在数字图像处理的应用领域中,经常需要对图像目标进行提取识别,如人脸识别、文字识别、指纹识别、车牌识别、基于内容的图像检索等,图像分割则是图像识别预处理阶段至关重要的步骤。图像阈值分割是最常见的图像分割处理方法。传统的图像阈值分割算法是利用图像的灰度特征,通过自适应选择的最优分割阈值来实现图像分割。其中,最大类间方差法(Otsu)与物体和背景的像素分布模型无关,整体分割效果较好,广泛用于天文、军事、道路交通、医学图像及刑事侦破等领域。然而在机场安检,车牌识别,军事侦察,医学诊断等实时性要求高和图像处理操作数据量大的领域,Otsu图像阈值分割算法计算速度还达不到实时性要求。针对这个问题,有学者利用模糊集和灰度直方图相似性来缩短Otsu阈值的查找时间,也有学者利用竞选算法来优化Otsu法搜索图像的全局阈值,虽然这些改进Otsu图像阈值分割算法,取得了一定的加速效果,可是由于还是CPU中的串行计算方法,加速效果有限。为了解决上述问题,本文通过研究Otsu图像阈值分割算法和GPU的并行计算框架编程,提出一种基于GPU加速的Otsu图像阈值分割算法。该方法针对Otsu图像阈值分割算法在CPU中串行方法实现速度较慢,数据运算量大,或者采取折衷的求次优阈值算法等问题,利用GPU并行框架结构和向量并行计算能力,将CPU中串行的Otsu图像阈值分割算法运算过程转化为GPU中的并行处理纹理渲染过程,不但去除了Otsu图像阈值分割算法在CPU和GPU中数据多次传递的延时问题,而且相对Otsu图像阈值分割算法在CPU的处理步骤,GPU中减少了渲染处理步骤,使Otsu图像阈值分割算法在GPU中并行实现,数据运算速度加快。同时,保留了Otsu算法阈值的最优解。本文的创新点是将CPU中算法的串行思路转变到GPU中算法的并行思路,在考虑了Otsu图像阈值分割算法满足可并行化的条件,充分利用GPU中纹理的RBGA四个通道,分别存储所需要的并行数据,并且一遍渲染操作就完成了所有数据的运算,节省了大量的时间。实验结果表明:在普通PC机上对1600×1200像素大小图像的阈值分割,符合机场安检、车牌识别、医学诊断等领域的实时要求。同时,GPU中Otsu图像阈值分割的工作为其它图像分割方法在GPU中实现,提供了一种可行的途径。