基于GPU的圖像分割與增強(qiáng)算法并行性研究.pdf

1、在數(shù)字信息時(shí)代，圖像處理技術(shù)在醫(yī)學(xué)、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(qiáng)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(shí)間越來(lái)越多的情況下，NVIDIA推出的CUDA并行平臺(tái)使得算法運(yùn)行在GPU上可以減少數(shù)十倍甚至上百倍的時(shí)間消耗。本文針對(duì)水平集算法和MSRCR圖像增強(qiáng)算法在計(jì)算中耗時(shí)過(guò)大，不滿(mǎn)足實(shí)時(shí)性要求的缺點(diǎn)，根據(jù)兩種算法的不同計(jì)算特點(diǎn)分別設(shè)計(jì)了不同的并行方案并將其實(shí)現(xiàn)。在實(shí)驗(yàn)中充分證明了基于GPU的并行方

2、式可以大大提高算法執(zhí)行效率。具體工作如下：
　　(1)融合圖像模型和局部聚類(lèi)信息的水平集算法并行設(shè)計(jì)與實(shí)現(xiàn)：針對(duì)Li提出的融合圖像模型和局部聚類(lèi)信息的水平集算法迭代次數(shù)多，計(jì)算復(fù)雜度高等導(dǎo)致時(shí)間消耗大的缺點(diǎn)，同時(shí)分析算法本身以及在CPU中計(jì)算過(guò)程，找出其耗時(shí)最大的且適合并行化改造的步驟，設(shè)計(jì)合理的GPU并行方案。本論文將算法中聚類(lèi)中心計(jì)算、曲線(xiàn)演化計(jì)算、偏置域的計(jì)算等步驟改造成適合在GPU上運(yùn)行的核函數(shù)。在并行實(shí)現(xiàn)過(guò)程中根據(jù)GPU

3、架構(gòu)特點(diǎn)選擇合理的線(xiàn)程配置，同時(shí)使用多種GPU存儲(chǔ)器類(lèi)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(shí)現(xiàn)二相水平集模型和三相水平集模型對(duì)CT和腦部MR圖像的分割實(shí)驗(yàn)證明，使用GPU并行化改造后的融合圖像模型和聚類(lèi)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(qiáng)算法(MSRCR)的并行設(shè)計(jì)與實(shí)現(xiàn)：在并行化改造時(shí)，首先將MSRCR算法的卷積濾波、對(duì)數(shù)域計(jì)算、線(xiàn)性映射計(jì)算等部分設(shè)計(jì)成GPU

4、核函數(shù)；其次，在GPU硬件資源量固定的情況下對(duì)如何啟動(dòng)更多的線(xiàn)程參與計(jì)算進(jìn)行了深入討論。最后，對(duì)GPU并行模型進(jìn)行改進(jìn)以充分利用GPU和CPU的各自?xún)?yōu)勢(shì)，提高算法的執(zhí)行速度。在對(duì)多種場(chǎng)景圖片的GPU并行加速處理的實(shí)驗(yàn)中得到了高達(dá)95倍的加速比，同時(shí)證明本文對(duì)該算法的并行設(shè)計(jì)方案還具有良好的可移植性。
　　(3)并行系統(tǒng)實(shí)現(xiàn)：利用CUDA-matlab相結(jié)合的技術(shù)，實(shí)現(xiàn)了針對(duì)圖像增強(qiáng)和分割的并行化系統(tǒng)。并根據(jù)左冠狀血管圖像的特點(diǎn)先進(jìn)