合成孔径雷达(SAR)是一种新兴的雷达技术,已被广泛应用于很多领域。由于SAR成像对风、雨、雷、雾等恶劣天气不敏感,几乎不受其影响,因此其具有全天候的特点。但是,由于SAR成像是基于干涉原理实现的,使得SAR图像具有相干斑噪声,严重影响SAR图像的质量,给后续SAR图像的处理和分析工作带来不便。随着SAR成像技术的不断发展,我们能得到很多高分辨率的SAR图像。而且在SAR成像技术的应用中,大多需要不间断地进行成像,这样所得到的数据量是极其庞大的。所以,高效的去噪算法是现如今SAR图像研究的关键。在现有的SAR图像去噪算法中,几乎都是传统的串行算法,而随着GPU技术的快速发展,GPU的计算能力则是远远超越了串行计算。因此,SAR图像相干斑噪声抑制并行算法研究具有重要的实际意义。本文结合较为成熟的第三代小波变换——directionlet变换在GPU上实现SAR图像的并行去噪算法。不使用标准的二维小波变换是因为它采用的是标准正交基,使得其具备各向同性的特点,不能很好地捕捉和表达图像在边缘、轮廓等地方的信息,这也会严重影响SAR图像的后续工作。因此,本文选用了具备各向异性的方向波变换,不仅使得图像的轮廓、边缘等信息能够得到很好地表达,同时,还能使得变换具备方向性,也就是说,方向波变换不再局限于水平和垂直方向,可以沿着任意给定的方向进行变换。根据directionlet变换系数呈现稀疏的特点,本文对变换之后的系数进行建模和参数求解,再根据求解得到的参数从含噪声的SAR图像中估计出无噪图像,即达到噪声去除的效果。由于在此过程中存在很多可并行化的过程,因此,本文基于GPU分别将各个过程并行化,在GPU上实现计算,以完成整个算法的并行化,提升SAR图像的去噪效率。本文基于GPU实现的并行算法主要包含三个方面的内容,如下所示:(1)基于GPU的directionlet变换。在这部分中,我们首先确定生成矩阵,再根据生成矩阵进行陪集分解。在此过程中我们分别为输入的SAR图像和待输出的陪集分配内存,根据输入输出的对应关系建立核函数,并通过在GPU上的调用来实现分解算法的并行化。然后分别对每一个陪集子图像进行各向异性小波变换(Anisotropic Wavelet Transform,AWT),其中对最主要的卷积过程建立在GPU上调用和计算的子函数,另外建立外层循环和核函数,通过调用卷积子过程实现AWT。这样就在GPU完成了directionlet正变换,能够得到原图像的高、低频信息,大大提高变换的效率。(2)基于GPU的模型参数估计。我们根据directionlet变换系数呈现出的统计特点,对变换之后的高频系数进行建模,采用混合高斯模型(GMM)来拟合其统计曲线。在求解GMM参数时,我们采用了经典的期望最大化(EM)算法,而由于EM算法本身不可并行化,因此,此过程中我们仅使用GPU来计算,以及通过将大的子图像分解成小的子图像块的方法,对同属大子图像的图像块分别求解其参数,然后取平均值,以此来提高模型参数的准确性,使求解出来的参数能够更好地拟合原始的系数统计曲线。至于噪声的统计模型,我们假定斑点噪声是均值为0,方差未知的高斯噪声。对噪声方差我们采用标准差估计法,首先建立在GPU上计算和调用的排序子程序,待数据载入后对数据分组并调用排序子程序找出每一组的中位数,将中位数组成新的数据重新载入,循环至得到结果。(3)基于GPU的SAR图像重构。根据已经得到的模型参数和噪声参数,通过最大后验概率估计的方法,将无噪的SAR图像从含噪图像中估计出来,达到去噪的目的。这个过程中我们将含噪的SAR图像和参数载入,核函数为估计方法,每一个线程包含一个像素点,通过核函数的调用输出无噪图像。这些被估计出来的图像还需要经过directionlet逆变换才能重构得到无噪的原始图像。实验结果表明,本文提出的基于GPU的directionlet域SAR图像相干斑噪声抑制的并行算法不仅能保持原串行算法的准确性和精确度,而且非常高效,大大减少了程序的执行时间。