GPU环境下几种并行图像处理算法的设计与实现

摘要

近年来，由于成像技术的不断进步，数字图像包含的数据量与日俱增。在处理大规模图像时，串行算法由于处理速度较慢，难以满足实时性的要求。GPU（GraphicProcessUnit）具有计算单元众多等优点，在处理速度方面与CPU相比显示出了巨大的优势。本文主要就GPU并行计算进行了研究，对几种比较耗时的典型的图像处理算法进行了GPU加速研究。本文的主要研究工作阐述如下：
　　由于非局部均值去噪算法对图像进行去噪处理速度较慢，本文对非局部均值去噪算法的步骤和计算复杂度进行分析并得出如下结论：该算法中计算像素点之间权值的步骤是一个迭代的过程，该步骤计算复杂度较大且属于简单的规则运算。文中设计了相关的并行策略，在GPU内并行的计算每个像素的估计值。实验结果表明，并行算法在维持串行算法性能的基础上，显著的提高了对图像的处理速度。
　　PPB(ProbabilisticPatch-Based)去噪算法在对SAR图像进行去噪时体现出了良好性能，但是由于计算复杂度较大因而在处理速度方面具有局限性。本文通过对串行的PPB算法进行分析，将该算法中较为耗时的计算像素点之间权值的部分步骤进行并行，将不能并行的步骤在CPU端执行，在CPU和GPU之间交替执行运算并对GPU内部数据传输和计算的时间进行定量研究。实验表明，本文提出的并行PPB去噪算法在对大规模SAR图像进行去噪处理时，在处理速度方面显示出较大的优势。
　　最后，针对传统的特征选择方法对图像进行分类处理时难以取得较好特征子集的问题，本文提出了一种新的基于免疫克隆思想的并行图像特征选择方法，即PICFS（ParallelImmuneCloneFeatureSelection）算法。由于在算法中嵌入了自适应的交叉变异策略，在每一次的克隆变异操作中总是能在保持父代个体优良特性的同时，能够有效地使特征子集的搜索方向向维数减少的方向进行，而且并行化的设计使得该算法的处理速度得到了极大的提高。实验表明，与传统的特征选择方法相比，PICFS算法能够搜索到更好的特征子集。