图像插值是图像处理中很重要的方法,在图像放大、图像去隔行和图像去噪等方面都有着广泛的应用。目前存在着很多的插值方法,但是传统的图像插值方法具有低通滤波器的特性,会造成图像中重要高频细节信息的丢失,所以近年来提出的基于边缘的图像插值方法更具有实际意义,比如Xin Li等提出的基于边缘的图像插值方法是根据低分辨率图像的协方差来估计高分辨率图像的协方差。得到的高分辨率图像具有良好的视觉效果,但是该算法具有较高的复杂度,所以对此类图像插值方法进行优化,使其在保证插值图像质量的情况下减小复杂度,提高运行效率有着重要的实际意义。本文提出了使用CUDA(Compute Unified Device Architecture)将基于边缘的图像插值方法移植到GPU(Graphic Processing Unit)上。通过GPU的并行计算,使得在保证插值后图像质量的情况下,大大提高算法的执行效率。本文的主要研究内容如下(1)针对基于边缘的图像插值算法插值效果好但是计算复杂度高等问题,本文利用CUDA对该图像捅值算法进行GPU并行计算。即根据像素的独立性,利用多个线程分别独立地计算多个缺失的高分辨率图像的像素值。实验结果表明,我们成功地实现了基于边缘图像插值的GPU并行计算。同时使用共享存储器对并行方案进行了初步的优化,得到了12.2x的加速比。(2)虽然实现了基于边缘图像插值算法的GPU并行计算,但是其加速比远远低于我们的期望。所以本文针对SM上的计算资源和I/O传输时间等方面对并行方案进行了全面的优化。首先利用SM的计算资源寄存器对并行方案进行了优化,即用寄存器替代了共享存储器来对数据进行存取；其次利用异步传输对I/O数据传输时间进行了有效地隐藏,最终我们得到了61.7x的加速比。(3)基于上下文预测的场内去隔行算法实质上也是一种图像插值。同样是使用已知的低分辨率图像的像素点来估计高分辨率图像中缺失的像素点。实验通过CUDA并行计算对该去隔行算法进行了优化,在保证去隔行后图像帧质量不变的情况下,取得了51.5x的加速比。