论文部分内容阅读
合成孔径雷达（Synthetic Aperture Rader, SAR）图像分割是图像目标识别与解译技术的重要环节，一直是雷达信号处理领域的热点。由于SAR图像包含大量乘性斑点噪声，传统图像分割算法很难应用。鉴于三重马尔可夫随机场（TripletMarkov random Fields）模型自身的优点和SAR图像的统计特性，采用TMF模型对非平稳、非高斯图像进行建模。非高斯TMF图像分割算法在实际应用中效果十分理想，但是其算法复杂度过高，导致运行速度不能让人满意，这与SAR图像处理要求的实时性和高效性相悖。因此本文提出了一种基于图形处理器（GPU）高性能计算能力的并行化设计方法，将非高斯TMF分割算法部分并行化。由于传统GPU硬件架构的限制，很难有效利用其资源进行通用计算。而统一计算设备架构（CUDA）是NVIDIA公司伴随统一渲染架构推出的一种通用GPU编程模型，其编程性能更高，应用领域更广，能够更有效地应用GPU的高性能计算能力。本文通过利用CUDA将非高斯TMF图像分割算法并行化设计，有效地利用了CPU和GPU资源进行并行计算，通过GPU硬件加速，使其分割结果在保证有较高精确度同时又节省大量的执行时间。同时，为了提高程序的运行效率，本文对GPU的使用率进行测评，结合具体的硬件结构分析，对CUDA的代码进行优化并改善了其结构，进一步提升了非高斯TMF分割算法的性能。