论文部分内容阅读
非局部平均(Nonlocal-Means, NLM)算法充分利用了图像本身的自相似性,是当前图像去噪算法中降噪能力较强的一种。但是NLM去噪算法容易导致边缘模糊,不适用于纹理密集型图像,另外NLM算法计算复杂度高,阻碍了NLM算法的实际应用。因此,本论文研究的问题是探索适用于纹理密集图像的NLM算法及其GPU并行实现。本论文在NLM算法的基础上,主要做了以下两个方面的改进：(1)通过将核回归算法中控制核矩阵与NLM算法相结合,提出了一种SK-NLM(Steering Kernel Nonlocal-Means)改进算法。由于原始的NLM算法使用的是高斯核,在边缘区域容易出现模糊。实验发现控制核能携带图像的边缘方向信息,用它来替代高斯核能更好的保护图像边缘,同时也使去噪更为有效。(2)将近似K近邻匹配AKNN (Approximate K-Nearest Neighbors Matching)与NLM算法组合得到AKNN-NLM算法。该算法相比于传统NLM算法,首先在一个更大的邻域中随机寻找K近邻,再通过迭代优化和K个近邻像素实现去噪,AKNN-NLM算法相比传统NLM算法计算复杂度明显降低。为了在GPU上实现AKNN-NLM算法,本论文还对AKNN-NLM算法进行了并行优化。实验证明在支持CUDA(Compute Unified Device Architecture)接口的NVIDIA Geforce GT430GPU上实现AKNN-NLM算法,可在保持与传统NLM算法降噪性能相当前提下,相比于CPU实现最大能得到19倍的加速比。