基于GPU加速的图像颜色编辑研究与实现

摘要

随着互联网尤其是移动互联网的蓬勃发展，人们对信息的需求日益增长。数字化成像技术的蓬勃发展，使得视觉信息例如图像、视频等可视化载体成为人们获取信息的重要来源。人们对图像处理的需求越来越强烈。图像颜色编辑作为图像处理学科的一大热门，有着广泛的应用场景。
　　保持流形结构的图像颜色编辑是一种线性降维算法的图像编辑算法。主要思想是利用局部线性嵌入算法，保证图像像素点与邻近点之间的线性组合在颜色编辑前后不变。但是由于图像像素级别日益增大，现有的图像颜色编辑算法存在处理时间过长的问题，本文基于这种图像颜色编辑算法，利用GPU并行架构改进算法，提高算法运行效率。
　　本文主要工作有一下两个方面:(1)改进算法第一步寻找像素点临近点的KNN问题，从数据点间距离计算和距离排序入手，利用CUDA多线程、高并行的特性将这一步移植到GPU上计算，大大减少运行时间。(2)求解降维后的流形结构是一个稀疏矩阵方程组的求解过程，我们利用GPU加速稀疏矩阵向量乘法，进一步利用基于GPU的雅可比迭代法加速稀疏矩阵方程组的求解，提高了算法的运行速度。
　　为了验证我们的方法可以实现图像颜色编辑的加速，我们设置了一些实验来证明利用GPU加速进行图像颜色编辑的有效性。实验表明，我们的方法实现了对图像颜色编辑计算速度的提升。

目录

声明

摘要

图目录

表目录

第1章 绪论

1．1 课题背景

1．2 图像颜色编辑算法的发展

1．3 本文工作

1．4 本文的组织结构

1．5 本章小结

第2章 颜色迁移及GPU加速相关理论综述

2．1 颜色空间概述

2．1．1 RGB颜色空间

2．1．2 lαβ颜色空间

2．1．3 HSV颜色空间

2．2 GPU加速简介

2．2．1 GPU组成架构

2．2．2 CUDA软件架构

2．3 稀疏矩阵存储格式

2．3．1 COO坐标格式存储

2．3．2 CSR压缩行存储

2．3．3 存储结构比较

2．4 局部线性嵌入算法

2．5 本章小结

第3章 基于GPU加速的KNN算法

3．1 基于欧氏距离的KNN问题

3．2 KNN数据点间距离计算CUDA加速

3．3 KNN算法距离排序CUDA加速

3．4 本章小结

第4章 稀疏矩阵运算GPU加速设计

4．1 稀疏矩阵并行化可行性分析

4．2 稀疏矩阵向量乘法GPU加速

4．2．1 SpMV基本并行算法

4．2．2 改进的SpMV并行算法

4．3 基于GPU加速的稀疏矩阵线性方程组求解

4．3．1 雅可比迭代法算法原理

4．3．2 雅可比迭代法GPU加速

4．4 本章小结

第5章 实验对比与分析

5．1 实验环境设置

5．2 基于GPU加速的KNN算法实验及结果分析

5．3 基于CUDA加速的稀疏矩阵运算实验及结果分析

5．3．1 GPU加速对稀疏矩阵向量乘法的影响

5．3．2 雅可比迭代法GPU加速

5．4 保持流形结构的图像颜色编辑加速

5．5 本章小结

第6章 总结和展望

6．1 总结

6．2 展望

参考文献

致谢