基于OpenCL的图像灰度化并行算法研究

随着图像数据量的增加,传统单核处理器或多处理器结构的计算方式已无法满足图像灰度化实时处理需求.该文利用图像处理器(GPU)在异构并行计算的优势,提出了基于开放式计算语言(OpenCL)的图像灰度化并行算法.通过分析加权平均图像灰度化数据处理的并行性,对任务进行了层次化分解,设计了2级并行的并行算法并映射到“CPU+GPU”异构计算平台上.实验结果显示:图像灰度化并行算法在OpenCL架构下NVIDIA GPU计算平台上相比串行算法、多核CPU并行算法和CUDA并行算法的性能分别获得了27.04倍、4.96倍和1.21倍的加速比.该文提出的并行优化方法的有效性和性能可移植性得到了验证.     

字符图像识别的分布加权模板匹配方法研究

使用标准模板匹配识别算法对图像中的字符进行识别时,图像中的背景噪声会导致识别准确率较低.为了提高识别准确率,提出一种基于分布加权的模板匹配识别算法,在获取图像与模板在对应的各个像素点上的匹配情况后,根据点间距分别对匹配点和不匹配点进行聚类,将聚集在一起的点划分到同一个分组中,根据聚类结果对不同组内的点设置不同的权重值,再计算图像与各个模板的匹配度,将匹配度最高的模板代表的字符作为识别的结果.实验结果证明,此算法提高了对有背景噪声的字符图像进行识别的准确率.     

基于异构平台的图像中值滤波的OpenCL加速算法

图像噪声降低了图像信噪比和质量,去噪是图像处理工作的重要环节之一.本文提出了一种基于开放式计算语言(OpenCL)架构的图像中值滤波快速降噪并行算法.介绍了OpenCL体系结构特点和中值滤波处理流程.根据图形处理器(GPU)的并发结构特点,对图像中值滤波功能模块进行了并行优化,降低了算法复杂度.通过充分激活NDRange索引空间中的工作组和工作项来提高数据访问效率,优化内核工作组配置参数,实现了中值滤波器的并行处理.实验结果表明,在图像质量保持不变的情况下,与基于CPU的串行算法、基于开放多处理(OpenMP)并行算法和基于统一计算设备架构(CUDA)并行算法性能相比,图像中值滤波并行算法在OpenCL架构下NVIDIA GPU计算平台上分别获得了29.74、17.29、1.15倍的加速比.验证了算法的有效性和平台的可移植性,基本满足应用的实时性处理要求.     

一种抗旋转、抗尺度变化的图像匹配算法

在研究圆投影、参数化模板、直方图不变距的基础上,提出了一种基于圆投影矢量和变换与参数化模板相结合的图像匹配算法.首先用计算量较小,并具有旋转不变性的圆投影矢量和变换的方法对输入图像进行投影,将图像投影到矢量空间当中,然后采用参数化模板的方法对图像进行可变尺度的匹配选出可能性较大的匹配点,最后利用图像的直方图的不变矩做进一步的匹配.解决了模板图像与待测图像之间存在旋转和尺度变化的问题,同时采用欧氏距离进行匹配,避免了传统方法中计算相关函数的巨大计算量.实验表明这种算法不仅提高了匹配的速度,而且在目标图像发生     

模板匹配方法在高速目标跟踪中的应用

提出了一种用于高速目标跟踪的快速识别算法.根据图像目标与背景的特点,摒弃传统的逐点扫描方法,设计了一种"十字"匹配模板,根据待识别区域与"十字"模板的灰度差进行目标识别;为了提高识别速度,对目标图像进行二值化处理,采用逻辑运算获得模板与目标的相似性测度,通过相似性测度与阈值的比较,进行遍历点的跳跃.仿真结果表明,该算法大大提高了识别速度,实现了对高速摄像机拍摄角度的控制,进而对目标进行实时跟踪.     

基于B-CFAR预处理的自动匹配目标识别法

针对传统模板匹配识别算法中 ,受目标旋转带来的识别率与运算速度难以两全的问题 ,文章采用了一种改进算法。首先在匹配之前用双参数恒虚警检测 (B-CFAR)提取感兴趣的区域 (ROI) ,这样排除了一些干扰 ,不仅能提高识别率 ,而且对于数据量很大的合成孔径雷达 (SAR)图像匹配速度也有所提高 ,然后对图像上每点窗口内计算方向性并依此选取相应方向的模板 ,最后用相应模板对图像进行匹配。将此算法运用在复杂二维 SAR图像飞机识别中 ,结果表明得到了良好的识别效果     

CPU+GPU异构并行的矩阵转置算法研究

针对当前算法优化研究一般局限于单一硬件平台、很难实现在不同平台上高效运行的问题,利用图形处理器(GPU)提出了基于开放式计算语言(OpenCL)的矩阵转置并行算法.通过矩阵子块粗粒度并行、矩阵元素细粒度并行、工作项与数据的空间映射和本地存储器优化方法的应用,使矩阵转置算法在GPU计算平台上的性能提高了12倍.实验结果表明,与基于CPU的串行算法、基于开放多处理(OpenMP)并行算法和基于统一计算设备架构(CUDA)并行算法性能相比,矩阵转置并行算法在OpenCL架构下NVIDIA GPU计算平台上分别获得了12.26,2.23和1.50的加速比.该算法不仅性能高,而且实现了在不同计算平台间的性能移植.     

基于GPU的目标识别算法的并行化研究

针对可变形部件模型算法(DPM)的计算量大,无法完成实时检测等问题,通过GPU编程模型CUDA,在Nvidia GPU上实现了HOG算法和DPM算法的并行化;采用OpenCL编程模型实现了DPM算法在集成显卡上的并行化。通过CPU和GPU的协同计算,保证目标识别效果的前提下,并行化的算法的执行效率相比于OpenCV中的CPU或GPU实现有明显的提高;通过对目标识别算法的并行化,结合其他算法,使得这类复杂算法能够在一些需要实时监测的工程领域中得到应用。     

Hu矩匹配方法在显微视觉目标识别中的应用

在介绍了传统模板匹配算法原理的基础上,分析了该算法在识别和定位目标方面的不足之处,并对其进行了改进,提出将Hu不变矩的模板匹配方法应用在显微视觉目标识别中.实验结果表明:采用Hu不变矩的模板匹配算法解决了传统方法存在的对目标的旋转无法识别的问题,在目标识别上具有旋转和平移不变性,提高了目标识别的准确性.     

基于移动平台的异构并行字符串匹配算法

针对信息处理中常见的字符串匹配问题,通过对经典的Brute Force算法和KnuthMorris-Pratt算法进行分析,根据GPU异构并行计算任务的分配特性,设计一种针对Knuth-Morris-Pratt算法的数据重叠划分并行方案,并提出一种基于移动平台的异构并行字符串匹配算法KMP_MOP.在PowerVR移动平台环境下使用千万级长度的字符串数据对算法的性能进行测试,同时对算法在其他平台的执行情况进行比较,验证了并行算法的性能可移植性.实验结果表明,KMP_MOP算法能充分利用移动平台中的GPU性能,有效提高具有GPU的移动平台设备的字符串匹配效率.     

灰度图像匹配的快速算法

分析了传统的模板匹配算法 ,提出了一种新的基于投影的快速模板匹配算法 .该算法对图像计算一维投影 ,并将投影数据差分转化为描述图像特征的字符串 ,在快速字符串匹配的基础上 ,进行归一化的相关计算 ,既保证了匹配效果 ,又提高了匹配速度 .实验结果表明 ,这是一种有效的新算法     

一种几何约束目标识别方法

针对复杂背景中有几何形状且可分割的目标图像,本文提出了一种以方向编码进行抗旋转匹配,结合几何约束进行目标识别和分类的进行目标检测的方法.首先对图像分割,获得连通区域并进行标记后,对各标记块进行基于模板特征的旋转匹配方法,方法采180个编码矢量进行积相关计算,在标记块比较大的情况下,大大减少了传统相关匹配方法的计算量,获取模板最明显特征块在实时图像中的定位;然后根据目标模板各连通区域间的几何依赖关系进行几何约束计算,消除了可区分背景对模板匹配的影响.图像分割采用改进的分水岭方法实现,减少了纹理和噪声对图像分割效果的影响.最后针对目标识别的实际应用对方法的性能和误差进行了分析,给出了实验结果.     

基于GPU实现允许k-差别近似串匹配并行算法

为了在GPU上实现允许k-差别近似串匹配并行算法,并进一步提高在GPU上的算法性能,在综合考虑GPU的存储层次前提下,采取了多种访存优化措施,并提出了避免bank冲突的解决方案.测试结果表明,所用优化措施及方案使算法性能明显提高.     

探究GPU视角下的图像处理并行算法

随着计算机技术的更新发展,人们需要处理各式各样复杂的图像,而图像处理的方式方法也表现出多元化特性,对此,该文基于GPU并行处理能力,提出了一种更加高效、快捷的图像处理方法,通过C++语言进行图像计算,主要从高斯模糊算法并行化、彩色负片处理算法并行化、透明合并处理算法并行化3个方面做了全面分析,从而证明GPU视角下的图像处理并行算法更具优势,值得大力推广与应用。     

星载SAR图像几何校正并行算法研究

并行计算是遥感图像快速处理的基本方法,而并行算法则是实现这种方法的关键之一.针对星载SAR图像几何校正中单幅图像的快速处理问题,首先分析了一种串行校正算法的可并行特征,随后分别设计了一种面向多CPU/核和一种面向GPU的全局并行校正算法,并利用2幅星载SAR图像测试了多种数据粒度下这2种算法的加速效能.实验结果表明,这2种并行算法可以大幅提高星载SAR图像的几何校正速度;CPU并行算法的性能主要与CPU/核心数目有关,而GPU并行算法则主要与数据粒度有关;后者具有很高的加速比,是几何校正的高效方法.     

复杂空间背景下暗弱目标的快速识别方法

本文针对复杂空间背景下暗弱目标难以识别的问题,提出了一种基于匹配滤波的暗弱目标快速识别算法.首先建立了恒星跟踪模式下条纹状空间目标的成像模型,并利用信噪比来界定空间目标的暗弱程度.进而设计了一种条纹单元模板,该模板避免了生成大量不同长度的条纹模板,从而降低了图像空间滤波过程中的计算量.最后通过仿真实验验证了该算法的有效性,能够实现信噪比为0.5的暗弱目标的快速识别.     

基于序贯相似度的AGV图像配准方法

在视觉引导AGV技术中,符号识别是关键。为实现AGV对地面符号快速、准确的识别,当AGV视觉系统获得的地面符号图像时,首先利用统计特征区域的黑点数来筛选模板,然后采用基于模板匹配的图像配准算法对筛选后的模板进行匹配,完成识别。经过仿真实验证明,该算法的匹配率普遍达到90%以上,基本满足了AGV模板识别、定位的需要,并且计算量较小、计算时间较短。     

基于序贯相似度的AGV图像配准算法

在视觉引导AGV技术中,符号识别是关键。为实现AGV对地面符号快速、准确的识别,当AGV视觉系统获得的地面符号图像时,首先利用统计特征区域的黑点数来筛选模板,然后采用基于模板匹配的图像配准算法对筛选后的模板进行匹配,完成识别。经过仿真实验证明,该算法的匹配率普遍达到90%以上,基本满足了AGV模板识别、定位的需要,并且计算量较小、计算时间较短。     

基于DNA计算的图像模板匹配算法

针对已有的图像匹配算法都是在小规模基础上的统计识别方法,均是串行运算,对样本的训练和目标识别都须进行大量复杂的运算,难以适应大规模图像比对的问题,利用DNA计算强大的并行性,提出了一种基于DNA计算的图像模板匹配算法.首先,将二进制的图像信号编码为满足一系列约束并允许一定非特异性杂交的DNA序列;然后,通过DNA退火反应得到匹配问题的解;最后,利用这一算法得出的128个单链DNA编码进行了数字图像模板匹配的仿真实验.仿真结果表明DNA计算应用于大规模图像匹配问题是可行的.     

图像匹配与跟踪研究

<正>图像跟踪在军事目标跟踪、人机界面、驾驶员辅助系统等领域有着广泛的应用.现存的图像跟踪算法主要分为基于模板匹配的算法、基于运动信息的算法、基于滤波的算法和基于分类的算法.其中,基于模板匹配的算法最为直观,易于操作,应用最为广泛.基于模板匹配的图像跟踪算法有3个关键环节,分别为图像特征表示、相似度计算和目标搜索算法.本文主要针对