局部自适应非局部均值算法：序列图像超分辨率重建与GPU加速

"该文是2016年的一篇工程技术论文，主要研究序列图像的非局部均值（Non-local Means, NLM）超分辨率重建算法，并提出了一个局部参数自适应改进方法，解决了NLM算法在边缘区域过平滑的问题。论文还探讨了算法在GPU上的实现，通过并行计算大大提高了计算速度。该研究受到国家自然科学基金和航天恒星科技有限公司的资助，由李瑶、孙涛、黄驰等人完成。" 在序列图像的超分辨率重建领域，非局部均值(NLM)算法是一种广泛使用的去噪和重建技术。该算法基于图像像素间的相似性，通过比较像素块之间的相似度来计算像素的重建值，从而在一定程度上保留了图像的高频细节。然而，NLM算法的一个常见问题是，在处理图像边缘区域时可能会导致过度平滑，损失图像的边缘锐利度和细节。 为了解决这一问题，论文提出了一种局部参数自适应的改进策略。具体来说，将图像分割成多个子块，并针对每个子块计算其对应的滤波参数。这种做法考虑了图像局部区域的特性，避免了在整个图像上应用单一滤波参数可能导致的高频信息丢失。实验结果显示，与标准NLM算法相比，改进后的算法在重建图像时能够得到更清晰的边缘和更高的字符辨识度。 在算法实现方面，研究人员将图像重构程序部署在CPU和GPU平台上。利用GPU的并行计算能力，实现了对NLM算法的加速，加速比最高可达30倍，这极大地减少了计算时间，提高了算法的实际应用潜力。这样的并行化实现对于处理大规模、高分辨率的图像尤其重要，因为它可以显著降低计算延迟，使得超分辨率重建过程更加高效。 关键词包括：序列图像、超分辨率重建、非局部均值和并行计算。这些关键词反映了研究的核心内容，即如何通过优化NLM算法并在GPU上实现并行化来提升序列图像的超分辨率重建效果。文章的中图分类号和文献标志码则标识了它属于计算机科学与技术的范畴，特别是与图像处理和并行计算相关的研究。doi号则提供了该论文的在线可访问性。