| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 NLM图像去噪算法研究现状 | 第11-12页 |
| 1.2.1 算法设计加速 | 第11-12页 |
| 1.2.2 工程实现加速 | 第12页 |
| 1.3 本文的组织结构 | 第12-14页 |
| 2 原始的NLM图像去噪算法 | 第14-19页 |
| 2.1 图像噪声分类与特点 | 第14-16页 |
| 2.1.1 高斯噪声 | 第14-15页 |
| 2.1.2 椒盐噪声 | 第15页 |
| 2.1.3 斑点噪声 | 第15-16页 |
| 2.2 图像噪声模型 | 第16-17页 |
| 2.3 NLM图像去噪算法 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 改进的NLM图像去噪算法 | 第19-30页 |
| 3.1 NLM图像去噪算法算法设计加速 | 第19-23页 |
| 3.1.1 权重对称性优化 | 第19-20页 |
| 3.1.2 基于自适应下采样的NLM图像去噪算法 | 第20-23页 |
| 3.2 NLM图像去噪算法GPU加速 | 第23-26页 |
| 3.2.1 移动GPU的特点与架构 | 第23-25页 |
| 3.2.2 并行策略方法 | 第25-26页 |
| 3.3 NLM图像去噪算法GPU并行实现方法 | 第26-29页 |
| 3.3.1 并行策略 1：测试图像中像素分块并行计算 | 第26-28页 |
| 3.3.2 并行策略 2：测试图像中抽样到像素点并行计算 | 第28-29页 |
| 3.4 本章小节 | 第29-30页 |
| 4 实验与分析 | 第30-47页 |
| 4.1 确定近似最优的搜索窗口大小和相似窗口大小 | 第31-34页 |
| 4.2 确定自适应下采样步长大小 | 第34-39页 |
| 4.2.1 图像滤波时间分析 | 第34-35页 |
| 4.2.2 图像去噪效果PSNR分析 | 第35-37页 |
| 4.2.3 测试图像视觉效果分析 | 第37-39页 |
| 4.3 自适应下采样的NLM图像去噪算法实验与分析 | 第39-40页 |
| 4.4 GPU多核并行计算实验与分析 | 第40-45页 |
| 4.4.1 并行策略 1：测试图像中像素分块并行计算 | 第40-44页 |
| 4.4.2 并行策略 2：测试图像中抽样到的像素点并行计算 | 第44-45页 |
| 4.5 实验结论 | 第45-46页 |
| 4.5.1 原始算法与加速算法的去噪性能对比 | 第45页 |
| 4.5.2 原始算法与加速算法的去噪处理时间对比 | 第45-46页 |
| 4.6 本章小节 | 第46-47页 |
| 5 结论与展望 | 第47-49页 |
| 5.1 结论 | 第47页 |
| 5.2 工作展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第54页 |
