引言

隨著多媒體圖像處理應用的迅速發展，體積小、重量輕、結構靈活、處理能力強的嵌入式數字圖像處理系統在工業、醫學等方面都有越來越廣泛的需求。實時性高、計算復雜、數據量大是圖像處理系統面臨的重大挑戰。并行計算是提高處理速度最有效的技術之一，圖像并行處理技術為提高圖像處理效率提供了廣闊的空間。圖像并行處理包括并行算法和多處理器并行硬件系統，圖像處理并行算法的執行效率依賴于多處理器系統的硬件結構。通常，一種并行結構只適合于一類并行算法的映射。

20世紀90年代至今，圖像并行處理技術一直是圖像處理領域研究的熱點之一。參考文獻分別對并行處理結構及其實現方法進行了探討，提出了流水結構、分列并行等很有價值的硬件并行結構框架。目前，圖像并行處理結構設計面臨的主要問題可以概括為兩個方面：

①圖像并行處理硬件結構復雜，在實際應用中圖像處理結構的開發周期長、成本高；
②面向圖像處理算法的硬件結構針對性設計方法導致圖像處理平臺的可重用性差，調整、擴展和升級困難。

本文構建的可重構并行計算系統可以通過配置可重構處理單元來滿足不同應用的計算要求。這樣的系統使圖像處理結構設計與圖像處理的算法設計分離，具有很高的性能并且結構靈活，能大大提高圖像處理并行算法的執行效率和加速比。

1 傳統圖像并行處理技術

1．1 圖像并行處理系統概述

目前，用于嵌入式圖像處理系統的高速器件主要是DSP和FPGA。處理核心的合理選用是影響并行系統處理能力的一個關鍵因素。

并行處理的目的是通過采用多個處理單元同時處理輸入信息來縮短任務的執行時間。在任務和算法確定的情況下，Amdahl定律可表明：加速比與任務并行度和處理單元個數密切相關。在任務并行度一定的情況下，增加處理單元所獲得的加速比有一個極限值，任務的并行度制約著并行處理機的性能。

在實際應用中，還必須考慮各個處理單元之間的數據交換和同步時間。由于比串行程序執行增加了數據通信和同步等待等開銷，因此當加速比Spp(p為處理單元個數)時，并行效率Eff1。為使任務執行時間縮短而Sp增大，增加處理單元個數p成為首要手段，同時要將任務進行更細粒度的劃分以增加任務的并行度。

如圖1所示，在增加處理單元和任務細粒度化的同時將帶來總通信量的增加，影響了Sp的增加并導致Eff呈下降趨勢。

1．2 并行計算硬件體系結構

并行計算處理單元之間的網絡結構大致可分為2種：一種是共享總線或共享存儲器系統，稱為“緊耦合式并行系統”，如圖2所示；另一種是各處理單元有獨立的數據存儲器而通過通信口相連的分布式并行系統，稱為“松耦合式系統”，如圖3所示。

兩種并行計算體系結構的比較如表1所列。

1．3 并行算法到并行結構的映射

一個任務要在多處理機系統上得到處理，首先必須將其分解成一些子任務，再由多處理系統中的各處理機分別處理這些子任務，協同完成該任務。如圖4所示，并行算法在并行硬件系統上的應用是一個映射過程。一類并行算法依賴于適合的并行網絡結構才能高效率地運行。

導致并行算法與并行結構不匹配的原因主要有2個：一是欲把一個系統上開發的并行算法用于另一個系統上；二是由于問題內在的并行性，使并行算法與并行結構不匹配。

常用圖像處理算法的特點及適用的并行處理結構分析如表2所列。

綜上所述，傳統的共享總線系統與分布式并行系統分別適用于不同的圖像并行處理算法。分布式并行系統的不同連接方式之間也有較大的差異。并行算法的高效率運行依賴于并行硬件拓撲結構的支持，某種硬件結構只適合一類并行算法。一般情況，一個圖像處理任務是多個算法的集合，并行系統單靠某種固定結構無法適應所有的并行算法，這就給圖像處理系統帶來了問題。當并行硬件拓撲結構不適合并行算法時，系統的性能和算法執行效率都會受到影響，需要對并行硬件結構做出改進和完善。