学位论文 > 优秀研究生学位论文题录展示

图像稀疏去噪算法的并行改进研究

作　者: 孙黎明
导　师: 向宏
学　校: 重庆大学
专　业: 计算机软件与理论
关键词: 图像去噪稀疏分解图形处理器计算统一架构并行计算
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 130次
引　用: 0次
阅　读: 论文下载

内容摘要

数字图像在获取、存储、传输等过程中常常会受到特定噪声的污染,造成图像质量下降,因此,图像去噪是图像处理中的一个重要问题。其目的是尽可能地消除图像噪声,提高图像质量,为进一步的图像识别和理解做准备。近年来,稀疏表示理论受到人们的广泛关注,并成功应用于图像去噪。CUDA全称Compute Unified Device Architecture,是英伟达? (NVIDIA?)公司提出的并行计算架构。该架构通过利用GPU的处理能力,可大幅提升计算性能。传统的稀疏分解去噪算法仅仅考虑算法的去噪效果,而忽略了算法效率,使得算法的计算效率往往较低。而CUDA架构可以使得CPU与GPU协同工作,并行完成算法的计算过程,提升算法效率。基于此,本文提出了改进的稀疏去噪算法,该算法利用CUDA并行机制对传统的稀疏分解去噪算法进行并行改进,提高了算法的执行效率。本文分析了基于DCT字典、训练字典、自适应字典的三个稀疏分解算法。在Q这三个稀疏分解算法求解稀疏系数过程中,对其中比较消耗时间的部分进行了并行计算的可行性分析,提出了对原算法的并行改进方法。这里的并行改进主要是对算法中相互独立的部分利用CUDA架构,实现各自相互独立任务在不同的GPU上同时执行,以达到并行计算的目的。并将改进的算法进行封装,实现了一个应用软件。论文主要工作包括:(1)介绍了稀疏去噪算法的原理与实现方法,着重分析了基于DCT字典、训练字典和自适应字典算法中的去噪过程,指出去噪过程中存在的可以进行并行改进之处;(2)提出了一种基于DCT字典、训练字典和自适应字典算法的并行改进方法,并利用CUDA架构予以并行实现。实验结果表明了并行改进方法的有效性;(3)将CUDA改进的并行算法进行封装,实现了相应的软件,有利于该并行改进方法的实际应用。论文工作利用CUDA的并行计算机制,对于提高基于稀疏分解的图像去噪算法的计算效率提供了一个很好的途径和实例,并为其它类似算法的并行改进提供了有益的借鉴。

全文目录

摘要  3-4
ABSTRACT  4-9
1 绪论  9-13
  1.1 研究背景  9-10
  1.2 国内外研究现状  10-11
  1.3 本文研究内容  11-12
  1.4 本文组织结构  12-13
2 相关基础知识  13-23
  2.1 传统图像去噪方法介绍  13-15
  2.2 稀疏表示方法图像去噪  15-17
    2.2.1 稀疏表示基本概念  15
    2.2.2 稀疏表示理论基础  15-17
    2.2.3 稀疏分解方法  17
  2.3 CUDA 并行技术  17-23
    2.3.1 GPU 发展与CUDA 的产生  17-18
    2.3.2 GPU 在通用计算的优势及处理器发展趋势  18
    2.3.3 CUDA 概况  18-19
    2.3.4 CUDA 硬件架构和软件环境  19-20
    2.3.5 CUDA 的编程模型  20-22
    2.3.6 CUDA 的应用领域  22
    2.3.7 CUDA 应用举例：实时的裸眼立体医疗成像系统  22-23
3 稀疏表示去噪算法的 CUDA 并行改进  23-46
  3.1 图像稀疏模型  23-25
    3.1.1 小块图像的稀疏模型  23-24
    3.1.2 整个图像的稀疏模型  24
    3.1.3 模型的数字求解  24-25
  3.2 字典的来源  25-28
    3.2.1 DCT 字典来源  25-26
    3.2.2 训练字典来源  26-27
    3.2.3 自适应字典来源  27-28
  3.3 图像稀疏去噪算法描述  28-34
    3.3.1 算法步骤  28-30
    3.3.2 算法代码  30-32
    3.3.3 图像质量评价标准  32
    3.3.4 稀疏去噪算法实验效果  32-34
  3.4 稀疏去噪算法的并行改进  34-41
    3.4.1 并行改进可行性分析  34-35
    3.4.2 并行改进原理  35-37
    3.4.3 并行改进实现  37-41
  3.5 并行改进实验效果  41-44
    3.5.1 实验的硬件与软件环境  41-42
    3.5.2 噪声图像的产生  42
    3.5.3 对不同图像，分辨率为512*512， Sigma=25 的条件下并行改进实验结果  42-43
    3.5.4 对于标准图像库Lena 在不同分辨率下的并行改进实验效果，Sigma=25  43-44
  3.6 实验效果分析  44-45
  3.7 本章小结  45-46
4 图像稀疏去噪算法并行改进软件的设计与实现  46-63
  4.1 功能描述  46-47
    4.1.1 含噪图像输入功能  46
    4.1.2 图像去噪功能  46
    4.1.3 参数配置功能  46
    4.1.4 选择训练字典功能  46
    4.1.5 图像放大功能  46
    4.1.6 图像缩小功能  46
    4.1.7 查看上一次去噪结果  46-47
    4.1.8 用例图  47
  4.2 类设计  47-50
    4.2.1 Image 类  48
    4.2.2 DeNoisedResult 类  48-49
    4.2.3 ImageDenoise 类  49
    4.2.4 DCTImageD 类  49
    4.2.5 TrainImageD 类  49
    4.2.6 AdaptiveImageD 类  49
    4.2.7 CUDADCTImageD 类  49
    4.2.8 CUDATrainImageD 类  49
    4.2.9 CUDAAdaptiveImageD 类  49
    4.2.10 MainWindow 类  49-50
  4.3 功能流程设计  50-55
    4.3.1 打开干净图像功能  50-51
    4.3.2 打开含噪图像功能  51-52
    4.3.3 图像去噪功能  52-53
    4.3.4 图像放大与缩小功能  53-54
    4.3.5 图像加噪功能  54-55
  4.4 软件实现  55-62
    4.4.1 界面实现  55-57
    4.4.2 软件功能实现与部分关键代码  57-62
  4.5 本章小结  62-63
5 结论与展望  63-65
  5.1 结论  63
  5.2 展望  63-65
致谢  65-66
参考文献  66-69
附录  69

图像稀疏去噪算法的并行改进研究

内容摘要

全文目录

相似论文