- 上一篇：MATLAB近红外激光合束方法与光束质量检测
- 下一篇：中学与大学物理学习衔接问题的探究
1 引言
1.1 课题背景和意义
由于成像光谱仪在高光谱测量的基础上有图谱合一的优势，成像高光谱成为国内外研究热点。无论何种成像光谱仪都要对干涉图进行光谱复原处理，因此成像高光谱成为研究热点的同时，高光谱复原技术的研究也引人注目。
由于高光谱具有波段多，波段宽度窄，光谱分辨率高，光谱相应范围广等特点，其在遥感技术中的应用相对于多光谱更为广泛。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有极大提高，在处理技术上也更为合理有效。
干涉光谱复原技术[2]是根据实验获得的干涉图与研究需要的光谱图之间的一一对应关系，利用傅里叶变换的光谱学原理，将干涉图反演得到光谱图。光谱复原处理包含四个步骤：去直流、切趾、相位校正和快速傅里叶变换FFT。其中，FFT是光谱复原技术的核心。
本课题的主要任务就是利用OpenCL研究FFT算法在GPU上的实现过程和软件实现方法。通过比较FFT算法程序在GPU和CPU上的运行时间来具体分析GPU的优势。
1999年，第一个显卡GPU出现[3]。从GPU产生至今，GPU的运算能力飞速提升，其应用范围也不断拓展。GPU的硬件结构决定其具备高并行度和大量浮点吞吐运算的能力。因此，GPU不仅限于图形运算，也可应用于油气勘探、电脑辅助、金融安全评估等领域。
传统的CPU超级计算机发展迅速，但其效率低、投资大、文护成本高等问题成为其性能提升的制约。而GPU超级计算机技术由于其高效率和低成本被愈加重视，其应用愈加广泛。在复杂繁琐的数学模型拟合和运算上，GPU比CPU快几十甚至几百倍。
由于不断加强的可编程性，GPU不仅应用于图形渲染，其强大的浮点运算和并行运算能力使其应用于通用计算，即GPGPU。而此时，CPU的发展却遇到瓶颈，由于其不断追求通用型，多数晶体管用于控制和Cache，少数晶体管用于计算，其算术逻辑单元没有GPU多，因此CPU计算并行度的提升非常困难。对于复杂繁琐的计算，在GPU上运行比在CPU上运行快得多。
在存储器延迟与带宽、计算与通信、发热与功耗三个方面，CPU的发展遇到困难。而反观GPU，在以上三个方面其性能优于CPU。
总之，依靠GPU的发展，各行各业都能获得性耗比和性价比更高的运算方案，使得各项工作更高效地完成。
1.2 GPU和OpenCL
GPU英文全称Graphic Processing Unit，中文翻译为“图形处理器”[4]。GPU是现代计算机中一个专门的图形的核心处理器，其产生的目的就是图形处理。
作为显卡核心，GPU决定该显卡的优劣和多数性能。同时，GPU也是区分2D和3D显卡的关键。处理特效和3D图像时，2D显卡主要依靠CPU来完成任务（软件加速）。而对于3D显卡，其芯片内部集成了特效和3D图像的处理功能（硬件加速）。
由于不断加强的可编程性，GPU不仅应用于图形渲染，其强大的浮点运算和并行运算能力使其应用于通用计算，即GPGPU。将CPU和GPU结合的CPU/GPU系统将成为未来计算机发展的方向。
现在遇到的问题是：对混合结构的设备如何编写程序？一般C或C++的编译目标是CPU，Chapel和Cray的汇编语言的编译目标也是CPU[5]。而Nvidia的CUDA（Compute Unified Device Architecture）只能针对Nvidia的GPU，而非CPU，进行程序编写。
这里，OpenCL（Open Computing Language）便是问题的解决方案。OpenCL的程序不仅可以在AMD、Nvidia、Intel的GPU或CPU上运行，也可以在Sony的PS3上运行。OpenCL不是专用语言，而是一项开放标准。代码编译成功后可以在任何的芯片上执行。著名的Java语言是一次编写，各处运行（各个操作系统），与之相对的，OpenCL是一次编写，各设备上运行（各个设备）。