CUDA编程实例：图像处理的归一化相关系数计算

在图像处理中，我们可以通过计算两个相同大小、灰度图像的归一化相关系数判断图像的相关性大小。其取值范围在[-1,1]之间，-1表示图像不相关，1表示图像完美相关。

该方法在模板匹配中经常使用，通过计算模板图像与输入图像子集的相关性信息，判断图像中是否包含该模板，如果在某个位置处强相关，则返回匹配位置。只适合图像内容未发生旋转，形变，缩小放大等情况。即只有平移。

归一化互相关的流行源于其幅度的独立性（amplitude independence），这就意味着即使两幅图像的亮度不同，但对于其统计信息也是稳定的。

来看看公式：

 其中I和T，表示图像和模板，\bar{T}为模板像素的品均值，\bar{I}为图像中对应模板范围的像素的平均值。

归一化互相关计算的优化方案，为了避免平均值计算，采用加和手法预先求出统计量，一下是计算公式。

这里使用sum(T)/N 和sum(I)/N 代替\bar{T}和\bar{I},并在分子分母同时乘N，产生一个完全使用加和来表示的系数。

所以预先要求的就是图像和模板的统计量SumI，SumT，SumIT，sumI^2，sumT^2

使用上述值计算分子分母即可。

一般情况下模板是固定的，所以可以预先计算模板的统计量和分母的子表达式。

一般采用双精度计算，此外乘以平方根的倒数，比除以平方根运算更快。

这样算法只需要计算3个值即可，SumI，SumIT，SumI^2。

在CUDA流处理器中，整数乘加运算通常使用FMA（Fused Multiply-Add）指令。FMA指令执行一个乘法操作，然后将结果与一个累加操作相结合，以单一的指令完成这两个操作。这有助于提高性能，减少指令的数量。

浮点数乘加运算也可以通过FMA指令来实现，其中操作数是浮点数。这使得在单个指令中执行乘法和加法，从而提高了执行效率。

cuda中提供了以下几种将数据复制到gpu中的方法。

1.使用全局内存或纹理内存存储图像或者模板，（较大一些）

2.使用常量内存存储模板或者其他可能的特定模板参数（可达64kb）

3.使用共享内存来保存图像和或模板值以备重用（较小）。

未完结--等后续