图像半色调化是一种广泛应用在图像处理领域中的影印技术。近年来随着高分辨率、大尺寸规模图像的应用,传统的图像半色调化串行算法已不能满足实时处理的需求。异构众核处理器的不断发展和大规模的应用,为加速图像半色调化处理指明了方向。然而目前针对图像半色调化算法异构众核加速的相关研究较少。本文所做的工作可分为以下两个部分:针对图像处理领域中比较耗时的图像卷积运算,本文利用异构众核处理器对其进行并行加速。首先对图像卷积运算并行化;然后使用共享存储器优化和寄存器划块优化策略对并行算法作进一步优化;最后分别对比水平一维卷积、垂直一维卷积和二维卷积在不同异构众核处理器平台上的加速效果。实验结果表明,在异构众核处理器平台上,图像卷积算法中优化策略的选取则需要结合具体的应用场景和应用平台。针对图像打印领域中比较耗时的图像半色调化算法,本文利用异构众核处理器对其进行并行加速。首先利用局部邻域理论对传统的图像半色调化串行算法进行改进,显著减少串行算法的计算复杂度;然后采用泊松碟采样法消除数据依赖关系,为算法在众核处理器上并行加速奠定基础;最后采用共享存储器优化、合适粒度任务并行优化、归约树优化、常量存储器优化以及基于纹理存储器的二维缓存优化等一系列优化策略,对并行算法作进一步优化。实验结果表明,在面向桌面端的Intel Xeon CPU+Tesla K20异构计算平台上,并行优化后的算法相对于优化前的初始并行算法性能提升约5~18倍;并行优化后的算法相对于串行算法性能提升约95~110倍。在面向移动端的Tegra K1异构平台上,并行优化后的算法相对于串行算法性能提升约28~32倍。在最新架构的Tegra X1异构平台上,并行优化后的算法相对于串行算法性能提升约50~61倍。