改进的JLBNM算法及其并行化

JLBNM图像恢复算法能得到较高的图像恢复质量（PSNR）．但其中跳跃步长和环顾步长的确定是影响算法好坏的关键因素。文中给出了图像有无细节的定性化描述．先对图像本身的信息进行处理，然后根据图像内容的相关性来确定步长，在算法操作上更简单了。分析了串行的JLBNM算法的可并行化问题，并讨论了基于SMP的JLBNM并行化过程中的数据划分问题和处理器之间的通信问题，最后给出了相应的并行JLBNM算法和实验结果。     

模糊推理最大熵图像恢复算法

与线性恢复算法相比,基于最大熵的图像恢复算法具有更好的图像恢复效果,但其收敛速度较慢。为了提高最大熵图像恢复算法的收敛速度,首先给出了算法的非周期反卷积模型,然后采用模糊推理系统在线确定算法的迭代步长。由于采用了可变步长,因此极大地提高了算法的收敛速度。仿真实验表明提出的算法收敛速度快,图像恢复效果好。     

跳跃与环顾最优匹配的快速图像恢复算法

Best Neighborthood Marching(BNM)是目前对损坏图像进行修复并能产生高质量可接受图像的图像恢复算法，然而，BNM却具有计算复杂度的局限性，因而限制了其实现应用，文中从BNM中影响虎法复杂度的关键环节－为坏块寻找最优匹配的搜索路径出发，参照人寻找相似块时的快速智能方法，提出跳跃环顾BNM图像恢复算法（JLBNM）。同时,对于进行匹配的核心步骤，提出具有自适应阈值匹配标准的优化方法，有关的计算复杂度度量分析及模拟实验均证明JLBNM具有计算复杂度低，对损坏图像恢复质量高的特点。     

基于FPGA的嵌入式多核处理器及SUSAN算法并行化

给出了四核心嵌入式并行处理器FPEP的结构设计并建立了FPGA验证平台.为了对多核处理器平台性能进行评测,提出了基于OpenMP的3种可行的图像处理领域的经典算法SUSAN算法的并行化方法:直接并行化SUSAN、图像分块处理和多图像并行处理,并对这3种并行算法在Intel四核心平台和FPEP的FPGA验证平台上进行性能测试.实验表明,3种并行算法在两种四核心平台下均可获得接近3.0的加速比,多图像并行处理在FPEP的FPGA验证平台可以获得接近4.0的加速比.     

图像非刚性配准技术及并行策略研究

图像非刚性配准是近几年配准方法的一个研究热点，由于其计算复杂度很高，它的并行化问题成为近几年来的研究热点。本文首先给出了图像非刚性配准的数学模型，并给出了形式化定义；其次分类总结了近年来图像非刚性配准串行算法研究的新进展，从而在此基础上重点讨论了相应的并行化策略。本文还详细分析了设计并行图像非刚性配准算算法需要考虑的几个问题；并比较评价了现有并行算法的性能特点，得出了一些结论；最后提出了有待进一步研究的问题。     

一种利用水平集的图像分割快速GPU并行算法

研究医学生物图像的快速分割问题。针对传统图像分割算法效率低、分割不准确的缺陷,提出一种利用水平集自动演化获得最优图像分割的方法。首先,定义水平集方程,并针对方程中不同分量进行分析,确定以图像灰度为依据的最优化算法;然后通过对差分方程的离散化,定义最优化算法的求解步骤,并使得该最优化计算方法能并行化处理。该方法可以有效地对医学图像进行分割,尤其适合并行化GPU处理,在确保图像分割质量的前提下,极大地提高了运算效率。     

遥感图像K-Means并行算法研究

K-Means算法是对遥感图像在没有先验知识情况下进行无监督分类的重要算法之一,在遥感影像的分析中得到了广泛的应用.针对K-Means算法复杂,处理过程中计算时间长的缺点,人们试图寻求快速的并行处理方式.在这种并行化的探索过程中,由于K-Means算法独特的流程结构,使其并行化处理方式难以顺利进行.本文在分析K-Means算法特点的基础上,对其并行化方式进行了深入的研究.针对K-Means算法并行化在处理速度和分类精度方面存在的问题,提出了一种基于分块逼近的算法并行模型,可兼顾并行效率和分类精度之间的综合要求,实现某种精度可控的并行处理.最后,根据实验结果讨论并提出了迭代算法并行化的有效途径.     

一种求解带有冲击噪声的图像去模糊去噪问题的变步长分裂Bregman算法

分裂Bregman算法是一种有效的求解L1正则化问题的算法,Chen等人结合线性化、变步长、非单调等技术,改进了固定步长的分裂Bregman算法,提出了变步长分裂Bregman算法(BOSVS),并将该算法用于求解带有高斯噪声的图像去模糊去噪问题,其数值实验结果令人满意.但是它不能求解带有冲击噪声的图像去模糊去噪问题,我们在BOSVS算法基础上,提出了一种新的变步长分裂Bregman算法,用于求解带有冲击噪声的图像去模糊去噪问题.该算法一方面保留了BOSVS算法的线性化、变步长、非单调等特点;另一方面通过在原模型目标函数上增加一个L1正则项,使得模型不仅可以处理高斯噪声,还可以处理冲击噪声,因而适用范围比BOSVS算法更为广泛.初步数值实验结果表明,新算法得到结果的质量明显优于FTVd,且计算时间、算法效率也较有竞争力.     

GPU加速的近实时图像彩色化

灰度图像彩色化技术需要人工交互来完成彩色化优化过程,针对现有的方法只注重彩色化的效果而忽略算法的执行效率,严重影响了用户的交互体验的问题,充分利用GPU的高性能并行优势,提出基于GPU加速的近实时图像彩色化方法.在预处理阶段,运用基于图像块纹理特征的Patch Match算法在全局图像空间高效地查找每个像素的K最近邻,并提出基于压缩表示的对称稀疏矩阵并行构造算法来保证着色线条的颜色在图像近邻像素之间的对等传播;在用户交互阶段,根据用户输入构建能量函数,并运用并行共轭梯度法计算出彩色图像的颜色.实验结果表明,该方法不但能生成高质量的图像彩色化效果,而且图像彩色化过程具有近实时性的处理性能.     

FMM算法的并行化方法

详细分析快速多极算法FMM(Fast Multipole Method)的基本原理,并对引力场的势函数的多极展开和泰勒局部展开进行了详细的推导.给出了串行FMM算法的伪码描述,并对其进行并行化分析、处理,对FMM算法进行了并行化研究.最后,在基于MPI的群集并行计算环境下进行大量的实验并采集实验数据,对算法进行并行化性能分析,得到较好的并行加速比和较高的并行效率.