发 OpenCL 2.0。

Robert Ioffe 是英特尔软件及解决方案事业部的技术咨询工程师。 他是在英特尔锐炬和英特尔锐炬 Pro 显卡上进行 OpenCL 编程和 OpenCL 工作负载优化的专家，拥有丰富的英特尔显卡硬件经验。 他积极参与 Khronos 标准工作，关注于构建最新的特性原型并确保它们在英特尔架构上出色运行。 最近，他一直从事于构建 OpenCL 2.0 的嵌套并行化 (enqueue_kernel functions) 函数的原型，并编写了大量示例来演示嵌套并行化功能，包括面向 OpenCL 2.0 的 GPU-Quicksort。 他还录制并发布了两段 “优化简单的 OpenCL Kernel” 视频和 “OpenCL 2.0 中的 GPU-Quicksort 和 Sierpinski Carpet” 视频。

您可能还会对以下内容感兴趣：

优化简单的 OpenCL Kernel： 调节 Kernel 优化

优化简单的 OpenCL Kernel： Sobel Kernel 优化

OpenCL 2.0 中的 GPU-Quicksort： 嵌套并行性和工作组扫描函数

OpenCL 2.0 中的 Sierpiński Carpet

下载