为快速地去除或减少DSA(图像的噪声,对比评价KNN(K Nearest Neighbors)算法对高斯噪声、泊松噪声、斑点噪声、椒盐噪声4种噪声去除或减少的效果,帮助医生快速准确地为病人诊断疾病。提出的算法主要贡献在于构建了基于GPU(Graphics Processing Unit)的加速方法,使传统图像去噪的运算速度得到大幅提升。基于图像降质、图像还原过程建模,使用KNN算法对4种噪声去除或减少,并对算法做并行化处理,利用GPU加速实现去噪的过程。通过实验得出,KNN算法能较好地去除或减少高斯噪声、泊松噪声来还原DSA图像,使编写可在GPU上运行的程序,利用GPU对1 024×1 024像素的24位深度的DSA图像去噪,平均渲染帧率能达到190.53 f/s(帧/秒),较传统CPU(Central Processing Unit)串行,平均处理速度提高70.86倍。使用GPU加速能够快速地处理数据量较大、计算密集的DSA噪声图像,实现有效并且快速的高斯噪声去除,帮助医生精、准、本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/GPU的快速实现-电动折弯机数控滚圆机滚弧机折弯机张家港滚圆机滚弧机折弯机快地诊断疾病n产生一幅退化后的图像g(x，y)g(x，y)=H［f(x，y)］+η(x，y)(1)给定函数g(x，y)和退化函数H以及加性噪声项函数η(x，y)，从而图像去噪的目的便成为了获得一个预知的原图像f^(x，y)。原则上GPU的快速实现-电动折弯机数控滚圆机滚弧机折弯机张家港滚圆机滚弧机折弯机，这种预知应尽可能地接近原图像，而且退化函数H、加性噪声项函数η(x，y)所含信息越丰富，f^的空间表示。空间域的卷积和频率的乘法组成了一个傅里叶变换对，所以可以用等价的频率域来写出前面的模型，如图1所示。图1降质—去噪处理模型假设H为线性、空间不变过程，便可以得到在空间域中表示的降质图像G(u，v式中:用大写字母表示空降质间域中相应项的傅里叶变换。由于线性、空间不变性，所以退化函数H可以由卷积来建模。在此次建模中，假设H是恒等算子，并只处理由噪声造成的退化。为了更好地观察KNN算法对DSA图像的去噪效果，分析算法的针对性、有效性、稳定性以及评价本算法对去噪的成效，故实验将人为针对性地引入高斯噪声、泊松噪声、斑点噪声、椒盐噪声4种噪声来实验。这些噪声都是空间噪声，其值是随机数，由概率密度函数p(z)或等价的积累分布函数F(z)表征，它们均由均值m和方差σ2决定。a，b均为常数。这4种噪声的各参数如下:1)高斯噪声概率密度函数p(z)=12槡πbe－(z－a)2/2b2，－∞＜z＜∞(4)积累分布函数F(z)=∫z－∞p(v)dv(5)均值和方差m=a，σ2=b2(6)2)泊松噪声概率密度函数p)积累分布函数F(z)=∫z0p(v)dv(8)均值和方差m=a，σ2=a(9)3)斑点噪声概率?GPU的快速实现-电动折弯机数控滚圆机滚弧机折弯机张家港滚圆机滚弧机折弯机本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/