[发明专利]基于OpenCL标准的快速全变分图像去噪方法

说明书

技术领域

本发明涉及图像处理技术领域，特别涉及一种全变分图像去噪方法，可用于高分辨率数字图像的实时空间域滤波。

背景技术

日常生活中，人们通过对图像的感知来获取有用的信息。然而，图像在获取、传输以及保存过程中不可避免的会受到噪声污染，这些噪声往往会影响人们对图像的感知，甚至无法获取想要的信息。为了能够清楚的表达图像信息，图像去噪成为图像处理领域研究的重要课题之一。

在图像去噪方法中，高斯滤波、中值滤波和均值滤波等都是根据图像和噪声信息进行各向同性扩散，这类图像去噪方法在图像平滑处去噪效果较好，耗时少，但会模糊图像的边缘信息，对图像边缘信息要求高的场合无法满足要求。

全变分方法引入了偏微分方程的各向异性扩散方程用于图像去噪，有效平滑了噪声，该方法由于对任意像素仅沿切线方向扩散，所以保护了图像的边缘信息，但同时也增加了耗时。

何坤等在电子科技大学学报，2016，45(3)上发表了“改进全变分的图像去噪”的论文，文中提出了一种将各向同性和各向异性扩散相结合的方法来加速算法的执行速度，该方法继承了传统全变分的优点，保护了边缘，降低了系统运行时间。但是，该方法仍然无法满足实时性的要求。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提供一种基于OpenCL标准的快速全变分图像去噪方法，以减小耗时，满足实时性的要求。

本发明的技术方案是这样完成的：

一.技术原理

OpenCL(Open Computing Language)是第一个面向异构系统通用目的并行编程的标准，也是一个统一的编程环境，在异构架构下，主机完成任务的调度与分配，而加速设备完成数据密集型的计算任务。利用OpenCL标准对图像算法进行加速的过程中，并行粒度的选择和数据的访存策略将直接影响到算法的加速效果。因此，利用OpenCL标准对图像算法进行加速时需要对并行粒度进行合理选择，以及对数据访存策略进行优化。主流的异构架构为CPU+GPU异构架构，与传统单一架构相比，异构架构能够更好的实现高性能并行计算，在深度学习、大数据和科学计算等领域有广阔的前景。此外，GPU相比于CPU有更大的数据吞吐量和更强的浮点计算能力，特别适合并行计算。全变分去噪方法具有高度的并行性和较大的数据吞吐量，可以利用CPU+GPU的异构架构加速算法的执行速度。

本发明是在OpenCL标准下，通过对全变分图像去噪方法循环迭代过程中的数据访存策略进行优化和对粒度进行合适选择，完成了全变分图像去噪方法在异构架构下的并行加速。

二.技术方案

根据上述原理，本发明的实现方案包括如下：

(1)将原始图像数据读入到主机内存中，再将其传递到GPU的全局内存中；

(2)将GPU的全局内存数据读入到GPU的私有内存中，并分块读入到GPU的局部内存中；

(3)初始化最大迭代次数N＝50、空间步长λ＝1、时间步长Δt＝0.25和扩散项W＝0；

(4)将当前迭代次数下GPU局部内存中的图像数据读入到GPU私有内存中，分别计算当前第n次迭代下图像fⁿ的一阶和二阶梯度，包括：关于x方向的一阶梯度关于y方向的一阶梯度关于x方向的二阶梯度关于y方向的二阶梯度和先关于x方向后关于y方向的二阶梯度

(5)由步骤(4)得到的梯度计算出第n次迭代下的扩散项Wⁿ；

(6)根据第n次迭代下的扩散项Wⁿ和图像数据的值fⁿ、GPU私有内存中原始图像数据的值f⁰、空间步长λ和时间步长Δt计算第n+1次迭代的图像数据的值fⁿ⁺¹，并将该值传回GPU的局部内存，覆盖第n次迭代下的图像数据的值fⁿ；

(7)判断迭代次数是否小于最大迭代次数N，如果迭代次数小于最大迭代次数，则重复步骤(4)-步骤(6)；否则，将GPU局部内存的图像数据传回到GPU的全局内存，迭代结束，执行(8)；

(8)将GPU的全局内存中的图像数据传回到主机内存中。

本发明与现有技术相比，具有以下优点：