141. 介绍基于GPU的N点一维子主条纹图Hee-Min Choi、Seung-Cheol Kim和Eun-Soo Kim韩国光云大学3D显示研究中心（3DRC），人类媒体研究摘要提出了一种基于N点一维子主条纹图（N-point 1-Dsub-PFP）概念的加速空间冗余新查表（A-SR-NLUT）方法，并在图形处理器（GPU）上实现，用于快速计算三维物体的计算全息图（CGH）。由于该方法可以从预先存储的N点1-DPFP生成用于计算全息的N点2-DPFP，因此可以显著减少GPU上N点PFP的加载实验结果证实，一个对象点的平均计算时间已减少了49.6%和55.4%相比，传统的2-D SR-NLUT方法的每种情况下的2点和3点SR地图，分别。索引术语：3D显示1. 介绍到目前为止，已经提出了许多方法来生成三维（3-D）物体的计算机生成全息图（CGH）[1-135]。其中之一是新颖的查找表（NLUT），它可以大大提高计算速度，并大大减少三维物体CGH生成所需的预计算干涉图案的总数[3]。事实上，存储器容量和计算时间一直被认为是NLUT方法中最具挑战性的两个问题。为了减少存储器，已经提出了一种基于从传统的2-D子主条纹图分解的一维（1-D）子主条纹图（1-D sub-PFP）的新型NLUT，称为1-D NLUT [4]。在该方法中，传统的基于2-D PFP的NLUT（称为2-D NLUT）的千兆字节（GB）存储器可以下降到兆字节（MB）存储器的量级。此外，为了提高计算速度，NLUT方法采用各种图像压缩方法来去除空间上和空间上的噪声。三维物体和三维运动场景的时间冗余数据[5-8]。其中，为了去除帧内冗余数据，提出了一种基于空间冗余的NLUT（SR- NLUT）[6]，其中使用游程编码（RLE）算法去除3-D图像的相邻像素之间的空间冗余对象数据，然后将N点PFP应用于NLUT以生成CGH。实际上，对于上述NLUT方法的实际应用，已经尝试分别在现场可编程门阵列（FPGA）或图形处理单元（GPU）上实现原始NLUT和1-D NLUT算法[9，10]。然而，由于直接连接到CPU的主存储器与GPU中的存储器之间的总线的有限带宽，从预存储的1-D子PFP恢复2-D PFP的过程可能会使基于GPU的SR-NLUT系统的计算性能恶化。也就是说，实际上不可能将大量的2-D PFP数据从主机计算机实时传输到GPU。接收日期：2014年8月24日;修订日期：2014年9月8日接受日期：2014年9月21日* 通讯作者E-mail：eskim@kw.ac.kr，Tel：+82-10-5235-8834这是一个开放获取的文章，根据知识共享署名（CC-BY-NC）许可证的条款，允许在任何媒体上无限制地使用，分发和复制，前提是正确引用原始作品。版权所有©韩国通信与信息科学研究所（KICS），2014http://www.ictexpress.org15http://www.ictexpress.org基于GPU的N点一维子主条纹图2.该方法2.1常规NLUT方法（一）图1用于生成Fresnelh olo l g ramm的Geom er y三维物体2.2.该方法图图2所提出的用于产生三维图像的计算全息图案的方法的框图。P因此，本文提出了一种新型的N点一维子PFP，大大加快了计算全息图的计算速度位于深度平面zp的中心，T（x，y;zp）为等式（一）.同时建议使用小的存储器容量。的第二代22所提出的方法在GPU上实现，T（x，y;zp）x xyyz（1）证实了其在实际应用中的可行性。这里，N点1-D子PFP通过组合使用zp其中波数k被定义为k= 2π/λ，1-D子PFP和RLE算法 然后在的其中λ表示光的自由空间波长。因此，在本发明中，在计算过程中，N点PFP由条纹图案对于深度平面这些预先计算的N点1-D子PFP，并与这些最终生成的计算全息图的3-D对象一可以通过简单地移动方程的PFP来获得。（一）.将这些移位版本的PFP加在一起以获得记忆容量的显著减少以及zp深度平面的计算全息图。 另外这款计算速度的显著提高，对3D对象通过使用N点1-D的新概念，最后一个C帽子帽子帽子物体的H模式。因此在子PFP。对测试三维物体进行了实验，并与传统的NLUT方法在计算物体点的数量和计算时间方面进行了比较分析。NLUT方法中，物体I（x，y）的CGH图案可以用公式（1）的预先计算的PFP的移位版本来表示。(1)如Eq.（二）、2. 该方法2.1 常规NLUT方法I（x，y）第1页pTxp，y yp;zp（二）几何结构计算菲涅耳条纹其中P表示物点的数量等式（2）显示NLUT可以使获得CGH图1中示出了体积3-D对象的图案。在这里，一个三维物体的模式，只是通过结合移动和指定第p个对象点的位置坐标在所述3个深度平面的每个深度平面上添加所述PFP的操作，by（xp，yp，zp），并且假设每个对象点具有D对象。关联 实值 幅度 和 相 的 αp，φp，分别还假设要计算的全息图案位于z=0的深度平面上[3]。2.2. 该方法图2示出了用于加速计算3-D对象的CGH图案的所提出的1- D SR-NLUT方法的总体框图，其主要由四个部分组成步在第一步中，强度和利用RLE方法对三维物体的深度数据进行预处理，并根据相邻物体点的数目将其重新分组为N点冗余图具有相同 -D值在第二步中，N点子对应于N点冗余图的PFP通过移位和添加常规1-D NLUT的1点子PFP来计算。在第第第三步中，利用预先计算的N点计算三维物体的计算全息图子PFP。 在 第四步，该三维物体图像图图1生成三维物体的菲涅耳全息图的几何结构从计算的CGH图案重建。实际上，一个三维物体可以看作是一组图像沿z方向离散切片的平面，以及 每个具有特定深度平面的图像平面被近似为自发光物光点的集合。在NLUT中，仅预先计算并存储表示位于每个深度平面的中心上的物点的条纹图案的2-D PFP [3]。在这里，我们可以定义物点（xp，yp，zp）图2所提出的用于生成三维图像的计算全息图案的16图3三维输入图像的空间冗余：（a）测试图像的灰度，（b）空间冗余图（五）图4从一维子PFPyB（d，0，z1）A（0，0，z1）C（2d，0，z 1）2.2.1 目标空间冗余度的提取3-D因此，方程的N点PFP。(5)可以通过使用一组1-D子PFP来导出。在三维物体的相邻像素具有相同的颜色和深度值的情况下，其被称为空间冗余。Tn（x，y;zp）nT(xk1（k1）d，y;zp）输入3-D图像的强度和深度数据[6，176 -19]。图3示出了3D通信中的空间冗余的概念。nSc（xk1（k<$1）d;zp）<Sc（y;zp）Ss（x）（k1）d;zp）Ss（y;zp）（五）输入图像。nSc（xk1（kSc（y;zp）nSs（xk1（k<$Sc，n（x;zp）<$c，1（y;zp）Ss，n（x;zp）））<$Ss，1（y;zp）其中， Sc ，1、 Sc ，1、Sc ，n和 Sc ，n分别表示1点1-D余弦子PFP、1点1-D正弦子PFP、N点1-D余弦子PFP和N因此，N点余弦和正弦子PFP可以被表达为等式：（6）.Sc，n（x;zp）nSc（xk1 （k）1）d;zp）（六）图3三维输入图像的空间冗余：（a）测试图像的灰度，（b）空间冗余图Ss，n（x;zp）nSs（xk1 （k）1）d;zp）图3（a）示出了具有5x5分辨率的3D对象，图4示出了生成N点子图的的的流程图深度平面和只有三种灰度值如10，任意深度的PFP Eq的平面 (6)使用150和255。图3（b）还显示了S映射图提出的方法。在这里，我们考虑三个相邻点使用RLE方法从图3（a）水平提取。这里，“3/255”意味着在相应行中存在具有相同灰度值“255”的三个相邻图像像素。如图3所示，在所提出的用于产生CGH图案的方法中需 要 13 （ =4+6+3 ） 个 计 算 过 程 ， 这 与 通 常 需 要 25（=5×5）个计算过程的传统NLUT方法相反。也就是说，在所提出的方法中，可以执行13个计算过程位于z1的深度平面上：A（0，0，z1），B（d，0，z1）和C（2d，0，z1），如图4（a）所示。图4（b）还示出了常规1-D NLUT中的z1的任意深度平面的1点子PFP。因此，三个相邻物点的3点子PFP可以通过1点子PFP的简单移位和相加操作来计算。X减少CGH代。有15个空的XX x图中称为“不关心条件”的空格3（b），其中‘don’t care condition’ means no need of CGH2.2.2 N点PFP和N点子PFP(a) 三个相邻物点(b) 1-D私营部门筹资和伙伴关系次级方案X(c) 1-D子PFP(d) 生成的3点次级PFP在SR-NLUT方法中，一个对象的1点PFP图 图4从1-D子PFP生成3点子PFP的过程点 是 定义 作为 当量 （一） 提到 上述 在常规NLUT。并且，具有单位幅度和深度zp的两个相邻物点的2点PFP可以是即，位于z的像平面的中心的物点A（0，0，z用Eq表示。（三）、十一，T2（x，y，zp）T（x，y;zp）T（xd，y;zp）（三）可以通过简单地将图4（b）的1点PFP的中心定位在如图4（c-1）所示的该物点上来获得。然后，对于物点B（d，0，其中d表示相邻点的离散化步长z1）可以通过移动1-点的中心来获得[3，6]。 同样，N点PFP为N个相邻对象图中的PFP。4（b）o具有+d的量的x-direct i，具有单位大小和深度zp的点，Tn（x，y;zp）可以示于图4（c-2）。同样，一维衍射图用Eq表示。（4）.对于C（2d，0，z1）可以通过以下方式获得：nTn（x，y;zp）<$T（x（k$1）d，y;zp）k1yB（d，0，z1）A（0，0，z1）C（2d，0，z1）y（c-1）A（0，000，z1）y（c-2）B（d，y(c-3)C（2d，17http://www.ictexpress.org基于GPU的N点一维子主条纹图（四）如图4（c-3）所示，将图4（b）的1点PFP的中心向x方向移动+2d的量通过添加1点PFP的这三个移位版本，基于GPU的N点一维子主条纹图17http://www.ictexpress.org图5使用所提出的方法的3-D对象的CGH生成过程：（a）物点和它们的空间冗余度，（b）用1-D子PFP生成用于“组I”的全息图，（c）用1-D子PFP生成用于“组II”的全息图，（d）生成用于“组I”的CGH图案，（e）生成用于“组II”的CGH图案，（f）最终生成的所有物点的CGH图案（七）3. 实验及结果图6个3D测试对象图像：（（a）-（c）强度图像和（d）-（f）深度图像最终可以获得点PFP，如图4（d）所示。2.2.3 三维物体图5示出了使用所提出的方法生成任意3-D对象的CGH图案的流程图。这里我们3. 实验和结果在实验中，三种类型的3-D对象：“骰子”，“汽车”和“房子和汽车”，被用作测试对象，其强度和深度图像如图6所示。这里，每个测试3D对象和CGH图案考虑任意3-D对象的测试图像平面假定e 300×300×256像素1,920× 1080位于z1的深度平面上，像素，其中，每个像素大小由下式给出：点：A（-x1，y1，z1），B（-x1+d，y1，z1），C（-x1+2d，y1，z1），D（x2，10μm ×10μm。 水平和垂直离散化-y2 ，z1）和E（x2+d，-y2，z1）的关系。如图所示，选择小于30μm（100mm ×0.003 = 30μm）图在图5（b）和5（c）中，存在两组物点：以来 的 观看距离假定为100mm。一组点A（-x1，y1，z1），B（-x1+d，y1，z1）和C（-x1+2d，y1，z1），私营部门筹资和伙伴关系司必须转移900像素（300×3像素= 900另一组它们都具有相同的强度和深度值，并且是分开的像素）。因此，2-D PFP的总分辨率变为2，820（1，920+ 900）× 1，980（1，080+ 900）像素。对于1-D NLUT和所提出的方法，彼此具有离散化步长d。 因此只 两套的 N点 一维子PFP是必要的。计算全息图为 这些 三个相邻对象 点因此，总分辨率1-D PFP变为小组 我可以 被 计算方法是使用 3分2，820（1，920 + 900）× 1像素。正弦/余弦子PFP和1点正弦/余弦子PFP，如图所示。5（b）.也就是说，如图5（d）所示的“组I”的三个相邻物点的条纹图案可以通过使用等式（1）获得。（5）.类似地，如图5（e）所示的“组II”的两个相邻物点的条纹图案图6个3D测试对象图像：（a）-（c）强度图像和（d）-（f）深度图像在实验中，一台PC机采用Intel Pentium i7-3770操作在3.43.43.4GHz，8 GB RAM和Linux CentOS以及Nvidia GTX泰坦用于硬件实现所提出的方法。图7示出了通过水平方向提取的SR maaaps。1-点正弦/余弦子PFP，如图5（c）所示。最后，使用RLE扫描图6的测试对象可以通过将图5（d）和5（e）的全息图图案加在一起来产生用于五个物点的CGH图案。也就是说，图5（f）中的最终CGH图案可以用等式（1）计算。（7）。算法在提取的冗余图中，灰色表示不存在具有相同强度和深度值的相邻物点，而绿色和蓝色表示不存在具有相同强度和深度值的相邻物点。颜色意味着两个和三个相邻的物点具有NPNNI（x，y）apTnxxp，yyp;z pn1p1N Pn （七）强度和深度值分别相同。此外，白色表示“不要”的物点apSc,n(xxp;z p)Sc,1(yy p;z p)Ss,n(xxp;z p)Ss,1(yy p;z p)n 1p1p其中Pn表示具有相同强度和深度值的物点的数量。图5用所提出的方法生成三维物体的计算全息图：（a）物点及其空间冗余，（b）全息图用1-D子PFP生成用于18护理基于GPU的N点一维子主条纹图19http://www.ictexpress.org图7通过测试三维物体的RLE方法图用传统方法和提出的方法生成的CGH图重建了8幅三维物体图像表1对象待计算从CGH图案中重建，传统的和建议的方法。在“骰子”的情况下8（a） 显示集中图像的前在684mm的距离和后方“模具”处重建在远处重建 距离CGH 720mm分别使用常规方法和所提出的方法生成的图案如图8（a）所示，在所有情况下，对象图像都具有成功重建DDD。也就是说，前面后 ‘Die’ are blurred at重建距离720毫米另一方面，在684mm的重构距离处，后方“Die”的物体图像图用RLE方法对测试三维物体进行水平扫描提取的7幅SR图表1示出了测试3-D对象的空间冗余数据沿水平方向的分布。如表1所示，对于常规方法和所提出的方法的每种情况（2点和3点情况），“Dice”对象的空间冗余数据因此，对于2点和3点的情况，利用空间冗余，类似地，在“汽车”的情况下当它们与传统的一维在远处重建的“汽车”的后部图像NLUT方法的684毫米和“汽车”的前部距离721毫米的CGH图案产生的测试3-D对象的空间冗余数据数分别使用常规方法和所提出的方法。对于传统1-D建议提出距离CGH图案683mm，NLUT（1分）方法（2点）方法（三点法）传统的和建议的ases方法，分别。由于物体图像已经被车15，627（100%）12，906（82.6%）11,923(76.3%）表2示出了常规2-D NLUT、2-D SR-NLUT、1-D NLUT房子&17，705（100%）13，11411,684和提出的方法。 表2还显示了车（74.1%）（66.0%）计算时间对于CGH生成的每个步骤，全息图生成、预处理和同样，对于“汽车”的情况PFP的加载时间。 如表2所示，如果与传统方法相比，计算点减少了17.4%（2点情况）和23.7%（3点情况）。此外，对于‘Dice’, 422.76在2-D NLUT和2-D SR-NLUT方法中，针对N即CGH家 & 卡尔， 的 数字 的 对象 点 是计算也减少了25.9%（2分案例）通过从三维对象中去除空间冗余数据，计算时间得到减少但是每月和34.0%（3分病例）相比，传统方法，分别。对于2-D NLUT和2-D SR的每种情况，计算时间由794.75ms、771.31ms和796.94ms图 8示出 三 类型 的 对象 图像表1待计算物点数对比结果图8用传统方法和提出的方法生成的计算全息图重建的三维物体图像10,2958,507看到 在 图 8的 所有c骰子15，317（100%）（67.2%）(55.5%）成功重建。基于GPU的N点一维子主条纹图19http://www.ictexpress.org表2常规2-D NLUT、2-D SR-NLUT、1-D NLUT和所提出的方法中的每一个的计算时间NLUT方法。也就是说，总计算时间对于N=2的情况减少，而对于N=3的情况增加。通过比较二维SR-NLUT方法 中 N=2 和 N=3 的 情 况 ， PFP 的 加 载 时 间 增 加 了62.90ms，尽管全息图的产生时间减少了37.28ms。也就是说，N点PFP的加载时间大于通过去除3-D对象的冗余数据而减少的对象点的全息图计算时间。也就是说，如果N数量增加，则N点2-D PFP的加载时间可能增加，因为如果N数量增加，则要加载在GPU上的N点2-D PFP的数量增加。在传统的2-D NLUT和2-D SR-NLUT方法中，CGH生成时间（ms）预处理H过程黄时间se（ms）亲民党三维 加载CA时间r（ms）总计算时间（ms）436.14（84.2）%）0.33（0.06%）81.54（15.74美元）%）518.01(100%）359.60（73.62）%）0.40（0.08%）128.44（26.3）%）488.44(100%）329.25（66.45美元）%）0.42（0.08%）165.81（33.46）%）495.48(100%）446.44（99.2%）0.34（0.08%）3.28（0.73%）450.06(100%）357.34（98.73%）0.38(0.1%）4.21（1.16%）361.93(100%）331.03（98.36%）0.41（0.12%）5.11（1.52%）336.55(100%）PFP在GPU上的加载时间占总计算时间的很大一部分。也就是说，N点二维PFP的加载时间占总计算时间的57.5%。另一方面，用于提取3-D对象的空间冗余所需的预处理时间在总计算时间中占有极小的部分。也就是说，预处理时间仅占总计算时间的0.05%。也就是说，一维方法中的PFP数目与二维方法中的PFP数目相同，但存储器大小不同与二维方法相比，一维方法中每个N点PFP的平均值非常小。因此，N点一维子PFP的加载时间仅占总计算时间的2.2%。然后，对于1-DNLUT和所提出的方法的每种情况（2点和3点情况），总计算时间分别变为434.17ms、333.59ms和303.83ms。通过比较N=2和N=3的情况下，在所提出的方法中，即使CGH产生，PFP的加载时间也仅增加了1.11ms。二维NLUT二维SR-NLUT1-D建议方法NLUT时间减少了30.88ms。也就是说，仅通过在空间N=1N =2N =3N =1N =23-D对象的冗余数据另一方面CGH生成时间（ms）预处理时间Di（ms）私营部门筹资和伙伴关系司加载时间（ms）总计算时间（ms）CGH生成时间（ms）预处理时间C（ms）ar PFP加载时间（ms）总计算时间（ms）422.76（53.19）%）0.34（0.04%）371.65（46.76）%）794.75(100%）431.54（54.48）%）0.33（0.04%）360.3（45.48）%）792.17(100%）307.10（39.82%）0.40（0.05%）463.81（60.13）%）771.31(100%）378.43（42.93美元）%）0.44（0.05%）502.73（57.02）%）881.60(100%）269.82（33.86美元）%）0.41（0.05%）526.71（66.09美元）%）796.94(100%）366.10（37.08%）0.44（0.04%）620.79（62.88美元）%）987.33(100%）427.65（98.5%）0.34（0.08%）6.18（1.42%）434.17(100%）430.57（98.52%）0.32（0.07%）6.17（1.41%）437.06(100%）表2常规2-D NLUT、2-DSR-NLUT、1-D NLUT和所提出的方法20325.70（97.63）%）0.40（0.12%）7.49（2.25%）333.59(100%）388.66（97.8%）0.43（0.11%）8.31（2.09%）397.40(100%）294.82（97.03）%）0.41（0.13%）8.60（2.83%）303.83(100%）381.39（97.47）%）0.44（0.11%）9.47（2.42%）391.30(100%）在一维NLUT方法中，预处理时间占总计算时间的0.11%。以相同的方式，在“汽车”的情况下因此，在2-DNLUT和2-DSR-NLUT（2点和3点情况）方法中，总计算时间分别为792.17ms、881.60ms和987.33ms。也就是说，尽管3-D对象的空间冗余数据被移除，但总计算时间增加。然而，在1-DNLUT和提出的（2点和3点情况）方法中，总计算时间分别为437.06ms、397.40ms和391.30ms。也就是说，通过去除3-D对象的空间冗余数据，减少了总计算时间。同样地，在“房子和汽车”对象的情况下与其他情况相比，这种情况的加载时间非常小，因为对于N=1、2和3的情况，分别仅加载49、77和101个PFP，因为“房屋和汽车”对象在所有3-D对象中仅具有49个深度层。在2-D NLUT和2-D SR-NLUT（2点和3点情况）方法中，总计算时间分别为518.01ms、488.44ms和495.48ms。然而，总计算时间由下式给出：基于GPU的N点一维子主条纹图21http://www.ictexpress.org表3在传统的2-D NLUT、2-D SR-NLUT、1-D NLUT和所提出的方法的每种情况下，一个目标点的平均计算时间和所需的存储空间450.06ms，361.93ms和336.55ms的1-D NLUT和建议（2点和3点的情况下）的方法，分别。表3分别示出了传统的2-D NLUT、2-D SR-NLUT、1-D NLUT和所提出的方法中的一个对象点的平均计算时间。如表3所示，在“Dice”对象的情况下也就是说，与2-D NLUT方法相比，N=2的情况下的一个物点的平均计算时间减少了2.9%。然而，对于N=3的情况，与2-DNLUT和2-D SR-NLUT（N=2）方法相比，对于一个物点的平均计算时间增加了0.3%和3.2%。也就是说，如上所述，通过去除3D物体的冗余数据，N表3在传统的2-D NLUT、2-D SR-NLUT、1-D SR-NLUT、1-D SR-NLUT和2-DSR-NLUT的每种情况下的一个对象点的平均计算时间和所需的存储空间与二维NLUT方法相比，分别减少了45.4%、58.0%和61.8%。同样，在“Car”对象的情况下也就是说，尽管去除了3-D对象的空间冗余数据，但是增加了用于一个对象点的平均计算时间。然而，在传统的一维NLUT和提出的方法中，对于一个目标点的平均计算时间分别为27.97 μs、25.43 μ s和25.04 μ s。也就是说，通过将N点2-D PFP替换为N点1-D子PFP，与2-D方法中的每一种相比，单个目标点的平均计算时间分别减少了44.8%、54.9%和60.4%。同样，在“房子和汽车”对象的情况下然而，在传统的一维NLUT中，对于一个物点的平均计算时间分别为25.42μs、20.44μs和19.01μs，二维NLUT2-D SR-NLUT1-DNLUT该方法提出 方法， 分别 的 是， 平均单目标点的计算时间减少了13.1%，N=1N =2N =3N =1N =2通过将N点二维PFP替换为N点二维PFP，与每种二维方法相比，分别为25.9%和32.1%。骰子车房 屋和 汽车平均年龄计算时间所 需材料51.89微秒（100%）50.69微秒（100%）29.26微秒（100%）43.95微秒(100%）1.33GB（100%）50.36μs(97.1%）56.42μs（111.3%））27.59μs(94.3%）44.79μs（101.9%））2.66GB（200%）52.03μs（100.3%））63.18μs（124.6%））27.99μs(95.7%）47.73μs（108.6%））3.99GB（300%）28.35微秒(54.6%）27.97微秒(55.2%）25.42微秒(86.9%）27.24微秒(62.0%）1.38MB（0.1%）21.78微秒(42.0%）25.43微秒(50.2%）20.44微秒(69.9%）22.55微秒(51.3%）2.75MB（0.2%）19.84微秒(38.2%）25.04微秒(49.4%）19.01微秒(65.0%）21.29微秒(48.5%）4.13MB（0.3%）点1-D子PFP。因此，在常规的2-D NLUT、2-D SR-NLUT（N=2，3）、1-D NLUT和所提出的方法中，对于所有三种情况 ， 一 个 目 标 点 的 平 均 计 算 时 间 分 别 为 43.95μs 、44.79μs、47.73μs、27.24μs、22.55μs和21.29μs。方法（N= 2，3）。也就是说，通过将N点2-D PFP替换为N点1-D子PFP，与2-D方法中的每一种相比，用于一个对象点的平均计算时间分别减少了38.0%、49.6%和55.4%。此外，还计算了传统的2-D NLUT、2-D SR-NLUT和1-D NLUT方法以及本文方法所需的存储容量。如表3所示，在传统的2-D NLUT和2-D SR-NLUT方法中存储300× 300 × 256像素的3-D图像体积的所有N点PFP所需的总存 储 器 大 小 被 计 算 为 分 别 为 1.33GB 、 2.66GB 和3.99GB，其中用于一个PFP的图像数据被存储在存储器中。与二维NLUT和二维SR-NLUT方法相比，传统的一维NLUT和一维SR-NLUT方法需要更少的加载时间。如表3所示，在“骰子”的情况下也就是说，一个对象点的平均计算时间为假设为5.32MB（= 2820×1980×8bit）。对于1-D NLUT和所提出的方法，仅需要两组N点1-D子PFP，因此，对于1-D NLUT和所提出的方法，存储所有N点子PFP所需的总存储器大小被计算为分别为1.38MB、2.75MB和4.13MB。换句话说，所提出的方法仅使用传统2-DNLUT方法的0.2%、0.3%的存储器体积，基于GPU的N点一维子主条纹图21http://www.ictexpress.org4. 结论引用1. C. J.Kuo和M. H. Tsai，Three-Dimensional HolographicImaging（John Wiley Sons，2002）。2. T.- C Poon，Digital Holography and Three-DimensionalDisplay（Springer Verlag，2007）。3. S.- C. Kim和E S. Kim，4. S.- C.金，J. - M. Kim和E.- S. Kim，5. S.- C.金，J. - H. Yoon和E.- S. Kim，6. S.- C. Kim和E S. Kim，7. S.- C.金，K.- D. Na和E。S. Kim，8. S.- C. 金，W.- Y. Choe和E. S. 金，“加速用中间线法3D对象图像的冗余”，9. D-W Kwon，S.- C. Kim和E S. Kim，10. M.- W. Kwon，S.- C. Kim和E S Kim，11. S.- C.金，J. - H. Kim和E S. Kim，“基于计算机生成的全息图的像素间距和重构距离之间的关系的新颖查找表存储器大小的有效减小”，Appl.Opt.，50，3375-3382（2011）。12. D.- W. Kwon，S.- C. Kim和E S. Kim，13. T. Shimobaba，H.中山北Masuda和T. Ito，14. Z.扬角，澳-地范，Y。Zhang，J. Liu和J. Zhou1，15. N.马苏达T.伊藤，T. Tanaka，A. Shiraki和T. Sugie，16. P. Hariharan，《光学全息术：原理、技术和应用》（剑桥现代光学研究，1996年）。17. R. C. Dorf，电气工程手册（第2版）（CRC出版社，1997年）。18. J. Higgins，SNG和ENG微波简介（Butterwest-Heinemann，2004年）。19. K. N.颜角W. Yap和K. T. Tan，无线通信系统的视频编码（Marcel DekkerLtd.，2001）。2、3点SR图的情况。因此，与传统的2-D NLUT和2-DSR-NLUT方法相比，N3.实验和结果在本文中，一种新的方法，大大减少了内存容量，以及显着减少传统的NLUT方法的计算时间已被提出，通过结合使用的1-D子PFP和空间冗余的3-D对象的GPU为基础的实现。对三种类型的测试三维物体的实验证实，对于2，3点SR图的每种情况，与2-D SR-NLUT方法相比，所提出的方法对一个物体点的平均计算时间分别减少了49.6%和55.4%。此外，已发现所提出的方法仅使用传统的2-D NLUT方法的0.2%和0.3%的存储器体积用于2点和3点SR图的每种情况。引用[1] C. J.Kuo和M. H. Tsai，Three-Dimensional HolographicImaging（John Wiley Sons，2002）。[2] T.- C Poon，Digital Holography and Three-DimensionalDisplay（Springer Verlag，2007）。[3] S.- C. Kim和E S. Kim，[4] S.- C.金，J. - M. Kim和E.- S. Kim，[5] S.- C.金，J. - H. Yoon和E.- S.金，“快速的一代的3D视频全息图，通过组合使用数据压缩和查找表技术，”Appl.Opt.47，5986-5995（2009）。[6] S.- C. Kim和E S. Kim，“Fast computation of hologrampatterns of a 3-D object using run-length encoding andnovel look-up table methods，”Appl.Opt.48，1030-1041（2009）.[7] S.- C. 金 ， K.- D. Na 和 E 。 S. Kim ， “Acceleratedcomputation of computer-generated holograms of a 3-Dobject with NXN-point principle fringe patterns in thenovel look-up table method，”Opt. Laser Eng.51，185-196（2013）.[8] S.- C. 金 ， W.- Y. Choe 和 E. S. Kim ， “Acceleratedcomputation of hologram patterns by use of interlineredundancy of 3-D object images，”Opt.Eng.50，091305（2011）.[9] D-W 权， S.- C. 金 和 E.- S. 金，implementationofN-LUTmethodusingfield-programmable-gate-array technology，[10] M.- W. Kwon，S.- C. Kim和E S Kim，[11] S.- C.金，J. - H. Kim和E S. Kim，“基于计算机生成的全息图的像素间距和重构距离之间的关系的新颖查找表存储器大小的有效减小”，Appl.Opt.，50，3375-3382（2011）。[12] D.- W. Kwon，S.- C. Kim和E S. Kim，[13] T. Shimobaba，H.中山北Masuda和T.Ito，[14] Z.扬角，澳-地范，Y。Zhang，J. Liu和J. Zhou1，[15] N.马苏达T.伊藤，T. Tanaka，A. Shiraki和T. Sugie，处理单元”，[16] P. Hariharan，《光学全息术：原理、技术和应用》（剑桥现代光学研究，1996年）。[17] R. C. Dorf，电气工程手册（第2版）（CRC出版社，1997年）。[18] J. Higgins ， SNG 和 ENG 微 波 简 介 （ ButterflyHeinemann，2004）。[19] K. N.颜角W. Yap和K. T. Tan，用于无线通信系统的视频编码（Marcel Dekker Ltd，2001）。
我的内容管理
展开
