Web图像搜索中基于GPU的图像分割技术研究

摘要

视觉信息的复杂性使得图像处理比较耗时，从而使得基于图像内容的搜索系统后台数据更新较慢，同时为了缩短用户的前台响应时间，传统的图像检索系统不得不选取速度快但效果并非最佳的算法或将图片缩小后再处理，这都降低了系统检索的精度和用户满意度。利用GPU 对核心图像处理模块进行加速则可以很好的解决这个问题。
　　 基于GPU的图像搜索系统主要分为用户交互层、集群管理层、CPU模块处理层、GPU模块处理层、数据中心层5个层次。系统中的图像处理模块包括缩略图生成模块和图像特征向量提取模块均为需占用大量时间进行处理的瓶颈模块。对其中的图像处理算法进行研究，包括图像分割算法、插值算法等。
　　 图像分割是图像分析的基础，分割的好坏直接决定所提取的图像特征是否有意义，进而影响系统的检索精度。针对分割算法复杂、处理耗时，制约了前台的检索效率和后台的数据更新速度。实现了几类基于GPU的图像分割算法，包括C 均值聚类算法、Canny边缘检测算法、分水岭分割算法、Mean Shift算法、模糊C 均值算法等。提出在图像搜索系统中先利用Mean Shift算法进行初步分割，再利用模糊C 均值聚类的方法，提高分割效果的同时加快处理速度。
　　 在基于GPU的算法设计过程中：分水岭算法，利用细胞自动机的特性和Bellman-Ford 最短路径算法使不易并行的分水岭算法并行化；Mean Shift算法，利用纹理内存特性降低全局内存的非对齐访问，同时利用流的异步执行加大对硬件的利用度；C 均值聚类算法提出一种新的方案使得更新聚类中心阶段不需要回传给CPU，整个过程都在GPU中完成，获得了更优的加速比；Canny 边缘检测算法，利用空间消耗换取时间效率，加大线程计算强度对算法进行优化。最后将优化的GPU算法应用到系统的图像处理模块中，让CPU和GPU 相互协作、异步并发执行，较以前的CPU模块，缩略图模块的处理速度可提高2 倍，特征提取模块则可加速几十倍。

目录

文摘

英文文摘

声明

1 绪论

2 基于GPU 的图像区域的预分割

3 基于GPU 的图像聚类和边缘检测

4 基于GPU 的图像搜索系统

5 系统测试

6 总结与展望

致谢

参考文献