CN106019858B - 一种基于cuda技术的直写式光刻机图像数据按位压缩方法 - Google Patents

Abstract

本发明涉及一种基于CUDA技术的直写式光刻机图像数据按位压缩方法，与现有技术相比解决了CPU的像素压缩技术无法适用于光刻领域特征图像的缺陷。本发明包括以下步骤：数据预处理和初始化；GPU预处理；分配内存；数据复制；启动通用并行计算处理；压缩结果的合并；将压缩之后的数据拷贝至CPU的Host端。本发明通过GPU利用CUDA技术进行并行化处理，提高了计算效率，增加了直写式光刻机的产能，同时降低了数据规模，GPU压缩处理后再将压缩数据传给CPU，减少了对CPU计算能力及传输带宽的依赖。

Description

一种基于CUDA技术的直写式光刻机图像数据按位压缩方法

技术领域

本发明涉及直写光刻机技术领域，具体来说是一种基于CUDA技术的直写式光刻机图像数据按位压缩方法。

背景技术

CUDA是NVIDIA公司2007年提出的支持GPU进行通用计算的编程模型和开发环境，CUDA编程的思想是用海量的线程来开发程序中的并行性，海量线程以层次化的方式组织，单个的线程被映射到标量核SP上执行，一组线程被组织成一个线程块Block被映射到一个SM上执行，最后由线程块组成的线程栅格Grid映射到一个GPGPU上执行。由于GPU具有远超CPU的计算核心数以及海量的并行计算资源，适合进行计算密集型、高度并行化的计算任务。同时，由于GPU的价格远远低于同等性能的并行计算系统，由CPU和GPGPU组成的异构系统已经越来越广的应用到生物医学、流体力学等诸多工程应用领域。

直写式光刻技术是在感光材料(多为胶或者膜)的表面印刷具有特征的构图的技术，无掩膜光刻技术使用数字微镜系统生成构图，通过光学投影元件，图像以一定得倍率投影到光敏感的衬底上，产生特征的构图。

现有的压缩技术中多采用CPU(中央处理器)按像素压缩，其压缩的效率较低，另外对光刻领域的特征图形的压缩比相对较低。随着IC封装载板、半导体掩膜光刻的特征线宽越来要求要高，图形数据量越来越大，如何提高压缩比，对原始数据进行不失真的压缩，将越来越多的限制着光刻设备的产能。因此，如何利用CUDA技术来实现并行高效压缩已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中CPU的像素压缩技术无法适用于光刻领域特征图像的缺陷，提供一种基于CUDA技术的直写式光刻机图像数据按位压缩方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于CUDA技术的直写式光刻机图像数据按位压缩方法，包括以下步骤：

数据预处理和初始化，在CPU的Host端申请存放未压缩前图形数据的任务，获取位图图形数据，其宽度为Width，高度为Height，在GPU的Device端申请按位压缩后的压缩数据的任务；

GPU预处理，在GPU的Device端，根据图形数据的宽、高分配块Block和线程Thread的数量，其中，块Block的数量为图形数据的高；

分配内存，在GPU的Device端利用CUDA接口函数cudaMalloc()分配内存；

数据复制，在GPU的Device端利用CUDA接口函数cudaMemcpy()将CPU Host端的Memory中未压缩的图形数据拷贝至GPU的Global Memory中；

启动通用并行计算处理，CUDA启动多线程并行压缩方法，对图形数据进行压缩处理；

压缩结果的合并，将每个线程Thread处理的结果进行合并，获得有效连续数据；

将压缩之后的数据拷贝至CPU的Host端，利用CUDA提供的接口函数cudaMemcpy()，拷贝GPU的Device端填充好的数据至CPU的Host端的内存区。

所述的启动通用并行计算处理包括以下步骤：

将图形数据的每行数据拷贝至每个块Block的共享存储区Share Momory中；

每个块Block中的线程Thread根据所在块Block的数据分配指定的像素数据；

待所有块Block和其中的线程Thread均分配完毕后，启用Block线程同步函数syncthreads()，开始并行压缩处理；

并行压缩处理，每个线程Thread处理自己负责的像素点，按像素压缩规则将像素压缩的结果保存在一个字节中。

所述的像素压缩规则为：在8位字节中，字节的第1位为标志位，其值为0或1，代表该字节为0或1的展示；字节的第2位至第8位为数量位，表示字节标志位中0或1的重复数量。

有益效果

本发明的一种基于CUDA技术的直写式光刻机图像数据按位压缩方法，与现有技术相比通过GPU利用CUDA技术进行并行化处理，提高了计算效率，增加了直写式光刻机的产能，同时降低了数据规模，GPU压缩处理后再将压缩数据传给CPU，减少了对CPU计算能力及传输带宽的依赖，降低了成本。本发明采用CUDA多线程并行计算，避免了使用CPU对数据进行二维扫描处理时单线程处理的滞后，从而提高效率。由于光刻领域的图像数据多为较小间隔的线宽线距，使用按像素压缩，出现压缩比很低的情况，而本发明中使用按位压缩，可以针对此类领域的特征图形提高压缩比。

附图说明

图1为本发明的方法顺序图；

图2为GPU与CPU数据交互示意图；

图3为本发明中块Block、线程Thread与图像数据的分配关系与处理示意图；

图4为本发明中线程Thread完成压缩后示意图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图2所示，在CUDA架构下，一个应用程序被分为两个部分执行，一部分被分配在CPU上执行，也就是Host端；另一部分被分配在GPU上执行，也就是Device端，又被称为Kernel。而通常是在Host端准备好数据，然后复制到Device端的全局内存、共享内存、纹理存储器中，再由GPU执行Device端程序，执行完的结果，再拷贝至Hsot端的内存中。

如图1所示，本发明所述的一种基于CUDA技术的直写式光刻机图像数据按位压缩方法，包括以下步骤：

第一步，数据预处理和初始化。在CPU的Host端申请存放未压缩前图形数据的任务，获取位图图形数据，其宽度为Width，高度为Height，在GPU的Device端申请按位压缩后的压缩数据的任务。在此，根据需要，可以选择2位、4位、8位、24位和32位等图形数据，这些图形数据的特点为属于由不同像素点的黑点、白点组成的图形，而像素点上的黑点的灰度值为0，像素点上的白点的灰度值为1，通过多个不同的像素点1或0的组合，实现图形的表达。

第二步，GPU预处理。在GPU的Device端，根据图形数据的宽、高分配块Block和线程Thread的数量，其中，块Block的数量为图形数据的高。由于位图数据的像素之间可以并行压缩且不会发生冲突，因此可以设置位图图像的一行像素给一个块Block,因此位图图形数据的高则为块Block所需要设置的数量。而多个块Block又共同组成栅格Grid的设计，因此针对于多个位图图形的压缩，可以设成多个栅格Grid执行，即栅格Grid由数个执行相同程序的块Block组成，块Block由数个线程Thread组成。针对于位图图形大批量的压缩处理其效率更高。

而针对于线程Thread而言，其为块Block下的处理，因此可以将位图图像的一行像素分配给块Block下的线程Thread进行处理。而具体要求线程Thread的大小则根据图形数据的宽度来定，若图形数据的宽度较大则可以分多个线程Thread，若图形数据的宽度较小则可以直接放在一个线程Thread，即将一行图形数据（一个块Block中的数据）均分或者按某个值分配到Block下的Thread进行处理。

第三步，分配内存。在GPU的Device端利用CUDA接口函数cudaMalloc()分配内存，利用CUDA提供的接口函数对Device端分配内存，其大小可以为Host端需要分配的大小。

第四步，数据复制。在GPU的Device端利用CUDA接口函数cudaMemcpy()将CPU Host端的Memory中未压缩的图形数据拷贝至GPU的Global Memory中，GPU的Global Memory为全局存储器，一般存放比较大的图形数据。将图形数据拷贝至Global Memory，其目的是为了后续压缩时，多线程并行处理时，频繁访问未压缩的图形数据，而Global Memory的特点是存储速度快，可提高压缩速度。

第五步，启动通用并行计算处理，CUDA启动多线程并行压缩方法，对图形数据进行压缩处理。将GPU的Global Memory图像数据细化到每个线程Thread,并使用Share Memory加速，每个线程Thread压缩的结果保存在一个字节中。其具体步骤如下：

（1）如图3所示，将图形数据的每行数据拷贝至每个块Block的共享存储区ShareMomory中，等待进行将每个线程Thread分配到指定的像素数据。

（2）每个块Block中的线程Thread根据所在块Block的数据分配指定的像素数据。

例如，针对一个位图图像数据而言，其Block0压缩第一行数据，Block1压缩第二行数据，Block2压缩第三行数据，依此类推，直至达到图像数据的高度。然后Block0中的Thread0处理第一行的0~9像素，Thread1处理第一行的10~19像素，Thread2处理第一行的20~29像素，同理，将第一行的数据均处理完，直至达到图像数据的宽度。

（3）待所有块Block和其中的线程Thread均分配完毕后，启用Block线程同步函数syncthreads()，开始并行压缩处理。

（4）并行压缩处理。每个线程Thread处理自己负责的像素点，按像素压缩规则将像素压缩的结果保存在一个字节中。为了提高压缩比，压缩的结果保存在一个字节内，即像素压缩规则，其表示在8位字节中，字节的第1位为标志位，其值为0或1，代表该字节为0或1的展示，即该字节中均为1或均为0。字节的第2位至第8位为数量位，表示字节标志位中0或1的重复数量，即该字节中0或1的数量。例如：当需表示像素位图为00000时，其按像素压缩规则的字节则表示为00000101。

第六步，压缩结果的合并。如图4所示，将每个线程Thread处理的结果进行合并，获得有效连续数据，形成由若干个字节所顺序展示的字节数据集，完成在GPU的Device端进行数据压缩工作。在压缩时，针对于图形数据非等分在每个Block中，则会有一个线程Thread压缩的图像数据较少，可以采用将其补0或人为的其他操作进行标注即可。

第七步，将压缩之后的数据拷贝至CPU的Host端。利用CUDA提供的接口函数cudaMemcpy()，拷贝GPU的Device端填充好的数据至CPU的Host端的内存区。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (2)

1.一种基于CUDA技术的直写式光刻机图像数据按位压缩方法，其特征在于,包括以下步骤：

11）数据预处理和初始化，在CPU的Host端申请存放未压缩前图形数据的任务，获取位图图形数据，其宽度为Width，高度为Height，在GPU的Device端申请按位压缩后的压缩数据的任务；

12）GPU预处理，在GPU的Device端，根据图形数据的宽、高分配块Block和线程Thread的数量，其中，块Block的数量为图形数据的高；

13）分配内存，在GPU的Device端利用CUDA接口函数cudaMalloc()分配内存；

14）数据复制，在GPU的Device端利用CUDA接口函数cudaMemcpy()将CPU Host端的Memory中未压缩的图形数据拷贝至GPU的Global Memory中；

15）启动通用并行计算处理，CUDA启动多线程并行压缩方法，对图形数据进行压缩处理；所述的启动通用并行计算处理包括以下步骤：

151）将图形数据的每行数据拷贝至每个块Block的共享存储区Share Momory中；

152）每个块Block中的线程Thread根据所在块Block的数据分配指定的像素数据；

153）待所有块Block和其中的线程Thread均分配完毕后，启用Block线程同步函数syncthreads()，开始并行压缩处理；

154）并行压缩处理，每个线程Thread处理自己负责的像素点，按像素压缩规则将像素压缩的结果保存在一个字节中；

16）压缩结果的合并，将每个线程Thread处理的结果进行合并，获得有效连续数据；

17）将压缩之后的数据拷贝至CPU的Host端，利用CUDA提供的接口函数cudaMemcpy()，拷贝GPU的Device端填充好的数据至CPU的Host端的内存区。

2.根据权利要求1所述的一种基于CUDA技术的直写式光刻机图像数据按位压缩方法，其特征在于：

所述的像素压缩规则为：在8位字节中，字节的第1位为标志位，其值为0或1，代表该字节为0或1的展示；字节的第2位至第8位为数量位，表示字节标志位中0或1的重复数量。