| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-13页 |
| ·研究背景 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文研究内容 | 第11-12页 |
| ·本文组织结构 | 第12-13页 |
| 2 相关基础知识 | 第13-23页 |
| ·传统图像去噪方法介绍 | 第13-15页 |
| ·稀疏表示方法图像去噪 | 第15-17页 |
| ·稀疏表示基本概念 | 第15页 |
| ·稀疏表示理论基础 | 第15-17页 |
| ·稀疏分解方法 | 第17页 |
| ·CUDA 并行技术 | 第17-23页 |
| ·GPU 发展与CUDA 的产生 | 第17-18页 |
| ·GPU 在通用计算的优势及处理器发展趋势 | 第18页 |
| ·CUDA 概况 | 第18-19页 |
| ·CUDA 硬件架构和软件环境 | 第19-20页 |
| ·CUDA 的编程模型 | 第20-22页 |
| ·CUDA 的应用领域 | 第22页 |
| ·CUDA 应用举例：实时的裸眼立体医疗成像系统 | 第22-23页 |
| 3 稀疏表示去噪算法的 CUDA 并行改进 | 第23-46页 |
| ·图像稀疏模型 | 第23-25页 |
| ·小块图像的稀疏模型 | 第23-24页 |
| ·整个图像的稀疏模型 | 第24页 |
| ·模型的数字求解 | 第24-25页 |
| ·字典的来源 | 第25-28页 |
| ·DCT 字典来源 | 第25-26页 |
| ·训练字典来源 | 第26-27页 |
| ·自适应字典来源 | 第27-28页 |
| ·图像稀疏去噪算法描述 | 第28-34页 |
| ·算法步骤 | 第28-30页 |
| ·算法代码 | 第30-32页 |
| ·图像质量评价标准 | 第32页 |
| ·稀疏去噪算法实验效果 | 第32-34页 |
| ·稀疏去噪算法的并行改进 | 第34-41页 |
| ·并行改进可行性分析 | 第34-35页 |
| ·并行改进原理 | 第35-37页 |
| ·并行改进实现 | 第37-41页 |
| ·并行改进实验效果 | 第41-44页 |
| ·实验的硬件与软件环境 | 第41-42页 |
| ·噪声图像的产生 | 第42页 |
| ·对不同图像，分辨率为512*512， Sigma=25 的条件下并行改进实验结果 | 第42-43页 |
| ·对于标准图像库Lena 在不同分辨率下的并行改进实验效果，Sigma=25 | 第43-44页 |
| ·实验效果分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 4 图像稀疏去噪算法并行改进软件的设计与实现 | 第46-63页 |
| ·功能描述 | 第46-47页 |
| ·含噪图像输入功能 | 第46页 |
| ·图像去噪功能 | 第46页 |
| ·参数配置功能 | 第46页 |
| ·选择训练字典功能 | 第46页 |
| ·图像放大功能 | 第46页 |
| ·图像缩小功能 | 第46页 |
| ·查看上一次去噪结果 | 第46-47页 |
| ·用例图 | 第47页 |
| ·类设计 | 第47-50页 |
| ·Image 类 | 第48页 |
| ·DeNoisedResult 类 | 第48-49页 |
| ·ImageDenoise 类 | 第49页 |
| ·DCTImageD 类 | 第49页 |
| ·TrainImageD 类 | 第49页 |
| ·AdaptiveImageD 类 | 第49页 |
| ·CUDADCTImageD 类 | 第49页 |
| ·CUDATrainImageD 类 | 第49页 |
| ·CUDAAdaptiveImageD 类 | 第49页 |
| ·MainWindow 类 | 第49-50页 |
| ·功能流程设计 | 第50-55页 |
| ·打开干净图像功能 | 第50-51页 |
| ·打开含噪图像功能 | 第51-52页 |
| ·图像去噪功能 | 第52-53页 |
| ·图像放大与缩小功能 | 第53-54页 |
| ·图像加噪功能 | 第54-55页 |
| ·软件实现 | 第55-62页 |
| ·界面实现 | 第55-57页 |
| ·软件功能实现与部分关键代码 | 第57-62页 |
| ·本章小结 | 第62-63页 |
| 5 结论与展望 | 第63-65页 |
| ·结论 | 第63页 |
| ·展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69页 |