非局部平均圖像去噪算法研究與GPU實(shí)現(xiàn).pdf

1、非局部平均(Nonlocal-Means，NLM)算法充分利用了圖像本身的自相似性，是當(dāng)前圖像去噪算法中降噪能力較強(qiáng)的一種。但是NLM去噪算法容易導(dǎo)致邊緣模糊，不適用于紋理密集型圖像，另外NLM算法計(jì)算復(fù)雜度高，阻礙了NLM算法的實(shí)際應(yīng)用。因此，本論文研究的問題是探索適用于紋理密集圖像的NLM算法及其GPU并行實(shí)現(xiàn)。
　　本論文在NLM算法的基礎(chǔ)上，主要做了以下兩個(gè)方面的改進(jìn):(1)通過將核回歸算法中控制核矩陣與NLM算法相結(jié)合，

2、提出了一種SK-NLM(SteeringKernelNonlocal-Means)改進(jìn)算法。由于原始的NLM算法使用的是高斯核，在邊緣區(qū)域容易出現(xiàn)模糊。實(shí)驗(yàn)發(fā)現(xiàn)控制核能攜帶圖像的邊緣方向信息，用它來(lái)替代高斯核能更好的保護(hù)圖像邊緣，同時(shí)也使去嗓更為有效。(2)將近似K近鄰匹配AKNN(ApproximateK-NearestNeighborsMatching)與NLM算法組合得到AKNN-NLM算法。該算法相比于傳統(tǒng)NLM算法，首先在一個(gè)

3、更大的鄰域中隨機(jī)尋找K近鄰，再通過迭代優(yōu)化和K個(gè)近鄰像素實(shí)現(xiàn)去噪，AKNN-NLM算法相比傳統(tǒng)NLM算法計(jì)算復(fù)雜度明顯降低。為了在GPU上實(shí)現(xiàn)AKNN-NLM算法，本論文還對(duì)AKNN-NLM算法進(jìn)行了并行優(yōu)化。實(shí)驗(yàn)證明在支持CUDA(ComputeUnifiedDeviceArchitecture)接口的NVIDIAGeforceGT430GPU上實(shí)現(xiàn)AKNN-NLM算法，可在保持與傳統(tǒng)NLM算法降噪性能相當(dāng)前提下，相比于CPU實(shí)現(xiàn)最大