王光磊，裴晨輝，苑　昊，王　斌，劉秀玲

(河北大學 電子信息工程學院 河北省數字醫(yī)療工程重點實驗室，河北 保定 071002)

基于KNN的DSA圖像去噪及GPU的快速實現

王光磊，裴晨輝，苑昊，王斌，劉秀玲

(河北大學 電子信息工程學院 河北省數字醫(yī)療工程重點實驗室，河北 保定 071002)

摘要:為快速地去除或減少DSA(Digital Subtraction Angiography)圖像的噪聲，對比評價KNN(K Nearest Neighbors)算法對高斯噪聲、泊松噪聲、斑點噪聲、椒鹽噪聲4種噪聲去除或減少的效果，幫助醫(yī)生快速準確地為病人診斷疾病。提出的算法主要貢獻在于構建了基于GPU(Graphics Processing Unit)的加速方法，使傳統(tǒng)圖像去噪的運算速度得到大幅提升。基于圖像降質、圖像還原過程建模，使用KNN算法對4種噪聲去除或減少，并對算法做并行化處理，利用GPU加速實現去噪的過程。通過實驗得出，KNN算法能較好地去除或減少高斯噪聲、泊松噪聲來還原DSA圖像，使用CUDA(Compute Unified Device Architecture)編寫可在GPU上運行的程序，利用GPU對1 024×1 024像素的24位深度的DSA圖像去噪，平均渲染幀率能達到190.53 f/s(幀/秒)，較傳統(tǒng)CPU(Central Processing Unit)串行，平均處理速度提高70.86倍。使用GPU加速能夠快速地處理數據量較大、計算密集的DSA噪聲圖像，實現有效并且快速的高斯噪聲去除，幫助醫(yī)生精、準、快地診斷疾病。

關鍵詞:DSA；KNN；GPU；CUDA；圖像去噪

近幾年，心腦血管疾病發(fā)病率呈逐年上升趨勢，其危害已超過傳染性疾病，成為我國威脅居民健康最大類疾病。最近的一次統(tǒng)計數據顯示，中國心腦血管疾病死亡已占總死亡構成的41%。在醫(yī)學界，對于心腦血管疾病能夠準確診斷也是衛(wèi)生工作人員和醫(yī)療技術人員一直孜孜追求的。然而在各類疾病診斷中，腦血管疾病的診斷比較困難。

1980年，美國威斯康星大學Mistretta小組、亞利桑納大學Nadelman小組研制成功數字減影血管造影機，在血管疾病診斷方面得到了很好的應用，尤其是心腦血管疾病的診斷。自此，醫(yī)學領域有了傷害性小、方便簡潔、安全實用，并且影像清楚分辨率高的血管造影系統(tǒng)。然而，DSA發(fā)展到今天仍存在一些問題，比如它在采集圖像數據的時候會受到一些干擾，從而會使圖像產生噪聲。改善圖像質量可以通過添加濾光片、對近紅外光敏感的探測器、改良CCD感光元件等改進前端設備的方法進行預處理的調節(jié)。由于前端預處理的局限性，為了提高系統(tǒng)的魯棒性與可靠性，降低成本，需要在后端利用軟件進行圖像去噪處理。然而，對于醫(yī)學成像又有其特點，數據量巨大，計算密集，還有對實時性的要求也很高，傳統(tǒng)的串行計算很難滿足這些要求。

近些年來，國內外研究人員在圖像去噪方面做了許多探索與研究?，F如今已有的去噪方法大類幾十種，小類上百種，如直方圖均衡算法、經典逆濾波法、基于Retinex的相關算法、小波及曲波變換方法、維納濾波、空間域的核回歸方法、非局部均值、基于參數估計的算法、雙邊濾波、基于概率框架的盲圖像復原算法等常見方法[1-4]。BUADES A，DELEDALLE C，COUPE P，GUO Y等人首先提出和應用了非局部均值(Non-local Means， NLM)去噪算法[5-9]。時至今天，在NLM提出十年間里也得到了許多改進，如DOWSON N，DARBON J，ORCHARD J，LIU Y L，WANG J，WANG Z M等人將算法改進后提高了算法實現的速度[10-14]。CHEN Y，DONOHO D L，CHANG S G等人運用小波閾值算法實現了圖像去噪[15-17]。ZHANG J等人將小波與雙邊濾波算法結合實現了醫(yī)學超聲圖像的去噪[18]。自2007年NVIDIA推出CUDA以來，研究人員才逐漸重視到并行計算在醫(yī)學領域存在著巨大潛力。美國通用電氣醫(yī)療集團利用GPU實現了錐形束反投影與透視CT重建。西門子公司BATENBURG，SIJBERS等人利用GPU加速了CT重建速度，并將硬件成本壓縮了上百倍；STONE等人使用GPU加快高級MRI重建速度14.35倍。VERONICA GIDEN等人利用GPU依照場景圖對用于XIP的CUDA內核管線進行成功構建，并提高了構建速度[19]。WOLFGANG WEIN等人使用GPU成功實現了針對診斷成像和成像引導介入的自動CT超聲配準。2014年德克薩斯大學由STEVE博士帶領的小組，將GPU應用在癌癥治療領域，原本需要計算70個多小時才能夠完成的復雜質子放射療法縮短到10 s，縮短時間的同時還提高了計算精度。GPU在醫(yī)學領域的應用近十年間得到了空前的發(fā)展，為人類醫(yī)療事業(yè)做出了很大的貢獻，GPU在醫(yī)學方面的重要性也不言而喻。

因此，綜合考慮后，本文提出了一種針對DSA圖像去噪的GPU加速方案，并很好地應用于KNN去噪算法。實驗表明，使用GPU加速能夠快速處理數據量較大、計算密集的噪聲圖像，實現有效的噪聲去除。

1KNN算法及其實現

1.1DSA噪聲

DSA系統(tǒng)最主要的組成部分是控制處理機和快速圖像處理機，以及模擬數字轉換器、存儲器等電子器件，整個圖像的攝制、存儲、處理和傳遞都是用數字形式進行的。所以，在這其中不可避免地會引入圖像的降質、模糊以及噪聲的干擾，采集到的圖像信息及特征會衰減、被掩蓋，甚至出現模糊，嚴重影響了醫(yī)生對病人病情的診斷。其中最值得引起關注的是，在所有噪聲中高斯噪聲的比重最大，也就是說高斯噪聲對影像的影響最大。因此，若對高斯噪聲能夠較好地濾除或者減弱，對最終的成像將會有較大的意義，對醫(yī)生準確診斷病人的病情幫助也是最大的。

1.2基于KNN算法的DSA圖像去噪

1.2.1圖像降質

圖像增強的主要目的是要迎合人們的視覺感官，使人盡可能地從圖像中得到更多的信息或令視覺效果更好，具有藝術性。如圖像增強和圖像去噪主要是以預先確定的目標來針對性地還原圖像。盡管兩者有相重疊的領域，但圖像增強主要是主觀處理，而圖像去噪原則大部分是客觀處理。圖像去噪是利用退化現象的某種先驗知識來復原一幅帶噪聲的圖像，而不能夠使圖像有較大失真，最大程度地從客觀上進行最真實的還原。因此，圖像去噪是面向一個退化的模型，而采用降質過程的逆過程做出針對性的并且目的很明確的處理，來恢復圖像。

通過建模[20-21]，降質過程可以看作一個退化函數和一個加性噪聲項，對一幅輸入圖像f(x,y)進行處理，產生一幅退化后的圖像g(x,y)

g(x,y)=H[f(x,y)]+η(x,y)

(1)

給定函數g(x,y)和退化函數H以及加性噪聲項函數η(x,y)，從而圖像去噪的目的便成為了獲得一個預知的原圖像f^(x,y)。原則上，這種預知應盡可能地接近原圖像，而且退化函數H、加性噪聲項函數η(x,y)所含信息越豐富，f^(x,y)，f(x,y)越相近。

g(x,y)=h(x,y)*f(x,y)+η(x,y)

(2)

式中：h(x,y)為H的空間表示。空間域的卷積和頻率的乘法組成了一個傅里葉變換對，所以可以用等價的頻率域來寫出前面的模型，如圖1所示。

圖1　降質—去噪處理模型

假設H為線性、空間不變過程，便可以得到在空間域中表示的降質圖像

G(u,v)=H(u,v)F(u,v)+N(u,v)

(3)

式中：用大寫字母表示空降質間域中相應項的傅里葉變換。由于線性、空間不變性，所以退化函數H可以由卷積來建模。在此次建模中，假設H是恒等算子，并只處理由噪聲造成的退化。

為了更好地觀察KNN算法對DSA圖像的去噪效果，分析算法的針對性、有效性、穩(wěn)定性以及評價本算法對去噪的成效，故實驗將人為針對性地引入高斯噪聲、泊松噪聲、斑點噪聲、椒鹽噪聲4種噪聲來實驗。這些噪聲都是空間噪聲，其值是隨機數，由概率密度函數p(z)或等價的積累分布函數F(z)表征，它們均由均值m和方差σ2決定。a，b均為常數。這4種噪聲的各參數如下：

1)高斯噪聲

概率密度函數

(4)

積累分布函數

(5)

均值和方差

m=a，σ2=b2

(6)

2)泊松噪聲

概率密度函數

(7)

積累分布函數

(8)

均值和方差

m=a，σ2=a

(9)

3)斑點噪聲

概率密度函數

(10)

積累分布函數

(11)

均值和方差

(12)

4)椒鹽噪聲

概率密度函數

(13)

積累分布函數

(14)

均值和方差

m=(0)Pp+k(1-Pp-Ps)+(2n-1)Ps

σ2=(0-m)2Pp+(k-m)2(1-Pp-Ps)+

(2n-1-m)2Ps

(15)

1.2.2KNN算法實現

針對一幅退化圖像的去噪，最簡單方法是在上文介紹的模型中忽略噪聲項，并形成如下形式的估計

(16)

式中：G(u,v)是降質圖像的傅里葉變換，然后取F^(u,v)的傅里葉反變換得到圖像的相應估計，來直接對噪聲圖像進行逆濾波，考慮噪聲時，可以將估計表示為

(17)

KNN算法用來減少圖像噪聲也是基于高斯噪聲濾波器，但比其更復雜。假設讓u(x)作為最原始的噪聲圖像，KNNh,ru(x)是經過KNN濾波器和參數h和r之后的結果。讓Ω(P)在空間上以一定的距離環(huán)繞像素點P，本文將它視為N×N大小的一系列像素，此時N=2M+1(自然數M=0，1，2，3…)，這樣P就是Ω(P)的中心像素，于是

(18)

式中：C(x)是正?；禂?。由公式得知，周圍像素權重決定于h、r和Ω。r是一個傳統(tǒng)的高斯噪聲系數，由帶噪圖像決定，在用KNN算法處理時，r=N。h的選擇具有主觀性，它是用戶自己來選擇的，選擇的不同最后的結果也會不同，用戶可以根實驗結果來調節(jié)h。對難以量化的h值，會根據圖像默認一個值，最后的結果也是較為可觀的。Ω的大小取決于圖像的大小，為了達到一個良好的視覺效果，通常是5×5或7×7塊的像素塊兒。在本實驗中，選擇了7×7塊的像素塊進行實驗，如圖2所示。

圖2　7×7像素塊

1.3GPU加速實現

1.3.1耗時分析

在KNN算法中，K近鄰搜索方法是暴力搜索法。本實驗要處理的圖像是1 024×1 024像素點的RGB圖像，也就是說一幅圖像是一個1 024×1 024×3的彩色像素組，其中每個彩色像素是一個三值組，這三個值分別對應一個特定空間位置處該RGB圖像的紅、綠、藍分量，如圖3所示。

圖3　RGB分量示意圖

RGB圖像可以看作是三色圖像的合成，把它們輸入顯示器對應的三端時，會在屏幕上生成一幅人類可視的多彩圖像。其合成的三幅圖像分別稱作紅色、綠色、藍色分量圖像，每個分量的數據類型又是判斷三色分量值大小唯一的依據。本實驗所采用的圖像是unit8類的，其灰度值為0～255。同時用來表示這些分量圖像像素值的比特數決定了一幅圖RGB圖像的比特深度，所以本實驗的RGB圖像的比特深度為24。因此，本實驗的計算量非常大，傳統(tǒng)的串行計算模式難以滿足對速度的要求，為了提高計算效率，采用了GPU加速。

1.3.2GPU加速實現過程

在本實驗中，為針對每個參考點的計算分配了一個線程，以發(fā)揮GPU優(yōu)勢。一個線程塊分配了1 024個線程，大于192個線程，這樣就可以在寄存器和共享內存內存取數據，1個時鐘周期的延遲也可以忽略掉了。無論CPU還是GPU在計算的時候主要是存取數據耗時，對于GPU而言，若一個線程塊有192個線程，正好可以在32個線程從啟動到結束的時候，其他5組32個線程會有一組準備好數據，這樣就可以無延時的進行計算，從而最大程度上利用了硬件資源。根據實驗選取DSA圖像的大小正好分配1 024個線程塊，這樣一個SM(Streaming Multiprocessor)上能夠運行多個線程塊，又線程數目大于了192個，這樣延遲被忽略掉，從而最大程度上利用共享內存。參考點與線程對應圖如圖4所示。

實驗時，首先將數據傳輸到GPU中。然后再將一個SM里需要計算的線程的數據放進共享內存中，共享內存再將運行線程直接使用的數據放進寄存器里面，來提高計算速度，最大程度挖掘GPU硬件性能。GPU端計算完畢后，再將計算結果傳回到CPU端，這樣就實現了GPU處理帶噪聲的DSA圖像。其實現過程圖如圖5所示。

2實驗結果

2.1實驗環(huán)境

硬件方面，本文選用英特爾公司出品的專門面向服務器和工作站的高端處理器Xeon E5-2680，同時，為了更好地使實驗效果對比明顯，在原有的顯卡NVIDIA Quadro K5200的基礎上再加一塊NVIDIA Tesla K40c。

圖4　參考點與線程的對應圖

圖5　GPU實現過程

軟件方面，系統(tǒng)選擇64位的Windows 7專業(yè)版，CUDA平臺選擇Visual Studio 2013 + CUDA 7.0這樣較新的組合搭配。環(huán)境的主要參數如表1。

表1實驗環(huán)境參數

環(huán)境參數電腦型號戴爾PrecisionTower7910Tower操作系統(tǒng)Windows7專業(yè)版64位SP1(DirectX11)軟件平臺VisualStudio2013+CUDA7.0MATLABR2014a處理器英特爾Xeon(至強)E5-2680v3@2.50GHz(X2)主板戴爾0215PR(英特爾Haswell-EDMI2)顯卡NVIDIAQuadroK5200(4Gbyte)加速卡NVIDIATeslaK40c(12Gbyte)內存192Gbyte(三星DDR42133MHz)主硬盤LSI(512Gbyte)(X4)

2.2去噪效果

由于本實驗在數據選取時選擇的DSA圖像較大，通常圖像的細節(jié)是醫(yī)生診斷疾病的關鍵，故本文將放大圖像的細節(jié)來做對比。截取部分如圖6所示。

圖6　DSA圖像細節(jié)

實驗分別引進了兩組高斯噪聲(m=0，σ2=0.05和σ2=0.03)、一組泊松噪聲、一組斑點噪聲(σ2=0.2)、一組椒鹽噪聲(d=0.03，d代表噪聲密度)。其5組實驗結果如圖7所示。

從實驗結果來看：KNN算法對選取的兩組帶高斯噪聲的DSA圖像具有較好去除效果，對泊松噪聲在細節(jié)方面去噪較好，對斑點噪聲幾乎無任何功效，對椒鹽噪聲也有一定的噪聲消除成效。

2.3加速效果

實驗在對KNN去噪算法用CUDA實現后，做了一個對比實驗，以展示算法用GPU運算的優(yōu)勢。實驗分別選取了5位病人的DSA圖像，每位病人選取2張，共10張，以準確測算去噪速度。GPU和CPU對比實驗數據如表2所示。

從5個病人的10組對比實驗結果來看，GPU的處理速度明顯高于CPU的處理速度。其中，用GPU計算平均渲染幀率為190.53 f/s(幀/秒)，用CPU計算平均渲染幀率為2.69 f/s(幀/秒)，平均加速比為70.83，即應用本文的GPU加速策略可以將計算速度提高70倍以上。因此，應用本文的方法通過GPU的處理速度可以滿足醫(yī)學成像對實時性的要求，實現醫(yī)生對病人的實時監(jiān)測診斷。

e　椒鹽噪聲去噪前后圖7　5組DSA圖像去噪結果

比較項圖像1圖像2圖像3圖像4圖像5圖像編號se003se004se028se040se019se021se011se016se006se009圖像規(guī)格1024×1024GPU渲染幀率/(f·s-1)190.9190.8190.6189.7190.6190.3190.4190.7190.8190.5CPU渲染幀率/(f·s-1)2.72.62.72.72.82.72.72.72.62.7加速比70.7073.3870.5970.2668.0770.4870.5270.6373.3870.56

3結論

DSA圖像在采集過程中不可以避免地會引入一些噪聲，為解決此問題，本實驗應用了KNN算法來進行去噪。但由于DSA圖像數據量大、計算密集，又考慮到實際情況，去噪的實時性也要好，即使對KNN算法進行改進仍很難滿足這些要求。于是可以將解決的重點放在處理速度上，考慮到KNN算法的特點，可并行程度較高，使用CUDA編寫可在GPU上運行的程序，用GPU處理后，效果較為理想。

參考文獻：

[1]AI D， YANG J， FAN J， et al. Denoising filters evaluation for magnetic resonance images [J]. Optik-international journal for light and electron optics，2015(23)：3844-3850.

[2]SINGH C， AGGARWAL A. An efficient approach for image sequence denoising using Zernike moments-based nonlocal means approach[J]. Computers & electrical engineering，2015(11)：56-60.

[3]IFTIKHAR M A，JALIL A，RATHORE S，et al. An extended non-local means algorithm： application to brain MRI[J]. International journal of imaging systems and technology，2014(24)：293-305.

[4]KUANG Y，ZHANG L，ZHANG Y. An adaptive rank-sparsity K-SVD algorithm for image sequence denoising[J]. Pattern recognition letters，2014(45)：16-54.

[5]BUADES A，COLL B，MOREL J M. A review of image denoising algorithms，with a new one [J]. Multiscale model simul，2005，4(2)：490-530.

[6]BUADES A，COLL B，MOREL J M. Nonlocal image and movie denoising [J]. International journal of computer vision， 2008，76(2)：123-139.

[7]DELEDALLE C，DENIS L，TUPIN F. Iterative weighted maximum likelihood denoising with probabilistic patch based weights[J]. IEEE transactions on image processing，2009，18(12)：2661-2672.

[8]COUPE P，HELLIER P，KERVRANN C，et al. Nonlocal means-based speckle filtering for ultrasound Images [J].IEEE transactions on image processing，2009，18(10)：2221-2229.

[9]GUO Y，WANG Y，HOU T. Speckle filtering of ultrasonic images using a modified non local-based algorithm [J]. Biomedical signal processing and control，2011(6)：129-138.

[10]DOWSON N， SALVADO O. Hashed nonlocal means for rapid image filtering [J].IEEE transactions on pattern analysis and machine intelligence，2011，33(3)：485-499.

[11]DARBON J，CUNHA A，CHAN T F，et al. Fast nonlocal filtering applied to electron cryomicroscopy[C]//Proc. IEEE International Symposium on Biomedical Imaging： From Nano to Macro， 2008. [S.l.]：IEEE， 2008： 1331-1334.

[12]ORCHARD J，EBRAHIMI M，WONG A. Faster nonlocal-means image denoising using the FFT[J]. IEEE transactions on image processing，2008(6)：45-49.

[13]LIU Y L，WANG J， CHEN X，et al. A robust and fast non-local means algorithm for image denoising [J]. Journal of computer science and technology， 2008，23(2)：270-279.

[14]WANG Z M，ZHANG L. An adaptive fast nonlocal image

denoising algorithm[J]. Journal of image and graphics，2009，14(4)：669-675.

[15]CHEN Y，HAN C. Adaptive wave let threshold for image denoising[J]. Electronics letters，2005，41(10)： 586-587.

[16]DONOHO D L. Denoising by soft-thresholding [J]. IEEE transactions on information theory，1995，41(3)： 613-627.

[17]CHANG S G，YU B，VETTERLI M. Adaptive wave let thresholding for image denoising and compression[J]. IEEE transactions on image processing，2000，9(9)： 1532-1546.

[18]ZHANG J，WANG C，CHENG Y. Despeckling for medical ultrasound images based on wavelet and bilateral filter [J]. Journal of image and graphics，2014，19(1)：126-132.

[19]WOLFGANG W，SHELBY B，ALI K，et al. Automatic CT-ultrasound registration for diagnostic imaging and image-guided intervention[J]. Medical image analysis，2008(12)：577-585.

[20]FU B，LI W W，FU Y P. An image topic model for image denoising. [J]. Neurocomputing，2015(169)：119-123.

[21]HE N，WANGA J B，ZHANG L L，et al. An improved fractional-order differentiation model for image denoising. [J]. Signal processing，2015(112)：180-188.

責任編輯：時雯

DSA image denoising based on KNN and rapid implementation of GPU

WANG Guanglei，PEI Chenhui，YUAN Hao，WANG Bin，LIU Xiuling

(KeyLaboratoryofDigitalMedicalEngineeringofHebeiProvince，CollegeofElectronicandInformationEngineering，HebeiUniversity，HebeiBaoding071002，China)

Abstract:The purpose of this paper is to efficiently reduce or eliminate the noise of DSA (Digital Subtraction Angiography) image and comparatively evaluate the efficiency of noise reduction of including Gaussian noise， Poisson noise， Speckle noise and Salt and Pepper noise based on KNN (K Nearest Neighbors) algorithm. The results can be used to provide high quality image to doctors for quick and accurate disease diagnosis for the patient. The main contribution of the proposed paper constructs an acceleration structure using GPU， which can dramatically reduce the time cost of the traditional image denoising algorithm. The process modeling of image quality and image reconstruction is supplemented in KNN algorithm to reduce or eliminate the four kinds of noises. Additionally， the parallel processing based on GPU (Graphics Processing Unit) is executed to accelerate the denoising procedure. The experiments prove that Gaussian noise， Poisson noise can be removed or reduced effectively to reconstruct DSA image by KNN algorithm. The developed programming codes using CUDA (Compute Unified Device Architecture) works well in GPU to realize the average rendering frame rate 190.53 f/s for denoising of 1 024×1 024 DSA image with 24 bit depth. Compare with the traditional CPU (Central Processing Unit) serial， the average processing speed rate is increased by 70.86 times. Using GPU acceleration can quickly process DSA noise image with large amount of data and intensive computational mission. The results can provide accurate and fast diagnosis to doctors with the efficient Gaussian noise reduction.

Key words:DSA；KNN；GPU；CUDA；image denoising

中圖分類號：TN911.73

文獻標志碼:A

DOI：10.16280/j.videoe.2016.06.003

基金項目：國家自然科學基金項目(61473112;61203160);河北省教育廳項目(QN2014166)；河北省自然科學項目(F2015201196)

收稿日期：2015-12-10

文獻引用格式：王光磊，裴晨輝，苑昊，等.基于KNN的DSA圖像去噪及GPU的快速實現[J].電視技術，2016，40(6)：10-16.

WANG G L，PEI C H，YUAN H, et al.DSA image denoising based on KNN and rapid implementation of GPU[J].Video engineering，2016,40(6)：10-16.