基本思路是：

　　1.在原有图像周围扩展像素，向外扩展像素数由邻域决定，如4-邻域和8-邻域扩展1个像素，24-邻域扩展2个像素等

　　2.每个block处理输出图像中长宽为16x16的一小部分，每个thread处理输出图像中的1个像素。这样每个block的线程数是256，符合nv推荐的192-256的范围。

　　texture的版本可以直接参考imagedenoising

　　shared memory的版本的可以参考以下代码(仅作示例，不能运行，处理4-邻域问题，其中i_data为global中的原始图像,func代表使用算子计算的过程)

　　这种方法可以归纳为：以输出结果组织数据，将与输出相关的数据输入同一block

　　投影问题：

　　这里的投影问题特指通过投影进行维度压缩的问题，如医学成像中常见的radon变换(当然，医学影像处理中更常见的是radon逆变换，但逆变换用傅式变换处理更好，此处不再赘述)。

　　这一类问题有一些例子：给手照x光片，我们的手是三维的，而最后出来的x光片则是平面的。做核磁共振(CT)时，实际上传感器是一个线阵，一直绕着我们的身体旋转，在不同的角度将我们身体的一个二维的截面投影到一维的传感器上。

　　以CT为例，实质上是将输入矩阵进行旋转后投影到一行上。设图像与传感器夹角为theta，可以根据tid.x * sin(theta) + tid.y*cos(theta)求出点(tid.x, tid.y)在线阵上的投影。此时结果与输入的数据是一对多的关系，而且随着角度不同，很难确定是由哪些点决定最终输出。

　　此时可以采用这样的方法：按照输入组织数据，每个block处理一行或者一个子矩阵并各自输出结果，最终将各block结果进行累加。

　　用这样的方法解决CT造影问题，将输入图像按行输入各个block，各block将旋转后的行存入一个长度为floor(1.414*max(width,height))的行向量

　　然后将各行输出的结果累加，即可得到最终结果。