劉小豫, 李紅(咸陽師范學院 圖像處理研究所,咸陽 7000)

基于GPU并行計算的圖像去噪研究

劉小豫1, 李紅2
(咸陽師范學院 圖像處理研究所,咸陽 712000)

為更好保留經(jīng)圖像去噪后的特征信息，提高圖像去噪計算速率，結(jié)合非局部均值算法的原理，提出了一種基于GPU并行計算的圖像去噪方法。為了更好的保存去噪后的圖像信息，采用歐氏距離與鄰域相關(guān)系數(shù)結(jié)合方法，對鄰域間相似性進行衡量；為提高算法執(zhí)行速率，將圖像復制到GPU內(nèi)存，將計算結(jié)果復制到主機，從而節(jié)約主機開銷。對添加不同噪聲水平的噪聲圖像進行測試，結(jié)果表明，提出的算法在圖像相干斑抑制和計算速率方面都有明顯的優(yōu)勢。

圖像去噪； 鄰域相關(guān)系數(shù)； 高斯噪聲； 并行計算； 非局部均值

0 引言

圖像作為人們傳遞信息的重要載體，在生活中扮演著日益重要的角色，特別是計算機視覺技術(shù)、圖像處理技術(shù)等更是深入到人們?nèi)粘Ｉ铑I(lǐng)域。而圖像去噪作為圖像處理的基礎環(huán)節(jié)，其處理質(zhì)量將直接決定后續(xù)工作的好壞，如邊緣檢測、跟蹤識別、邊緣檢測等。因此，圖像去噪通常被看成是圖像處理領(lǐng)域中的重要工作，并對其進行了大量基礎性的研究。如當前應用比較廣泛的非局部均值濾波方法(non-local means，NLM)，該方法是由Buades等在2005年的時候提出的，主要用于去除圖像中存在的白噪聲。該方法的原理是利用圖像領(lǐng)域間存在的自相似性構(gòu)造權(quán)重，進而恢復原始圖像。通過實驗結(jié)果證明，該方法與傳統(tǒng)的均值濾波算法、雙邊濾波等相比，具有明顯的優(yōu)勢。但隨著非局部均值算法的應用，其缺點也逐步暴露出來，如計算效率慢、圖像結(jié)構(gòu)失真，不利于后續(xù)的圖像處理工作。為提高計算效率，文獻[1]提出一種減少搜索區(qū)域的方法；文獻[2]則提出降低圖像的維度，將d維圖像塊投影到一個低維的空間之中，從而減少權(quán)重計算的復雜度；文獻[3、4]則提出對圖像數(shù)據(jù)結(jié)構(gòu)進行優(yōu)化，從而提高檢索的效率；文獻[5]則提出利用像素點權(quán)值計算的對稱性原理，從而減少對權(quán)重的計算量，提高計算速率。在上述研究的基礎上，本文則提出一種基于GPU并行計算的圖像方法，在引入領(lǐng)域相關(guān)系數(shù)后，借助GPU并行計算優(yōu)勢對算法進行設計。

1 噪聲模型

在對圖像進行傳輸過程中，不可避免的會在圖像中引入噪聲。針對圖像噪聲和圖像信號是否相關(guān)的問題，研究中通常將圖像噪聲分為乘性噪聲和加性噪聲，同時大多數(shù)的情況下認為噪聲和信號不相關(guān)。因此，將噪聲模型定義為式(1)。

v(i)=x(i)+f(i)

(1)

2 非局部均值圖像去噪算法

給定1幅含噪聲圖像v={v(i),i∈I}，其中I表示為圖像域，對圖像中的任意一個像素點i都可以通過非局部均值濾波算法進行去噪，并對所有像素點的加權(quán)平均替換噪聲像素，從而達到降噪的目的。具體計算為式(2)。

(2)

其中，w(i,j)表示權(quán)重，主要依賴于像素i和像素j的相似性，同時滿足0≤w(i,j)≤1，以及∑jw(i,j)=1。而像素i和像素j是由灰度矩陣Ni和Nj決定，其中Ni表示以像素i為中心的圖像區(qū)域，而Nj則表示以像素j為代表的圖像區(qū)域，根據(jù)歐氏距離公式，可以求解得到兩個像素點的相似度為式(3)。

(3)

其中，β表示大于零的高斯核標準差。

而根據(jù)上述的相似度距離公式可以看出，當鄰域間灰度值矩陣越相似，那么其對應的像素點在加權(quán)平均當中所占的權(quán)重也就越大。由此則有權(quán)重計算為式(4)。

(4)

其中，h表示控制濾波程度系數(shù)，主要控制衰減速度。

3 非局部均值算法的改進

根據(jù)非局部均值算法的原理，通過高斯加權(quán)的歐氏距離公式可很好的度量不同像素點鄰域間的相似性。但文獻[6]通過仿真比較發(fā)現(xiàn)，當圖像中的噪聲過大的時候，對于圖像中包含的信息豐富區(qū)域，很容易出現(xiàn)相似度低的鄰域因為歐氏距離加大而被賦予較重的權(quán)值的問題。因此，這種問題很容易抑制不了相干斑問題，并達不到對細節(jié)信息保留的目的，最終出現(xiàn)信息豐富區(qū)域的信息失真。對此，圍解決該問題，提出在傳統(tǒng)的非局部均值算法中引入鄰域間相關(guān)系數(shù)。具體定義如式(5)。

(5)

在為改進的非局部均值算法中，鄰域間的灰度矩陣是通過歐氏距離來衡量。當距離越小，說明其相似度也就越大。同時公式(5)中的CR(i,j)∈[-1,1]，而為了保證CR(i,j)與高斯加權(quán)距離公式的一致性[7]，將鄰域灰度矩陣間的相似參數(shù)定義為式(6)。

(6)

將相似參數(shù)與高斯加權(quán)歐氏距離結(jié)合，得到新的度量參數(shù)，并得到新的歐氏距離,求解為式(7)。

(7)

然后將式(7)帶入到式(2)中，對圖像進行去噪。

4 GPU并行方案設計

根據(jù)上述的改進算法可以看出，假設每計算一次權(quán)值和所耗費的時間復雜度為1，那么對于一幅圖的所有像素點來講，其權(quán)重的時間復雜度則為O(size×l×m)。而隨著圖像規(guī)模的不斷增加，其計算的時間復雜度也會成倍增加，這必然會減慢計算的效率。為提高計算的效率，引入GPU并行計算思想[8-10]。具體思路是將像素點權(quán)重的計算放到一個線程中，那么并行后的算法就是對圖像中像素點權(quán)重的計算同時操作，此時的時間復雜度為O(l×m)。具體技術(shù)方案為：將去噪圖像處理放到GPU設備之中，再通過運算后將結(jié)果復制給主機，具體流程,如圖1所示。

圖1 基于GPU的并行改進非局部均值去噪算法

5 算法驗證

為驗證上述算法的優(yōu)勢，分別選擇本算法與傳統(tǒng)的非局部均值算法進行去噪比較。參數(shù)設置為：相似窗和搜索窗都設置為：6×6，像素大小為：256×256。

軟件部分：

編程工具：viso studio 2012;運行平臺：CUDA SDK;

硬件部分：CPU：4×Dual-CoreAMD；內(nèi)存：32G；GPU：NVIDIA Quadro FX 4800；顯存：1.5GB DDR4

在Lena圖中加入高斯噪聲，其原圖和加入高斯噪聲圖分別為圖2和圖3所示。

圖2 原圖

圖3 加入噪聲圖

5.1 去噪效果對比

將傳統(tǒng)非局部均值算法和本文改進算法的去噪效果進行比較，可以得到對比效果圖,如圖4所示。

通過上述的效果圖可以看出，經(jīng)本文去噪后的圖像的視覺效果要好于傳統(tǒng)的算法，特別是在圖像紋理和細節(jié)方面。

5.2 去噪速率比較

通過對上述圖像的處理時間進行對比，可以得到的結(jié)果,如表1所示。

(a) NLM算法

(b) 本算法去噪效果

表1 不同算法處理時間

通過表1看出，本文改進的算法在去噪處理時間方面要遠遠小于傳統(tǒng)算法，并提高了30.28倍。同時在不同的噪聲標準差其處理的時間相同，由此可以說明改進算法在性能和處理效率方面都有很大的改善，滿足對圖像預處理的性能要求。

6 結(jié)束語

本文通過在傳統(tǒng)非局部均值算法的基礎上引入相關(guān)系數(shù)，并借助GPU并行計算的優(yōu)勢，對圖像像素點權(quán)重和灰度進行計算。最后通過添加高斯噪聲對圖像進行測試，驗證了本文提出的改進算法的優(yōu)勢，大大提高了計算效率，并減少了圖像結(jié)構(gòu)信息的丟失。

[1] Wang J H, Ge Y, Heuvelink G B M, et al. Spatial sampling design for estimating regional GPP with spatial heterogeneities[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(2): 539-543.

[2] van de Ville D, Kocher M. Nonlocal means with dimensionality reduction and SURE-based parameter selection[J]. IEEE Transactions on Image Processing, 2011, 20(9): 2683-2690.

[3] Fan B, Wang J T, Qin Y L, et al. Polar format algorithm based on fast Gaussian grid non-uniform fast fourier transform for spotlight synthetic aperture radar imaging[J]. Let Radar Sonar & Navigation, 2014, 8(5): 513-524.

[4] 王智文, 李紹滋. 基于多元統(tǒng)計模型的分形小波自適應圖像去噪[J]. 計算機學報, 2014, 37(6): 1380-1389.

[5] 周兵,韓媛媛,徐明亮,李煒,裴銀祥,呂培,周力為. 快速非局部均值圖像去噪算法[J]. 計算機輔助設計與圖形學學報,2016,8:1260-1268.

[6] 郭貝貝,易三莉,賀建峰,苗瑩,邵黨國. 改進的非局部均值濾波算法[J]. 計算機工程,2016,7:227-231.

[7] 單建華. 改進權(quán)值函數(shù)的非局部均值去噪算法[J]. 中國圖象圖形學報,2012,10:1227-1231.

[8] 董小社,劉超,王恩東,劉袁,張興軍. 面向GPU異構(gòu)并行系統(tǒng)的多任務流編程模型[J]. 計算機學報,2014,7:1638-1646.

[9] 高明,程相國,咸鶴群,王碩,陳亞萌. 移動端代替算法的并行優(yōu)化[J]. 青島大學學報(自然科學版),2016,3:53-58.

[10] 盧風順,宋君強,銀?？?張理論. CPU/GPU協(xié)同并行計算研究綜述[J]. 計算機科學,2011,3:5-9.

ResearchonImageDenoisingBasedonGPUParallelComputing

Liu Xiaoyu1, Li Hong2
(Institute of Image Processing, Xian Yang Normal College, Xianyang 712000, China)

In order to better preserve the image denoising feature information, improve the image denoising algorithm, combined with the principle of nonlocal means algorithm, an image denoising method based on GPU parallel computing is proposed. For better preservation of the denoised image information Euclidean distance and neighborhood correlation coefficient method are used to measure of similarity between fields. Secondly in order to improve the algorithm executing rate, the image is copied to the GPU memory, then the results will be copied to the host machine, thus the main overhead can be saved. Finally, the images with different noise levels are tested. The results show that the proposed algorithm has obvious advantages in image speckle reduction and computation speed.

Image denoising; Domain correlation coefficient; Gaussian noise; Parallel computation; Nonlocal mean

TP311

A

2017.01.02)

陜西省教育廳科學研究計劃項目(16JK1823)；咸陽師范學院專項科研基金項目(15XSYK044)

劉小豫(1978-)，女，興平人，講師，碩士；研究方向：圖像處理、信息系統(tǒng)開發(fā).

李紅(1976-)，女，咸陽人，副教授；研究方向：圖像處理與模式識別.

1007-757X(2017)10-0022-02