论文部分内容阅读
在数字信息时代，图像处理技术在医学、航空航天等领域得到了大量的应用，其中图像分割和图像增强是最具代表性的两种图像处理技术。在很多图像处理算法消耗时间越来越多的情况下，NVIDIA推出的CUDA并行平台使得算法运行在GPU上可以减少数十倍甚至上百倍的时间消耗。本文针对水平集算法和MSRCR图像增强算法在计算中耗时过大，不满足实时性要求的缺点，根据两种算法的不同计算特点分别设计了不同的并行方案并将其实现。在实验中充分证明了基于GPU的并行方式可以大大提高算法执行效率。具体工作如下： (1)融合图像模型和局部聚类信息的水平集算法并行设计与实现：针对Li提出的融合图像模型和局部聚类信息的水平集算法迭代次数多，计算复杂度高等导致时间消耗大的缺点，同时分析算法本身以及在CPU中计算过程，找出其耗时最大的且适合并行化改造的步骤，设计合理的GPU并行方案。本论文将算法中聚类中心计算、曲线演化计算、偏置域的计算等步骤改造成适合在GPU上运行的核函数。在并行实现过程中根据GPU架构特点选择合理的线程配置，同时使用多种GPU存储器类型以进一步提高算法在GPU上执行速度。使用CUDA分别并行实现二相水平集模型和三相水平集模型对CT和脑部MR图像的分割实验证明，使用GPU并行化改造后的融合图像模型和聚类信息的水平集算法速度可以提高45倍左右。 (2)带色彩恢复的多尺度视网膜图像增强算法(MSRCR)的并行设计与实现：在并行化改造时，首先将MSRCR算法的卷积滤波、对数域计算、线性映射计算等部分设计成GPU核函数；其次，在GPU硬件资源量固定的情况下对如何启动更多的线程参与计算进行了深入讨论。最后，对GPU并行模型进行改进以充分利用GPU和CPU的各自优势，提高算法的执行速度。在对多种场景图片的GPU并行加速处理的实验中得到了高达95倍的加速比，同时证明本文对该算法的并行设计方案还具有良好的可移植性。 (3)并行系统实现：利用CUDA-matlab相结合的技术，实现了针对图像增强和分割的并行化系统。并根据左冠状血管图像的特点先进行增强处理再分割，效果要比没有增强就分割的要好。并行化系统提供了简洁、友好的界面，可以设置算法的各种参数，具有一定的应用价值。