生物组织的运动/位移估计的方法在超声弹性成像中扮演着举足轻重的角色,这使其成为弹性成像问题中的研究热点。其中归一化互相关(NCC)已被证明是最好的运动位移估计评价准则之一,然而其缺点也十分显著,算法的运算成本高,尤其当应用于二维或三维场景下时表现得十分明显。针对这一问题,许多专家学者都提出了自己的解决方案,其中一种基于和表的互相关算法,在不增加运动位移估计的误差的基础上降低了运算成本。本文在现有基于和表的互相关算法研究的基础上,进行了更加深入的研究,系统性地分析了在二维场景下传统互相关算法和基于和表的互相关算法在CPU串行和GPU并行条件下的性能表现。文中首先实现了传统互相关算法和基于和表互的相关算法在二维场景下的应用,并基于CUDA平台完成了传统二维互相关算法和基于和表的二维互相关算法的GPU并行化。然后通过计算机仿真试验对比了两种算法分别在CPU条件和GPU硬件加速条件下的计算效率和运动位移估计精度。结果显示,在超声弹性成像应用中完全的CPU计算情况下,基于和表的二维互相关算法相较于传统二维互相关算法可获得5倍的加速比,而在GPU的情况下,加速效果受互相关窗口大小和搜索范围影响较大,而在运动位移估计精度方面,两种算法均能得到高质量的横向和轴向位移图。最后使用了 GPU纹理插值技术对通过传统二维互相关算法所得到的互相关系数矩阵进行插值,试验结果显示双线性插值算法具备更高的计算效率而三次B样条插值算法能够明显提高成像质量。总结起来,本文的具体工作如下:1、描述这两种算法在二维场景下的实现细节及特点,运用计算机仿真试验分析二维场景下两种算法在CPU端的计算表现,比较两种技术在得到高质量弹性成像图前提下的计算效率和运动位移估计精度。2、分析这两种算法的计算密集部分并行化计算的可能性,通过CUDA平台实现了传统二维互相关算法和基于和表的二维互相关算法的并行加速。最后通过计算机仿真实验,以计算效率和运动位移估计精度为衡量标准,对两种算法在GPU端和CPU端的性能表现进行综合分析。3、分别使用基于GPU的双线插值算法和三次B样条插值算法对通过传统二维互相关算法所得到的互相关系数矩阵进行插值,并系统性比较两种方法的计算效率和成像质量。