最佳鄰域匹配圖像恢復(fù)算法的改進與并行化研究.pdf

1、現(xiàn)實世界中的通信鏈路經(jīng)常會產(chǎn)生傳輸錯誤，傳輸錯誤常常導(dǎo)致圖像的壞損，而圖像恢復(fù)可以通過差錯掩蓋（Errorconcealment）技術(shù)將這些壞損圖像恢復(fù)為人眼可接受的圖像。最佳鄰域匹配（Best Neighborhood Matching，BNM）算法是一種優(yōu)秀的圖像恢復(fù)算法，它利用圖像自身的信息冗余和塊內(nèi)相似性對受損的圖像像素進行恢復(fù)。BNM算法能得到很高的圖像恢復(fù)質(zhì)量，但算法計算量大，運行效率低，很難滿足實時處理和大規(guī)模圖像處理的要

2、求。因此，本文從串行和并行兩個方面對BNM算法進行了優(yōu)化，以提高算法效率。
　　 本文首先在分析了BNM算法特點的基礎(chǔ)上，提出了一種螺旋最佳鄰域匹配（Rotate-basedBNM，R_BNM）算法。R_BNM算法在為受損的壞塊尋找最佳匹配塊時，改變了傳統(tǒng)的順序搜索模式，從受損塊的周圍開始按螺旋方式搜索，盡快找到最佳匹配塊，提前結(jié)束搜索。同時R_BNM算法還使用了動態(tài)閾值調(diào)整的方法。在破壞率為15％時，R_BNM算法的加速比為1

3、9，恢復(fù)后圖像的PSNR值比使用原始BNM算法時大約降低了1dB，但仍在可接受范圍內(nèi)，視覺差異并不大。R_BNM算法在破壞率越低時，加速比越高，恢復(fù)后圖像的PSNR值越接近原始BNM算法。
　　 其次，本文中在集群系統(tǒng)和GPU兩種不同的并行平臺上對BNM算法進行了并行化研究。在集群系統(tǒng)上利用MPI實現(xiàn)了BNM算法的并行化算法，該并行BNM算法在使用多個進程執(zhí)行時，算法效率提高而恢復(fù)質(zhì)量沒有下降，同時，實驗證明該算法具有良好的可擴

4、展性。
　　 而在GPU上則利用了CUDA編程，同時使用了合并訪問、共享存儲器的使用等優(yōu)化手段，并且討論和比較了這些優(yōu)化手段的性能。同樣在破壞率為15％時，不對BNM算法的恢復(fù)過程做任何改動，加速比為22，恢復(fù)后圖像的PSNR值幾乎與原始BNM算法完全相同。若縮小算法在恢復(fù)時的搜索范圍，加速比可達(dá)到66，恢復(fù)后圖像PSNR值雖略有下降，但不影響恢復(fù)質(zhì)量。
　　 本文中所進行的模擬實驗顯示，這三種方法都明顯降低了BNM算法