图片在成像的过程中会受到噪声的污染,严重影响了图片的质量。本文课题产生的背景源于雪糕板视觉检测系统采集图像受到噪声污染,使得检测系统以后的检测步骤无法有效地执行,需要对采集的图像进行滤波处理。本文采用的滤波方法为邻域滤波,邻域滤波分为两种:一种为线性邻域滤波,另一种为非线性邻域滤波。因为滤波算法对整幅图像像素进行操作,导致算法的执行效率低,引入GPU加速图像的邻域滤波算法概念,其目的在于有效地加速邻域滤波算法的运行速度,使得算法能够简洁高效地执行。Open CV GPU模块对于线性邻域滤波的三种算法—方框滤波、均值滤波和高斯滤波的GPU算法加速,相比较Open CV CPU运行这三种线性邻域滤波算法的执行效率,GPU表现的更为高效和快捷,尤其适用于大量循环处理的模板卷积等基础计算。与线性邻域滤波不同的是,非线性邻域滤波具有很强的保边去噪性,而且提高了图像的分辨率,但是Open CV GPU模块对于非线性邻域滤波算法方面涉及很少,使得非线性邻域滤波在GPU加速方面应用的不是十分广泛。为了使非线性邻域滤波能够更好地适应GPU加速,本论文设计了两种方案来对非线性邻域滤波中的双边滤波算法进行GPU加速,一种是基于CUDA平台下的加速方案,另一种是Open CV+CUDA结合编程的加速方案。在实现算法的基础上,比较其异同,分析其相对应的特性和实现过程中的关键点,得出一个较好的双边滤波GPU加速方案。通过对双边滤波算法GPU加速的研究,可以知道以上的两种方案在图像处理效果和执行效率上基本一致,但在编程的结构方面,Open CV+CUDA结合编程方案比单纯的在CUDA平台上编程要容易和快捷,而且能够高效便捷地完成双边滤波算法的GPU加速。本文最后将Open CV+CUDA结合编程有效的应用到了雪糕板视觉检测系统当中,有效地提高了检测系统的运行速度,充分体现了图像处理并行加速的研究意义,具有很强的实用价值。而实验方法由于具有通用性,可被广泛应用到其他各种与图像处理相关的领域中,从而促进更多产业的发展。