基于gpu的圖像分割與增強算法并行性研究

1、密級碩士學(xué)位論文題目基于GPU的圖像分割與增強算法并行性研究（英文）（英文）ResearchonParallelAlgithmsofImageSegmentationEnhancementBasedonGPU研究生學(xué)號:1403201031研究生姓名:卓永指導(dǎo)教師姓名、職稱指導(dǎo)教師姓名、職稱:楊輝華教授申請學(xué)位門類:工學(xué)碩士學(xué)科、?？?、專業(yè):計算機科學(xué)與技術(shù)論文答辯日期:2017年6月萬方數(shù)據(jù)摘要I摘要在數(shù)字信息時代，圖像處理技術(shù)在醫(yī)學(xué)

2、、航空航天等領(lǐng)域得到了大量的應(yīng)用，其中圖像分割和圖像增強是最具代表性的兩種圖像處理技術(shù)。在很多圖像處理算法消耗時間越來越多的情況下，NVIDIA推出的CUDA并行平臺使得算法運行在GPU上可以減少數(shù)十倍甚至上百倍的時間消耗。本文針對水平集算法和MSRCR圖像增強算法在計算中耗時過大，不滿足實時性要求的缺點，根據(jù)兩種算法的不同計算特點分別設(shè)計了不同的并行方案并將其實現(xiàn)。在實驗中充分證明了基于GPU的并行方式可以大大提高算法執(zhí)行效率。具體工

3、作如下：(1)融合圖像模型和局部聚類信息的水平集算法并行設(shè)計與實現(xiàn)：針對Li提出的融合圖像模型和局部聚類信息的水平集算法迭代次數(shù)多，計算復(fù)雜度高等導(dǎo)致時間消耗大的缺點，同時分析算法本身以及在CPU中計算過程，找出其耗時最大的且適合并行化改造的步驟，設(shè)計合理的GPU并行方案。本論文將算法中聚類中心計算、曲線演化計算、偏置域的計算等步驟改造成適合在GPU上運行的核函數(shù)。在并行實現(xiàn)過程中根據(jù)GPU架構(gòu)特點選擇合理的線程配置，同時使用多種GPU

4、存儲器類型以進(jìn)一步提高算法在GPU上執(zhí)行速度。使用CUDA分別并行實現(xiàn)二相水平集模型和三相水平集模型對CT和腦部MR圖像的分割實驗證明，使用GPU并行化改造后的融合圖像模型和聚類信息的水平集算法速度可以提高45倍左右。(2)帶色彩恢復(fù)的多尺度視網(wǎng)膜圖像增強算法(MSRCR)的并行設(shè)計與實現(xiàn)：在并行化改造時，首先將MSRCR算法的卷積濾波、對數(shù)域計算、線性映射計算等部分設(shè)計成GPU核函數(shù)；其次，在GPU硬件資源量固定的情況下對如何啟動更多

5、的線程參與計算進(jìn)行了深入討論。最后，對GPU并行模型進(jìn)行改進(jìn)以充分利用GPU和CPU的各自優(yōu)勢，提高算法的執(zhí)行速度。在對多種場景圖片的GPU并行加速處理的實驗中得到了高達(dá)95倍的加速比，同時證明本文對該算法的并行設(shè)計方案還具有良好的可移植性。(3)并行系統(tǒng)實現(xiàn)：利用CUDAmatlab相結(jié)合的技術(shù)，實現(xiàn)了針對圖像增強和分割的并行化系統(tǒng)。并根據(jù)左冠狀血管圖像的特點先進(jìn)行增強處理再分割，效果要比沒有增強就分割的要好。并行化系統(tǒng)提供了簡潔、友