基于GPU的SAS成像算法并行实现研究
利用CUDA实现的基于GPU的SAR成像算法概要
中图分类号:T N957文献标识码:A文章编号:1009-2552(200911-0062-04利用CUDA实现的基于GPU的SAR成像算法柳彬,王开志,刘兴钊,郁文贤(上海交通大学电子工程系,上海200240摘要:高速发展的图形处理器(G raphics Processing Unit,G PU为高效合成孔径雷达(Synthetic Aperture Radar,S AR成像算法提供了具有发展前景的新型运算平台。
与CPU相比,利用G PU进行通用计算具有成本低、性能高的特点。
提出利用C UDA实现的基于G PU的S AR成像算法,与传统的基于CPU的成像算法相比,有两位数以上的效率提升,为应对S AR信号处理领域新的挑战提供具有前景的研究方向。
关键词:合成孔径雷达;成像算法;图形处理器;C UDAIm aging algorithm of synthetic aperture radarbased on GPU via CU DALI U Bin,WANG K ai2zhi,LI U X ing2zhao,Y U Wen2xian(Dep artment of E lectronic E ngineering,Sh angh ai Jiaotong U niversity,Sh anghai200240,China Abstract:Recently,graphics processing unit(G PUis developing at top speed,which is a novel and promising com putation platform for highly efficient synthetic aperture radar(S ARimaging alg orithms.C om pared to CPU,general purpose com putations based on G PU show higher performance with lower cost.AS AR imaging alg orithm based on G PU via C UDA is introduced in this paper.This imaging alg orithm via C UDA is m ore than ten times as fast as traditional CPU2based S AR imaging alg orithms.It provides a promising way to s olve the problems of S AR signal processing in the future.K ey w ords:synthetic aperture radar(S AR;imaging alg orithm;graphics processing unit(G PU;C UDA随着合成孔径雷达(S ynthetic A perture Radar,S AR系统应用领域的拓广,要求S AR系统可以在更加灵活多样的模式下工作,具有更高的分辨率,在更为严酷的条件下仍然可以获得较为满意的图像结果等,这些都为S AR信号处理提出了新的挑战[1]。
基于GPU的高性能并行算法研究共3篇
基于GPU的高性能并行算法研究共3篇基于GPU的高性能并行算法研究1基于GPU的高性能并行算法研究随着计算机技术的不断发展和GPU的逐渐普及，基于GPU的高性能并行计算已经成为了当前研究的热点之一。
作为现代计算机中的重要组成部分，GPU为我们提供了强大的并行计算能力，能够处理大规模数据，并且具有更快的计算速度和更低的能源消耗。
因此，研究基于GPU的高性能并行算法已经成为了一个重要的课题。
目前，基于GPU的高性能并行算法主要涵盖了三个方面：并行算法设计、并行程序优化和计算模型设计。
在这些方面的研究中，有一些最新的进展已经取得了令人瞩目的成果。
首先，基于GPU并行算法设计的研究是为了高效地利用GPU在并行计算方面的能力。
GPU上的并行算法采用的是SIMD方式，即对于同一个指令的多个数据进行并行计算。
此法将指令发射和控制逻辑大大简化，极大地提高了计算的效率。
其次，对于并行程序优化，在开发GPU并行算法时，程序员需要选择适当的数据结构，评估算法的并行效率，同时还需要进行负载均衡。
因此，优化GPU上的并行程序非常具有挑战性，并且需要付出更多的支出。
最后，基于GPU的计算模型设计方面的研究包括理论上的基础研究和实践研究。
在基础研究方面，主要包括GPU计算的中心化和分布式算法的研究。
而实践研究则主要针对系统架构设计、调度运行和数据移动等方面。
在GPU的应用方面，许多领域都能够受到GPU并行算法的帮助，例如大规模数据处理、图像处理、计算流体力学、生物学建模和量子计算等。
其中，GPU并行算法在深度学习、计算机视觉和自然语言处理等方面展现出了巨大的优势。
总结一下，基于GPU的高性能并行算法研究引发了越来越广泛的关注，持续推进了GPU并行算法的开发。
这项研究已经在广泛的领域中应用，特别是在科学计算领域、媒体和图形、人工智能领域中。
期待这一领域能够在未来不断发展，为我们带来更多的新机遇和发现综上所述，GPU并行算法作为一种高效、可扩展的计算方式，已经被广泛应用于许多领域中。
基于GPU的SAR成像层次化并行处理研究
０ 引 言
合 成孔 径 雷 达 （ Ｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ Ａ ｐ ｅ ｒ ｔ ｕ ｒ ｅ Ｒ ａ ｄ ａ ｒ ， Ｓ Ａ Ｒ） 是一 种 具有 高分 辨力 的全 天 候成像 雷 达 ［ 。在 地球 遥感 、 海 洋研 究 、 资 源 勘探 、 灾 情 预报 和 军 事 侦察 等
基于 Ｇ Ｐ Ｕ的 Ｓ ＡＲ成像层次化并行处理研究
李 东生 ， 何余洪， 雍爱 霞
（ 电子工程学院， 合肥 ２ ３ ０ ０ ３ ７ ）
摘 要： 针对 Ｓ Ａ Ｒ成像处理 具有 的内在并行性 ， 提 出了一种 基于 Ｇ Ｐ Ｕ的 Ｓ Ａ Ｒ成像层次化并行处理方法 。首先
分 析了 Ｓ Ａ Ｒ成像处理过程 中信号 的并行性 ， 对任务进 行了层次化分解 与组合 ， 设计 了层次化 并行 的 Ｃ Ｓ成像算法 ；
ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ， ａ ｎ ｄ ａ ｈ ｉ ｅ ｒ ａ ｒ ｃ ｈ ｉ ｃ ａ ｌ ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ Ｓ ＡＲ ｉ ｍａ ｇ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｏ ｆ Ｃ Ｓ ｉ ｓ ｄ ｅ ｓ ｉ ｇ ｎ ｅ ｄ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｔ ｈ ｅ ｈ ｉ ｅ ｒ ａ ｒ ｃ ｈ ｉ ｃ ａ ｌ
ｐ ｌ ａ ｔ ｆ ｏ ｒ ｍ ｏ ｆ Ｃ Ｐ Ｕ＋ ＧＰ Ｕｓ ａ ｎ ｄ ｔ ｈ ｅ ｈ ｉ ｅ ｒ ａ ｒ ｃ ｈ ｉ ｃ ａ ｌ ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ｏ ｆ Ｓ ＡＲ ｉ ｍａ ｇ ｉ ｎ ｇ ｉ ｓ ｉ ｍｐ ｌ ｅ ｍｅ ｎ ｔ ｅ ｄ ｂ ｙ ｔ ｈ ｅ
基于GPU的并行计算技术的研究与应用
基于GPU的并行计算技术的研究与应用随着近年来计算机科学技术的快速发展和计算工作量的日益增加，单CPU计算速度的提升已经达到了瓶颈。
而GPU（Graphics Processing Unit，图像处理器）则成为了一种新的解决方案。
GPU原本是一种专门用来处理图像的硬件，但在近年来的技术进步中，它的并行处理能力得到了更好的发挥。
本文将探讨和分析基于GPU的并行计算技术的研究与应用。
一、GPU并行计算的优势GPU与CPU相比，具有更高的计算效率和更低的成本。
GPU具有大量高速的计算单元，同时能够并行处理数百万个线程，从而极大地提升计算性能。
这一优势在大规模数据计算和矩阵计算的处理过程中尤其突出。
以矩阵计算为例，矩阵通常被用于解决线性方程组、矩阵对角化和卷积神经网络计算等任务。
因为GPU可以同时处理多条矩阵计算指令，所以在矩阵计算方面，GPU可以获得比CPU更高效的计算速度，从而大幅缩短计算时间。
有研究表明，使用GPU并行计算可以将计算速度提高至CPU的20倍以上。
二、基于GPU并行计算技术的应用鉴于GPU并行计算的优势，目前已经在许多领域得到了广泛应用，如人工智能、科学计算、物理模拟和游戏等。
1.人工智能人工智能领域的许多任务都需要大规模、高效的计算。
以处理自然语言为例，NLP（Natural Language Processing，自然语言处理）的计算任务特别繁琐，需要处理大量的语言模型和数据，同时需要大量的训练和推理过程。
通过GPU并行计算的技术，我们可以快速地对大量数据进行训练和推理，从而得到更高效的计算结果。
2.科学计算科学计算领域需要对大量的物理实验数据进行处理和分析，而这些数据往往很大且计算复杂。
通过GPU并行计算技术，可以在计算领域和科学领域中获得更高效的计算方法，从而在科学研究和实验的过程中获得更好的结果。
3.物理模拟实时物理模拟一直是计算领域中的难题之一。
通过GPU并行计算技术，我们可以更好地模拟物理运动和变形的过程，从而在游戏、工程、机器人和医疗等领域中使用实时物理模拟的控制方法。
基于GPU的数字图像并行处理方法
ＧＰＵ 并行化。因此，本文重点研究各种像素 纹理的形式传输给 ＧＰＵ。在打包的过程中应
级图像处理操作的 ＧＰＵ 并行化实现方法。 充分利用纹理图像所具有的 Ｒ、Ｇ、Ｂ、Ａ 四
数字图像 Ｇ Ｐ Ｕ 并行化处理的基本 流程与关键技术
个通道。 计算结果的反馈、保存 应用程序是通过调用 ３Ｄ ＡＰＩ 绘制带纹
部运算，通过选择不同的卷积核，可以实现 ５１２、２５６ × ２５６、１２８ × １２８ 的试验数据。
不同的图像处理效果。图像卷积运算定义
以经过预处理的 １０ 幅不同大小的图像
为：
进行卷积运算对比试ቤተ መጻሕፍቲ ባይዱ，分别运行卷积平滑
和卷积锐化的 ＣＰＵ 和 ＧＰＵ 程序，并记录处
l =0
{I' (i , j ),0 ≤i ≤ M ,0 ≤ j ≤ N}为卷积运算 以后的图像；{I (i , j ),0 ≤i ≤ M ,0 ≤ j ≤ N}为待处 理的图像；{h (k ,l ),0 ≤k ≤ p,0 ≤l ≤q}为卷积核；
［４］黄红斌． 抑制ＥＤＦＡ瞬态效应方法的研究［ Ｊ ］，激光 与光电子学进展，第 ７ 期，２００５ 年，３１￣３４
［５］于岭 ． ＥＤＦＡ 增益控制技术［Ｊ］，光器件，第 ６ 期， ２００４ 年，２８￣３０
上接 ４０ 率对比图。
从图 ４ 可以看出：随着图像的增大，特
别是卷积核的变大，ＧＰＵ 的加速效果更加明
参考文献：
［ １ ］杨智． ＥＤＦＡ瞬态增益特性控制方法［Ｊ］，光通信研 究，第 ２ 期，２００７ 年，６３￣６６
［ ２ ］廖先炳． ＥＤＦＡ及其发展动向［Ｊ］，光纤光缆传输技 术，第 １ 期，２００３ 年，３０￣３３
［３］丁炜． ＥＤＦＡ光线放大原理及应用［Ｊ］，有限电视技 术，第 １６ 期，２００５ 年，２１￣２４
基于GPU的并行计算算法研究与应用
基于GPU的并行计算算法研究与应用随着科技的进步和计算机技术的日新月异，计算机领域的研究方向也在不断地扩大和深化。
其中，基于GPU的并行计算算法已经成为了当今计算机领域的热门研究方向之一，这种算法在人工智能、大数据分析等领域具有广泛的应用前景。
一、GPU的基本概念和原理GPU，全称为图形处理器，是一种专门用于图形处理的处理器。
它主要由大量的流处理器组成，可以同时执行多个指令，这意味着GPU可以比CPU更快地执行并行计算。
与CPU相比，GPU的设计目标是运行高密度的数学计算，这使得GPU 在科学计算、数据分析、图像处理等方面具有本质优势。
GPU的基本原理就是数据并行和线程并行，通过在每个流处理器上同时执行指令，可以实现大规模的并发操作。
二、GPU并行计算算法的优势相比于传统的CPU计算，GPU在并行计算方面具有许多独特的优势。
首先，GPU可以在同一时间内处理大量的数据，大大缩短了计算时间。
其次，GPU可以同时执行多个任务，不会因为线程阻塞而导致计算延迟。
其三，GPU的内存访问速度非常快，并且内置了专用的纹理缓存，能够在高速的内存中存储和访问大量数据，提高了内部输入/输出吞吐量。
这些优势为GPU成为计算领域的巨头提供了坚实的基础。
三、常见的GPU并行计算算法GPU并行计算算法常见有以下几种：1、在GPU上实现的快速图像处理算法。
这种算法将图像分解为许多小块，通过并行计算来实现图像处理，速度极快。
2、基于CUDA的并行矩阵乘法。
使用CUDA框架编写的矩阵乘法程序，可以通过在GPU上并发执行多个线程来大大提高运算速度。
3、基于共享存储器的GPU并行计算。
这种算法利用GPU的共享存储器实现线程间数据通信，并且可以大规模地并发执行某些操作。
4、基于CUDA并行编程的路由表处理算法。
这种算法利用CUDA的并行性，可以有效地减少路由表的查找时间。
以上算法都是GPU并行计算中的经典算法，可以通过对应的程序实现各自的功能。
探究GPU视角下的图像处理并行算法
33科技资讯 SCIENCE & TECHNOLOGY INFORMATION信 息 技 术DOI：10.16661/ki.1672-3791.2019.18.033探究GPU视角下的图像处理并行算法①刘小豫 聂维 魏浩(咸阳师范学院图像处理研究所 陕西咸阳 712000)摘 要：随着计算机技术的更新发展，人们需要处理各式各样复杂的图像，而图像处理的方式方法也表现出多元化特性，对此，该文基于GPU并行处理能力，提出了一种更加高效、快捷的图像处理方法，通过C++语言进行图像计算，主要从高斯模糊算法并行化、彩色负片处理算法并行化、透明合并处理算法并行化3个方面做了全面分析，从而证明GPU视角下的图像处理并行算法更具优势，值得大力推广与应用。
关键词：GPU 图像处理 并行算法中图分类号：TP391文献标识码：A文章编号：1672-3791(2019)06(c)-0033-021 GPU图像处理技术分析1.1 GPU通过计算机CPU充分发挥其强有力的运算能力，根据程序设计算法，便能够实现数字图像模糊、合并等相关处理，把原始图像转变为所需图像。
而用户对于应用系统图像处理质量的要求不断提高，虽然CPU速度通过摩尔定律周期逐渐提升，但是就越来越复杂的图像处理算法和越来越高的质量要求，CPU的能力依旧显得相对不足。
而GPU实际上就是图形处理器，是专门进行图像处理的设施设备。
在计算机技术发展的初期阶段，因为图形处理与运算比较简单，再加上质量要求相对偏低，所以，只利用CPU 进行图像处理便能够满足图形处理需求。
但是，在图形处理质量与速度要求越来越高的趋势下，衍生了GPU。
对比来讲，CPU功能比较全面化，能够更好地完成各种图像的处理与控制请求，但是GPU却能够集中运算处理海量数据信息，效率较高，在缓存与控制逻辑上也具备突出性优势。
GPU初始设计目标主要针对的是海量数据处理，其硬件结构特性直接明确了其具备高效的运算处理能力。
基于gpu的并行图像检索系统的研究与实现
摘要摘要随着计算机网络技术和数字媒体技术的快速发展，人类进入了一个信息高度发达的互联网时代，每天网络上都会产生海量的数据信息，而数字图像作为一种常用的多媒体信息的载体，包含了丰富的信息内容，怎样从包含海量图像的数据库中快速、准确地检索出用户所需的图像信息是目前的一大重要研究课题。
近年来，随着半导体技术和多核技术的快速发展，图像处理单元GPU的通用性和可编程性不断增强，它具有强大的并行计算能力，这使得它在高性能的计算领域得到广泛应用。
由于GPU在处理图形图像数据的能力上远远超越CPU，因此，研究并实现基于GPU的并行图像检索系统成为本文的主要目的。
首先，本文在分析了国内外GPU并行计算技术的前提下，开展了基于GPU的并行算法的研究工作。
然后针对具体项目系统需求提出了并行化解决方案，并结合CUDA架构的特点和优势对其中的核心算法进行了并行研究与实现。
其中包括：（1）对SIFT特征提取算法中的尺度空间构建、极值点检测、特征点方向计算、特征点描述符计算进行了并行化研究与实现；（2）对SIFT特征匹配算法中的KD-Tree 的最近邻搜索算法和欧氏距离计算进行了并行化研究与实现；（3）对k-means聚类算法进行了粗粒度和细粒度的并行化研究与实现。
最后，在实际软硬件环境下通过实验对比了基于CPU的串行算法，证明了本文所实现的并行算法的优势。
其次，本文在基于并行SIFT算法和并行k-means算法的基础上设计并实现了基于GPU的并行图像检索系统。
利用并行SIFT特征提取算法提高了图像特征库的创建速度；利用并行SIFT特征匹配算法加快了特征匹配的速度，提高了检索的效率；利用并行k-means算法减少了图像特征库的分类时间。
最后，本文将基于GPU并行图像检索系统在实际项目环境下进行了性能测试，并且取得了较好的检索性能，也证明了本文所实现的基于GPU并行检索系统的良好实际使用效果。
关键词：图像检索系统，GPU，CUDA，SIFT算法，k-means聚类算法ABSTRACTWith the rapid development of computer network technology and digital media technology, mankind has entered a highly-developed Internet age. Every day massive data information will be produced on the internet and image as a carrier of multimedia information contains a wealth of information content. So, it is important research topic in the field of image retrieval that how to retrieval the image information from the massive image database quickly and accurately. In recent years, with the rapid development of semiconductor technology and multi-core technology, the image processing unit (GPU) has become more versatile and programmable and it has a strong parallel computing power which makes it widely used in the field of high-performance computing. As the ability of GPU to deal with the image data is far more than CPU, the use of GPU for image processing has become a hot spot in the field of image processing.Firstly, based on the analysis of GPU parallel computing technology at home and abroad, this paper studies the parallel algorithm based on GPU. Then, a parallel solution is proposed for the demand of the specific project system, and the core algorithm is studied and implemented in combination with the characteristics and advantages of the CUDA architecture. Including: (1)The parallelization research and implementation of the scale space construction, extreme point detection, feature point direction calculation and feature point descriptor calculation in SIFT feature extraction algorithm. (2)The nearest neighbor search algorithm of KD-Tree and Euclidean distance calculation in SIFT feature matching algorithm are studied and implemented in parallel. (3)The k-means clustering algorithm is studied and implemented in coarse-grained and fine-grained parallelization. At last, in the actual hardware and software environment, the CPU-based serial algorithm is compared by experiments, and the advantage of the parallel algorithm is proved.Secondly, based on the parallel SIFT algorithm and parallel k-means algorithm, this paper designs and implements a GPU-based parallel image retrieval system. Using parallel SIFT feature extraction algorithm improves the image feature database creation speed and using parallel SIFT feature matching algorithm to accelerate the matching speed and improve the retrieval efficiency and using parallel k-means algorithm to reduce the time consuming of the classification of image feature database.Finally, this paper tests the performance of the GPU-based parallel image retrieval system in real project environment, and obtains better retrieval performance. It also proves the good practical effect of the GPU-based parallel retrieval system.Keywords: Image retrieval system, GPU, CUDA, SIFT, k-means目录第一章绪论 (1)1.1 研究背景和意义 (1)1.2 国内外研究现状 (2)1.2.1 GPU并行计算技术研究现状 (2)1.2.2 图像检索系统研究现状 (3)1.3 本文主要工作 (4)1.4 本文的结构安排 (5)第二章相关基础知识 (7)2.1 GPU并行计算与CUDA平台 (7)2.1.1 GPU并行计算 (7)2.1.2 CUDA软件架构 (8)2.2 CUDA编程模型 (9)2.2.1 主机和设备 (9)2.2.2 CUDA线程模型 (10)2.2.3 CUDA内存模型 (12)2.2.4 CUDA编程模型的优化准则 (13)2.3 SIFT特征提取算法 (15)2.3.1 尺度空间理论 (16)2.3.2 SIFT特征提取算法的基本原理 (16)2.4 SIFT特征匹配算法 (22)2.4.1 相似性度量 (23)2.4.2 KD-Tree算法和BBF搜索算法 (24)2.5 k-means聚类算法 (25)2.5.1 聚类分析 (25)2.5.2 k-means算法原理 (26)2.6 本章小结 (28)第三章基于GPU的并行SIFT算法关键技术研究 (29)3.1 SIFT算法的并行化总体设计 (29)3.2 SIFT特征提取并行研究与实现 (31)3.2.1 尺度空间构建并行研究与实现 (31)3.2.2 极值点检测并行研究与实现 (32)3.2.3 特征点方向计算并行研究与实现 (33)3.2.4 特征点描述符计算并行研究与实现 (34)3.3 SIFT特征匹配并行研究与实现 (35)3.4 实验与分析 (36)3.4.1 SIFT特征提取实验分析 (36)3.4.2 SIFT特征匹配实验分析 (38)3.5 本章小结 (40)第四章基于GPU的并行k-means算法关键技术研究 (41)4.1 k-means算法的并行化总体设计 (41)4.2 k-means算法的并行研究与实现 (42)4.2.1 算法粗粒度并行研究与实现 (43)4.2.2 算法细粒度并行研究与实现 (44)4.3 实验与分析 (46)4.4 本章小结 (47)第五章基于GPU的并行图像检索系统的设计与实现 (48)5.1 系统开发背景与特性分析 (48)5.2 系统需求与用例分析 (49)5.3 系统概要设计 (51)5.3.1 系统功能结构及硬件结构设计 (51)5.3.2 系统框架与流程设计 (53)5.4 系统详细设计与实现 (54)5.4.1 特征库的创建模块 (54)5.4.2 特征库的分类模块 (57)5.4.3 索引创建模块 (58)5.4.4 图像检索模块 (59)5.4.5 通信模块 (60)5.5 系统应用效果及性能分析 (62)5.5.1 系统展示 (62)5.5.2 系统检索性能评价 (64)5.6 本章小结 (69)第六章总结与展望 (70)6.1 论文总结 (70)6.2 工作展望 (71)致谢 (72)参考文献 (73)攻读硕士期间科研成果 (77)第一章绪论第一章绪论1.1 研究背景和意义随着半导体技术和多核技术的快速发展，各种并行计算系统逐渐成为了硬件处理平台的设计主流，其中包括图形处理单元（Graphic Processing Unit, GPU）的性能也在飞速增长，其发展速度已经远远超越了按照摩尔定律发展的CPU。
基于GPU并行计算的图像处理算法研究与加速
基于GPU并行计算的图像处理算法研究与加速随着科技的不断进步和发展，图像处理技术在各个领域得到了广泛的应用。
然而，随之而来的是海量的数据和复杂的计算需求，给传统的图像处理算法带来了巨大的挑战。
针对这个问题，基于GPU并行计算的图像处理算法应运而生。
GPU（Graphics Processing Unit）是一种专门用于图形处理的硬件设备，其并行计算能力强大，适合处理复杂的图像计算任务。
相比之下，CPU（Central Processing Unit）的计算能力虽然强大，但并行计算的能力较弱。
因此，利用GPU进行图像处理计算可以大大提高计算效率和加速处理速度。
基于GPU并行计算的图像处理算法研究可以分为以下几个方面：1. 并行算法设计：在设计基于GPU的图像处理算法时，首先需要考虑如何将算法分解为适合GPU并行计算的任务。
GPU通常由多个线程和多个计算单元组成，可以同时执行多个任务。
因此，算法设计需要充分利用GPU的并行计算能力，将算法任务划分为多个子任务，并通过合理的任务调度和数据传输方式来提高计算效率。
2. 图像数据预处理：在进行图像处理之前，通常需要对图像数据进行预处理，例如图像的灰度化、降噪、增强等操作。
这些预处理任务可以使用GPU并行计算来提高处理速度。
例如，在进行图像灰度化时，可以使用GPU中的并行计算单元同时处理多个像素点，加快灰度化的速度。
3. 图像滤波与增强：图像滤波是图像处理中常用的一种操作，用于去除噪声、平滑图像或增强某些特定的图像细节。
在进行图像滤波时，可以使用GPU并行计算来同时处理多个像素点，加快滤波的速度。
例如，对于卷积操作，可以使用GPU中的并行计算单元同时计算多个卷积操作，提高计算效率。
4. 图像分割与特征提取：图像分割和特征提取是图像处理中重要的一环。
通过将图像分割为若干个区域或提取图像中的关键特征，可以实现目标检测、图像识别等应用。
在进行图像分割和特征提取时，可以使用GPU并行计算来加速计算过程，并提高处理效率。
探究GPU视角下的图像处理并行算法
探究GPU视角下的图像处理并行算法随着科技的不断发展，图像处理技术已经成为了现代社会中不可或缺的一部分。
而在图像处理技术中，图像处理并行算法的应用已经成为了一种必然趋势。
GPU（图形处理器单元）的出现，为图像处理并行算法的实现提供了极大的便利。
本文将就GPU视角下的图像处理并行算法进行探究，从算法的原理、优势和应用进行详细的介绍。
一、并行算法的原理在传统的图像处理中，往往需要对图像进行大量的运算，因此需要花费大量的时间。
而在GPU视角下的图像处理并行算法，采用了并行计算的方法，可以将图像处理的运算任务分配给多个处理单元同时进行处理，大大加快了图像处理的速度。
在GPU视角下的图像处理并行算法中，最常用的算法之一就是CUDA（Compute Unified Device Architecture，统一计算架构）算法。
CUDA是由NVIDIA公司开发的一种并行计算平台和编程模型，基于GPU的并行计算能力，可以加速图像处理和计算。
通过CUDA算法，可以将图像的每个像素点分配给不同的处理单元，并行计算得到处理结果，从而实现图像处理的加速。
二、GPU并行算法的优势在图像处理中，GPU并行算法具有许多优势。
GPU拥有大量的处理单元，可以同时处理大量的像素点，加速图像处理的速度。
GPU具有强大的并行计算能力，能够并行处理不同的任务，提高了图像处理的效率。
GPU还具有高速的内存访问能力，可以快速读取和写入图像数据，加快了图像处理的速度。
GPU并行算法能够大大提高图像处理的效率和速度，适用于各种图像处理应用。
在实际应用中，GPU并行算法已经广泛应用于各种图像处理领域。
比如在图像的滤波处理中，可以利用GPU并行算法快速计算出每个像素点的滤波结果，实现图像的平滑处理或者边缘增强。
在图像的特征提取中，可以利用GPU并行算法快速计算出每个像素点的特征值，从而实现图像的特征识别和分类。
在图像的变换处理中，可以利用GPU并行算法快速计算出图像的变换矩阵，实现图像的旋转、缩放或者透视变换。
探究GPU视角下的图像处理并行算法
探究GPU视角下的图像处理并行算法随着计算机图形学和深度学习的快速发展，对图像处理的要求也日益增加。
在传统的图像处理算法中，串行处理图像的方式已经不能满足对于效率和速度的要求。
图像处理并行算法在GPU视角下变得尤为重要。
本文将从GPU视角下进行探究图像处理并行算法，旨在深入了解GPU在图像处理中的应用以及并行算法的设计与优化。
1. GPU在图像处理中的优势GPU（图形处理器）是针对于图形渲染和图像处理而设计的专用处理器。
相对于CPU而言，GPU在并行计算方面具有明显的优势。
GPU具有大量的处理核心，能够同时处理大量的数据，使得并行处理的效率大大提高。
GPU采用了SIMD（单指令多数据流）架构，在处理相同指令的情况下，能够同时对多个数据进行操作，进一步提高了计算效率。
GPU还具有专门的内存结构和存储器带宽，能够更好地满足图像处理的需求。
GPU在图像处理中具有并行处理能力强、计算效率高以及处理大规模数据的优势。
2. 图像处理并行算法的设计与优化在GPU视角下，图像处理并行算法的设计与优化是非常重要的。
通过合理的算法设计，能够充分利用GPU的并行计算能力，实现高效的图像处理。
针对不同的图像处理任务，需要选择合适的并行算法进行优化，以提升计算速度和效率。
在图像处理中，常见的并行算法包括并行滤波、并行边缘检测、并行特征提取等。
这些算法都需要充分考虑到GPU的特性和限制，进行算法设计和优化。
并行滤波算法中，可以将图像分块，同时使用GPU的线程对每个像素进行滤波操作，从而实现高效的并行处理。
在并行算法的优化过程中，需要考虑到数据访问的连续性、内存带宽的利用、线程同步等因素，以提升算法的执行效率。
以下将以图像滤波算法为例，介绍GPU视角下的图像处理并行算法设计与优化过程。
（1）算法设计在图像滤波算法中，常见的滤波器包括均值滤波、高斯滤波、中值滤波等。
这里以高斯滤波为例进行算法设计。
高斯滤波是一种常用的图像平滑处理方法，其原理是通过对图像进行加权平均，去除图像的噪声和细节，从而得到平滑的图像。
探究GPU视角下的图像处理并行算法
探究GPU视角下的图像处理并行算法GPU（Graphics Processing Unit）是一种专门用于处理图像和视频的处理器，它的并行计算能力非常强大，逐渐成为图像处理领域的利器。
在传统的图像处理算法中，CPU是主要的计算平台，但由于其计算能力有限，处理大规模图像数据时速度较慢。
而GPU可以利用其并行计算的能力，对图像数据进行高效处理，大大提高了图像处理的速度和效率。
本文将探究GPU视角下的图像处理并行算法，分析其原理和优势，并对比传统的CPU图像处理算法。
一、图像处理的并行计算理论图像处理是一种复杂的计算任务，需要对图像中的像素进行各种操作，例如滤波、边缘检测、图像增强等。
在传统的CPU计算中，这些操作是通过循环遍历每一个像素来完成的，速度较慢。
而GPU具有成百上千个计算核心，并且这些计算核心能够同时执行指令，所以可以同时处理大量像素数据，大大加快了图像处理的速度。
在GPU中，图像处理的并行计算是通过分发给每个计算核心不同的像素数据进行处理，然后将计算结果合并得到最终的处理结果。
这种并行计算的方式可以充分利用GPU的计算能力，同时也能够减少内存访问和数据传输的开销，大大提高了图像处理的效率。
二、GPU图像处理的优势1. 并行计算能力强：GPU具有大量的计算核心，可以同时处理大量的像素数据，因此在图像处理中具有明显的优势。
尤其是在处理大规模图像数据时，GPU的并行计算能力可以大大减少处理时间。
2. 高效的内存访问：GPU具有高速的显存，可以快速访问图像数据，减少了内存访问的开销，提高了图像处理的效率。
3. 支持通用计算：现代的GPU不仅可以用于图像处理，还可以进行通用计算。
这意味着可以利用GPU进行各种复杂的计算任务，使得图像处理算法可以更加灵活和多样化。
三、GPU图像处理并行算法实例分析1. 图像滤波算法：图像滤波是图像处理中常用的算法，可以对图像进行模糊、锐化等操作。
在GPU中，可以将图像分成若干个小块，分配给不同的计算核心进行处理，最后将处理结果合并得到最终的滤波效果。
利用GPU实现SAR图像的并行处理
利用GPU实现SAR图像的并行处理张晓东;孔祥辉;张欢阳【摘要】利用GPU的计算处理能力来实现并行的RD成像算法，提出了一种具有高并行度的机载SAR实时并行成像算法实现方案。
对实测数据进行成像处理的结果表明，本文提出的方案能够满足实时成像处理的要求，同时与传统实时成像处理系统相比较，能够大幅度的降低硬件成本和软件开发成本和周期。
%For implementation of parallel RD imaging algorithm by using computing capability of GPU, an airborne SAR real - time parallel imaging algorithm implementing plan with high parallelism is presented. The result of performing imaging processing for the practical measured data shows that the presented scheme can meet requirement for real-time imaging processing, meanwhile, and it can reduce cost for hardware and developing software and shorten the software developing cycles greatly comparing with traditional real-time imaging processing system.【期刊名称】《火控雷达技术》【年(卷),期】2011(000)004【总页数】3页(P32-34)【关键词】合成孔径雷达;RD成像算法;GPU【作者】张晓东;孔祥辉;张欢阳【作者单位】西安电子工程研究所,西安710100;西安电子工程研究所,西安710100;西安电子工程研究所,西安710100【正文语种】中文【中图分类】TP317.41 引言合成孔径雷达因具有全天候、全天时、远距离成像等特点，可以大大提高雷达的捕获信息能力，因而成为雷达技术的热门研究领域，在战场感知和灾情监测等方面有着不可替代的作用［1］。
基于GPU的图像处理并行算法分析
基于GPU的图像处理并行算法分析在计算机技术的快速发展过程中，人们需要对各种复杂的图像进行处理，图像处理的方法呈现出多样化和复杂化的特点，人们对CPU的性能要求也在逐渐提高，传统的CPU图像处理方法已经不能满足目前人们的实际需求。
对一种高效快捷的图像处理方法进行研究，在充分利用GPU并行处理能力的基础上，采用G++语言来完成相应的图像计算，其中的图像处理并行算法主要包括彩色负片处理算法、透明合并处理算法等，并且与GPU实现相同效果的性能进行相互对比，以此来证明基于GPU的图像处理并行算法的高效性。
【Abstract】In the process of computer technology rapidly develop，people need to deal with all kinds of complex images. Image processing method presents diversity and complex characteristics，and the remind for CPU capability is higher，the traditional CPU image processing already can not satisfy the needs of people at present. In this paper，it research a high efficiency and fast image processing method. It makes full use of GPU parallel processing ability，using G++ language to complete the corresponding images. The image parallel processing algorithm method main contain the color negative film processing algorithms，transparent merging processing algorithms and so on，and comparing the performance of achieving the same effect with the GPU，to prove the efficiency of parallel image processing algorithm. based on GPU .标签：GPU；图像处理；并行算法1 引言在目前业务逐渐复杂的情况下，人们需要进行各种形式的图像处理，其处理形式主要包括对数字图形进行模糊、锐化和合并并根据人们的实际需求将原始图形转化成人们所需要的图形。
基于GPU计算技术的并行数据数据可视化研究
基于GPU计算技术的并行数据数据可视化研究随着科技的不断进步和数据的不断增加，人们对于数据的处理和分析需求也越来越高。
而在这场数据化的浪潮中，数据可视化成为了一种非常流行的数据处理和分析方式，其可以帮助人们更直观地理解和解释数据中的信息和趋势。
与此同时，GPU计算技术也开始逐渐应用到数据可视化领域，使得数据可视化在速度和复杂度方面都得到了大幅提升。
一、GPU计算技术的基本原理GPU计算技术是指使用显卡中的计算单元来进行数值计算的一种计算方法。
相比于使用CPU进行计算，GPU具有更多的计算单元和更高的并行度，因此能够在短时间内处理大量数据。
而在数据可视化领域中，GPU计算技术通常用于大规模的数据交互和处理。
二、GPU计算技术在数据可视化中的应用1. 立体化视图立体化视图是指将数据可视化为三维图形进行展示。
这种视图的好处在于可以让观看者更加直观地理解数据中的信息和趋势。
而使用GPU计算技术可以使得立体化视图的处理速度大幅提升，同时也可以处理更加复杂的数据，使得立体化视图的质量得到极大的提高。
2. 纹理映射纹理映射是一种将图像或纹理映射到三维几何表面上的技术。
在数据可视化中，纹理映射可以帮助观看者更加清晰地理解数据中的信息和趋势。
而使用GPU计算技术可以使得纹理映射的处理速度大幅提升，同时也可以处理更加复杂的数据。
3. 数据交互数据交互是指用户与可视化界面之间进行数据交互的过程。
使用GPU计算技术可以使得数据交互的速度和灵敏度都得到了极大的提升，从而提高了用户的体验和数据的处理效率。
三、GPU计算技术在数据可视化中的优势1. 处理速度快由于GPU具有更多的计算单元和更高的并行度，因此使用GPU进行数据可视化处理可以大幅提高处理速度，让用户更加高效地进行数据分析和处理。
2. 处理能力强使用GPU进行数据可视化处理可以处理更加复杂的数据，让用户能够更加精细地分析数据中的信息和趋势。
3. 用户体验好使用GPU计算技术可以使得用户在进行数据可视化交互时感受到更快的响应速度和更高的灵敏度，从而提高了用户的体验感。
基于GPU的图像特征并行计算方法
基于GPU的图像特征并行计算方法张杰;柴志雷;喻津【期刊名称】《计算机科学》【年(卷),期】2015(42)10【摘要】特征提取与描述是众多计算机视觉应用的基础.局部特征提取与描述因像素级处理产生的高维计算而导致其计算复杂、实时性差,影响了算法在实际系统中的应用.研究了局部特征提取与描述中的关键共性计算模块——图像金字塔机制及图像梯度计算.基于NVIDIA GPU/CUDA架构设计并实现了共性模块的并行计算,并通过优化全局存储、纹理存储及共享存储的访问方式进一步实现了其高效计算.实验结果表明,基于GPU的图像金字塔和图像梯度计算比CPU获得了30倍左右的加速,将实现的图像金字塔和图像梯度计算应用于HOG特征提取与描述算法,相比CPU获得了40倍左右的加速.该研究对于基于GPU实现局部特征的高速提取与描述具有现实意义.【总页数】5页(P297-300,324)【作者】张杰;柴志雷;喻津【作者单位】江南大学物联网工程学院无锡214122;江南大学物联网工程学院无锡214122;江南大学物联网工程学院无锡214122【正文语种】中文【中图分类】TP311【相关文献】1.基于GPU的大规模拓扑优化问题并行计算方法 [J], 韩琪;蔡勇2.基于GPU并行计算的图像特征提取与匹配研究 [J], 刘小豫;李红3.基于GPU的大规模多阶段任务系统可靠性并行计算方法 [J], 闫华;汪贻生;王锐淇;刘波;郭立卿;肖骅4.基于GPU的车辆-轨道-地基土耦合系统3D随机振动并行计算方法 [J], 朱志辉;夏禹涛;王力东;刘禹兵5.基于CPU-GPU异构的电力系统静态电压稳定域边界并行计算方法 [J], 李雪;张琳玮;姜涛;陈厚合;李国庆因版权原因，仅展示原文概要，查看原文内容请购买。
计算机视觉中,基于GPU的并行计算优化精度和精准度研究
计算机视觉中，基于GPU的并行计算优化精度和精准度研究计算机视觉中，基于GPU的并行计算优化是一种重要的算法优化策略。
GPU的并行计算能力强大，可以大幅提升计算机视觉算法的运算速度和效率，因此受到许多研究者的关注和利用。
在评估基于GPU的并行计算优化的算法性能时，主要从准确度和精度两个方面进行评估。
首先是准确度评估，通过与传统算法对比，观察GPU并行计算的算法是否能够正确地检测、识别目标物体，比如图像识别、目标检测。
实验中可以选择一些经典的数据集作为测试用例，如MNIST、CIFAR-10等，计算出准确率和F1得分等指标。
实验结果表明，基于GPU并行计算优化的算法表现出很高的识别准确率和高的F1得分，较传统算法有明显的提升。
其次是精度评估，精度是指算法的计算结果和实际结果之间的误差程度。
选择一些精度要求高的算法，如图像分割、人脸识别等，对比GPU并行计算和传统算法的结果，分析误差大小和误差分布。
实验结果表明，基于GPU并行计算优化的算法在精度方面也能够达到或超越传统算法的水平。
在综合考虑准确度和精度的同时，还需要考虑并行计算优化算法的时间效率，即算法的运行时间。
在多核CPU和GPU中，多任务并行计算是一种优化策略，使算法的运行时间大大缩
短。
在实验中，可以对比GPU并行计算和传统算法的运行时间，分析并行计算优化算法在时间效率方面的优势。
综上所述，基于GPU的并行计算优化算法在计算机视觉领域中具有广阔的应用前景，它能够显著提升算法的运算速度和效率，同时也能够保证较高的识别准确度和较小的误差。
在实际应用中，需要根据具体的需求和场景选择合适的并行计算优化策略。
基于GPU的图像处理并行算法研究
基于GPU的图像处理并行算法研究邓世垠【期刊名称】《计算机与现代化》【年(卷),期】2013(0)7【摘要】针对目前图像处理算法日益复杂,对CPU的性能要求越来越高,而传统的基于CPU的图像处理方法无法满足需求的情况,本文对基于统一计算设备架构(CUDA)的图形处理器(GPU)在图形处理方面的算法进行研究和实现.通过充分利用GPU突出的并行处理能力,采用CUDA技术,利用C++语言实现相关算法.研究并设计高斯模糊处理算法、彩色负片处理算法、透明合并处理算法的GPU并行运算流程,并通过与CPU实现相同效果的性能的对比,证明基于GPU图像处理算法的高效性.%As image processing algorithms are increasingly complex,increasingly require high performance to CPU,while traditional CPU-based image processing methods cannot meet demand.The graphics processing of CUDA-based graphic processing Unit (GPU) is researched and implemented.This paper full makes use of GPU prominent parallel processing capability,adapts CUDA,uses C + + language to implement image processing algorithm.By studying and designing of GPU parallel computing process of Gaussian blur processing algorithms,color negative processing algorithms,combined processing algorithms,and to achieve the same eflective performance comparison with CPU,this paper proves the efficiency of the GPU-based image processing algorithms.【总页数】4页(P142-145)【作者】邓世垠【作者单位】阿坝师范高等专科学校,四川汶川623002【正文语种】中文【中图分类】TP301.6【相关文献】1.基于GPU并行计算的星载SAR影像数据高效重采样算法研究 [J], 刘传富;吴启琛2.基于GPU的图像处理算法研究 [J], 陈国强3.基于GPU的图像处理并行算法分析 [J], 邵欣明4.基于GPU的图像处理算法研究 [J], 张春;杨俊5.基于GPU的并行优化算法研究 [J], 曹亚群因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｓ ｔ ｕｄ ｙ ｏ ｎ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｇ ＰＵ ｉ ｎ Ｓ ＡＳ
ＴＯＮＧ Ｈｏ ｎ ｇ ｗｅ ｉ ＺＨＯＮＧ Ｈｅ ｐ ｉ ｎ ｇ ＴＡＮＧ Ｊ ｉ ｎ ｓ ｏ ｎ ｇ Ｗ Ｕ Ｈａ ｏ ｒ ａ ｎ
（ Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ，Ｎａ ｖ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ，Ｗ ｕ ｈ ａ ｎ ４ ３ ０ ０ ３ ３ ）
于Ｃ ＵＤ Ａ的Ｓ ＡＳ并行成像算法极 大提 高了计算效率 ， 并在保持成像结果精度 的同时， 满足 了 Ｓ ＡＳ实时成像的要求 。
关键词 合成孔径声纳 ；距离多普勒 ； ＧＰ Ｕ； Ｃ ＵＤＡ
Ｔ Ｐ ３ ０ １ Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ １ ６ ７ ２ － ９ ７ ３ ０ ． ２ ０ １ ４ ． ０ ３ ． ０ ３ ６ 中图 分 类 号
４ ３ ０ ０ ３ ３ ） （ 海军工程大学 电子工程学 院 摘 要 武汉
针对合成孔径声纳 （ Ｓ Ａ Ｓ ） 成像过程 运算量 大 ， 处 理时 间长 ， 难 以满足 实时 成像要 求的 问题 ， 论文 提 出了采用
Ｇ Ｐ Ｕ实现 Ｓ ＡＳ成像算法并行处理 ， 并对距离多普勒成像算法 （ Ｒ ＤＡ ） 进行 了并行化 处理方 法研究 。仿 真实验结 果表 明 ： 基
使用最广泛的成像算法。本文首先给出了多子阵【 ９ ］
合成孔径声 纳 的 Ｒ Ｄ算 法 ， 然 后研 究 了基于 Ｇ Ｐ Ｕ 的
Ｒ Ｄ成像算 法的并行处 理方法 。
２ 多子 阵 Ｒ Ｄ 算 法 简 介
假 定 发射信 号 为线性 调频 信号 ， 易知 多子 阵合 成 孔径 声 呐第 ｉ 个 接 收 阵 在 距 离 为 ｒ处 的 点 目标 的 回波 信号 基带 形式 ［ ９ ］ 可 写为
率图像 。Ｓ ＡＳ被 广泛 应 用在 海底 地 形 测绘 、 海 洋地 质考察 、 沉底 物打 捞 以及 水 雷 的探 测 和识 别 。随着
１ 引 言
合成孔径 声纳 （ Ｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ Ａ ｐ ｅ ｒ ｔ ｕ ｒ ｅ Ｓ ｏ ｎ ａ ｒ ， Ｓ Ａ Ｓ ） 是一种 高分辨率 水下 成像 声纳 ， 基 本原 理 是［ １ 川］ ： 利
用小 尺寸基距离 和 波 长大 小 的高 方位 向分 辨
总第 ２ ３ ７期
２ ０ １ ４年 第 ３ 期
舰 船 电 子 工 程
Ｓ ｈ ｉ ｐ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
Ｖｏ １ ． ３ ４ Ｎｏ ． ３
１３ ７
基 于 ＧＰ Ｕ的 Ｓ ＡＳ成 像 算 法 并 行 实现研 究
佟 宏伟 钟 何平 唐 劲松 吴 浩然
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ Ｓ ｉ ｎ ｃ ｅ ｔ ｈ ｅ ｌ ａ ｒ ｇ ｅ ａ ｍｏ ｕ ｎ ｔ ｏ ｆ ｃ ｏ ｍｐ ｕ ｔ ａ ｔ ｉ ｏ ｎ，ｔ ｈ ｅ ｌ ｏ ｎ ｇ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ｔ ｉ ｍｅ ａ ｎ ｄ ｄ ｉ ｆ ｆ ｉ ｃ ｕ ｌ ｔ ｙ ｉ ｎ ｍｅ ｅ ｔ ｉ ｎ ｇ ｒ ｅ ｑ ｕ ｉ ｒ ｅ ｍｅ ｎ ｔ ｓ ｏ ｆ ｒ ｅ ～ ａ ｌ — ｔ ｉ ｍｅ ｉ ｍａ ｇ ｉ ｎ ｇ ｅ ｘ ｉ ｓ ｔ ｉ ｎ Ｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ Ａｐ ｅ ｒ ｔ ｕ ｒ ｅ Ｓ ｏ ｎ ａ ｒ （ Ｓ ＡＳ ）ｉ ｍａ ｇ ｉ ｎ ｇ ｐ ｒ ｏ ｃ ｅ ｓ ｓ 。ａ Ｓ ＡＳ ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ ｉ ｍａ ｇ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＧＰ Ｕ ｉ ｓ
ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ． Ｔｈ ｅ ｐ ｏ ｗｅ ｒ ｆ ｕ ｌ ＧＰ Ｕ ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ ｃ ｏ ｍｐ ｕ ｔ ｉ ｎ ｇ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｉ ｓ ｕ ｓ ｅ ｄ ｔ Ｏ ｉ ｍｐ ｌ ｅ ｍｅ ｎ ｔ ｒ ａ ｎ ｇ ｅ － Ｄｏ ｐ ｐ ｌ ｅ ｒ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｎ ｐ ａ ｒ ａ ｌ ｌ ｅ １ ．Ｔｈ ｅ ｓ ｉ ｍｕ ～ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ Ｓ ＡＳ ＣＵＤＡ－ ｂ ａ ｓ ｅ ｄ ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ ｉ ｍａ ｇ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｔ ｈ ｅ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ ｇ ｒ ｅ ａ ｔ ｌ ｙ，ｗｈ ｉ ｃ ｈ ｋ ｅ ｅ ｐ ｓ ｔ ｈ ｅ ｈ ｉ ｇ ｈ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ｏ ｆ ｔ ｈ ｅ ｉ ｍａ ｇ ｉ ｎ ｇ ｒ ｅ ｓ ｕ ｌ ｔ ａ ｎ ｄ ｉ ｓ ｓ ｕ ｉ ｔ ａ ｂ ｌ ｅ ｆ ｏ ｒ ｒ ｅ ａ ｌ － ｔ ｉ ｍｅ Ｓ ＡＳ ｉ ｍａ ｇ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ． Ｋｅ ｙ Ｗ ｏｒ ｄ ｓ ｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ ａ ｐ ｅ ｒ ｔ ｕ ｒ ｅ ｓ ｏ ｎ ａ ｒ ，ｒ ａ ｎ ｇ ｅ ｏ ｐ Ｄ ｐ ｌ ｅ ｒ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ，ＧＰ Ｕ ，ＣＵＤＡ Ｃｌ ａ ｓ ｓ Ｉ Ｉ － ｒ ｎ ＴＰ ３ ０ １