霍迎秋 陈春荣 王雨菲 尹加

摘 要： 针对图像去噪算法中由于数据量大、计算复杂度高导致的实时性低的问题，通过对经典K?SVD图像去噪算法的并行性进行研究分析，设计基于CUDA架构的并行K?SVD图像去噪算法。该算法主要对去噪算法中矩阵拉伸、快速OMP和SVD等部分进行并行设计，采用“共享内存”“归并求和”等策略进行优化。实验结果表明，基于CUDA架构的并行算法比串行算法速度有了显著提高，最高加速比为12倍，极大提高了图像去噪算法的处理速度。

关键词： CUDA； 图像去噪； K?SVD； 图形处理器； 并行优化； 矩阵拉伸

中图分类号： TN911.73?34； TP311 文献标识码： A 文章编号： 1004?373X（2018）22?0053?06

Abstract： In allusion to the low real?time performance caused by mass data quantity and high calculation complexity in the image denoising algorithm， a parallel K?SVD image denoising algorithm based on computer unified device architecture （CUDA） is designed by means of parallelism research analysis of the typical K?SVD image denoising algorithm. In the algorithm， the parallel design of matrix stretching， fast OMP， SVD and other parts in the denoising algorithm is conducted. Strategies like memory sharing and summation by merging are adopted for optimization. The experimental results show that the parallel algorithm based on CUDA has a significant higher speed than the serial algorithm and a speed?up ratio as high as 12， which greatly improves the processing speed of the image denoising algorithm.

Keywords： CUDA； image denoising； K?SVD； graphic processing unit； parallel optimization； matrix stretching

图像处理技术被广泛应用于航空航天[1?3]、CT装置[4?5]、工业工程[6]等多个方面。其中，图像去噪算法能够去除在图像的生成、传输和存储过程中产生的噪声，提高图像的质量。目前主要的图像去噪算法有中值滤波[7]、维纳滤波[8?9]等经典方法。

本文主要研究基于K?SVD[10]（K?Singular Value Decomposition）的图像去噪算法。K?SVD是一种字典学习法[11]，基于K?SVD的图像去噪方法能够有效抑制加性高斯白噪声，在对纹理图像处理中優势明显[12]。但是这种算法计算复杂度高，计算量大，导致算法的实时性较低，难以满足工程中高实时性的实际要求。

图形处理器（Graphic Processing Unit，GPU）的通用计算能力正在高速发展中，极大地提高了计算机图形处理的速度和质量[13]。基于GPU设计并行算法成为近年来研究的热点[14?16]。本文通过利用GPU并行计算能力，提出一种基于CUDA（Computer Unified Device Architecture）架构的并行K?SVD图像去噪算法。使其能够大大降低算法所需时间，提高运行速度，因此在实际工程中具有重要的应用意义。……