多方向GAP预测器彩色图像快速边缘检测

针对传统梯度调节预测器(GAP)模板进行边缘检测时产生预测错误繁衍的不足,提出改进的多方向GAP预测器模板。首先色融合生成灰度图像;以图像中心划分四个区域,采用并行技术应用多方向GAP模板计算预测值;利用错误反馈信息构建预测误差图像;再通过梯度直方图计算阈值,分类误差图像边缘;最后Hilditch算法细化边缘。实验证明,该模板方法不仅大大降低了时间复杂度,而且检测的伪边缘较少,细节丰富,得到了视觉质量较好的边缘图像。     

基于多方向梯度边缘预测器快速边缘检测算法

改进了无损压缩编码中的梯度自适应预测器(GAP)和梯度边缘检测(GED)预测器,并应用在图像边缘检测中,提出基于多方向梯度边缘预测器(MGEDP)的动态阈值控制的边缘检测算法。该方法主要步骤为:1)从图像中心划分四个区域; 2)采用并行技术多个方向应用MGEDP模板,分别预测错误值,利用错误反馈信息构建预测误差图像; 3)利用大津算法计算阈值,分类误差图像边缘; 4)细化边缘; 5)合成边缘图像。实验证明:应用并行技术降低了时间复杂度,以中心逐步向四周选择预测参考点避免了误差繁衍,最终得到清晰完整、细节丰富的边缘图像。     

基于预测的自适应边缘检测新方法

图像的边缘是图像最基本的特征之一,边缘检测是提取图像特征的重要手段.首先利用梯度调节预测器(Gradient Adjusted Predictor:GAP)对图像进行预测,然后针对预测得到的误差图像,提出了一种基于梯度均值直方图的自适应阈值选取方法,利用得到的阈值来分类边缘与非边缘;为了获得单像素边缘,利用细化算法对边缘图像进一步细化,得到最后的边缘图像.仿真结果表明,与其它方法相比,本文方法检测到的边缘边界特征细腻、连续,定位精度较高,得到的实验结果比较理想.     

尺寸测量中的边缘检测算法研究

主要介绍了一种改进的边缘检测算法及相应计算模板和公式，并对算法的误差进行了分析。因为传统的边缘检测算法在理论上较成熟，但在实际应用时可操作性较差。所以针对零件图像测量的实际应用情况，使用基于Sobel算子的改进的方向算子，对灰度图像进行处理得到梯度图像。综合应用其他算法，实现了对目标边缘的准确检测。然后在梯度图像上沿目标边缘的梯度方向进行多项式插值法亚像素细分计算，对目标边缘进行亚像素精确定位。在文章的最后，用实例说明了本算法的可行性。     

基于图形处理器的边缘检测算法

边缘检测是一种高度并行的算法,计算量较大,传统的CPU处理难以满足实时要求。针对图像边缘检测问题的计算密集性,在分析常用边缘检测算法的基础上,利用CUDA(Compute Unified Device Architecture,计算统一设备架构)软硬件体系架构,提出了图像边缘检测的GPU(Graphics Processing Unit,图形处理器)实现方案。首先介绍GPU高强度并行运算的体系结构基础,并将Roberts和Sobel这两个具有代表性的图像边缘检测算法移植到GPU,然后利用当前同等价格的CPU和GPU进行对比实验,利用多幅不同分辨率图像作为测试数据,对比CPU和GPU方案的计算效率。实验结果表明,与相同算法的CPU实现相比,其GPU实现获得了相同的处理效果,并将计算效率最高提升到了17倍以上,以此证明GPU在数字图像处理的实际应用中大有潜力。     

基于GPU的改进型GIW雷达图像降噪算法

针对大幅面合成孔径雷达(SAR)图像的斑点抑制问题,提出了一种基于自适应模板的梯度倒数加权(GIW)算法,在编程实现上采用图形处理器(GPU)进行优化,有效地解决了由于像素级运算复杂度高所导致的大幅面雷达图像处理实时性差的问题.高分辨率SAR图像的处理结果显示,该算法在有效抑制斑点噪声的同时较好地保持了边缘细节信息.经过GPU加速后,对于大幅面图像的处理,相对于中央处理器(CPU)实现可以有2个量级以上的速度提升.     

基于改进的Sobel算子边缘检测算法

为了解决传统的Sobel算子算法存在的斜向方向不敏感问题,提出了一种改进的Sobel算法。该算法在Sobel 算子基础上,增加了45°和135°2个方向模板,并且以斜向边缘为主重新分配了算子模板的权重。算法先将图像转换为灰度图像,然后用改进的Sobel算子得到梯度图像,再采用局部梯度阈值对梯度图像进行细化处理,最后结合斜向边缘方向域值进行二值化,得到边缘图像。仿真实验表明,与传统Sobel算法相比,该算法提高了检测精度,使得边缘细节更丰富、更连续。     

基于模板分解和积分图像的快速Kirsch边缘检测

将 Kirsch 算子的模板分解为差值模板和公共模板, 然后通过相邻差值模板的差异比较, 找出边缘强度最大的方向, 并计算出相应的边缘强度值, 避免了将8个方向的边缘强度全部算出, 减少了 Kirsch 算子的模板与原图像的卷积运算. 公共模板和原图像的卷积则利用灰度信息处理时得到的积分图像来加速. 实验证明应用这种快速算法的 Kirsch 边缘检测,运算量比当前主流快速算法(FKC 算法)有较大幅度的减少. 另外, 运用模板分解和积分图像减少卷积运算的思路具有一定通用性, 实例说明此思路可用于一些其它边缘检测和空域滤波算法中.     

基于改进的Sobel算子边缘检测算法

为了解决传统的Sobel算子算法存在的斜向方向不敏感问题,提出了一种改进的Sobel算法。该算法在Sobel算子的基础上,增加了45°和135° 2个方向模板,并且以斜向边缘为主重新分配了算子模板的权重。算法先将图像转换为灰度图像,然后用改进的Sobel算子得到梯度图像,再采用局部梯度阈值对梯度图像进行细化处理,最后结合斜向边缘方向域值进行二值化,得到边缘图像。仿真实验表明,与传统Sobel算法相比,该算法提高了检测精度,使得边缘细节更丰富、更连续。     

基于并行运算的双层图像锐化方法

针对低清晰度照片或图像放大后边界模糊、画质差及人们对高清图像的实际需求,基于统一计算架构(CUDA)环境,提出了一个两层结构的图像并行锐化方法,设计并实现了一个基于GPU的并行锐化算法：第一层采用并行线性插值法,反复对图像非边界部分进行计算以及边缘区域锐化处理;第二层采用改进的梯度法对图像进一步优化。放大后的图像经该方法处理后,基本上可消除图像边缘区域的锯齿,使图像画质平滑、自然、清晰。经实验验证,设计的基于GPU的并行锐化算法在效率和画质上都优于目前流行的算法,提出的方法可应用于现有图像及照片放大后处理。     

基于CUDA的拉普拉斯边缘检测算法

拉普拉斯边缘检测算法常用于去除CCD天文图像中的宇宙射线噪声,但其串行算法计算复杂度较高。为此,分析拉普拉斯边缘检测算法的并行性,在统一计算设备架构(CUDA)并行编程环境下,提出一种基于CUDA的拉普拉斯边缘检测图形处理单元(GPU)并行算法。分割天文图像得到多幅子图,根据GPU的硬件配置设定Block和Grid的大小,将子图依次传输到显卡进行并行计算,传回主存后拼接得到完整的图像输出。实验结果表明,图像尺寸越大,该并行算法与串行算法相比具有的速度优势越大,可获得10倍以上的加速比。     

基于GPU图像去噪总变分对偶模型的并行计算

研究基于总变分(TV)的图像去噪问题,针对中央处理器(CPU)计算速度较慢的问题,提出了在图像处理器(GPU)上并行计算的方法。考虑总变分最小问题的对偶模型,建立原始变量与对偶变量的关系,采用梯度投影算法求解对偶变量。数值实验分别在GPU与CPU上进行。实验结果表明,总变分去噪模型对偶算法在GPU设备上执行的效率高于在CPU上执行的效率,并且随着图像尺寸的增大,GPU并行计算的优势更加突出。     

PMVS算法的CPU多线程和GPU两级粒度并行策略

PMVS(Patch-based Multi-View Stereo)三维重建算法被广泛应用于无人机航拍影像的三维场景重建中。针对PMVS三维重建算法计算量大、时间复杂度高的问题,提出了PMVS算法的CPU多线程和GPU两级粒度并行策略(Multithread and GPU Parallel Schema,MGPS),方法具体包括:基于GPU的PMVS算法特征提取和片面扩散的并行设计;多影像的GPU和CPU任务分配机制,以使得部分任务分配给CPU采用多线程并行,部分任务分配给GPU并行时,程序总运行时间最短。实验采用搭载24核CPU和NVIDIA Tesla K20 GPU的高性能服务器作为测试平台,针对分辨率为4081×2993的16幅无人机影像进行三维重建。实验结果表明,相比串行的PMVS算法,基于MGPS的PMVS算法取得4倍左右的加速比,其中特征提取最高加速13倍,计算误差在10%以内,该方法实现了更高效的PMVS三维重建。基于MGPS的PMVS算法还可用于文物保护、医学图像处理、虚拟现实等领域。     

面向PMVS算法的自动两级并行翻译方法

当使用高分辨率的图像作为图像处理算法的输入时会降低算法运行速度,将算法并行化可提升执行效率,但手动将串行程序转换为并行程序则较为繁琐,并且现有自动并行翻译工具性能不稳定,同时翻译后的程序是单一并行模式。面向基于面片的三维多视角立体视觉（PMVS）算法,提出一种从C到CUDA的自动两级并行翻译方法。使用ANTLR自动解析源C代码,通过分析数据依赖关系和循环数组私有化来识别可并行化的循环结构,将算法翻译成CPU多线程和GPU两级并行结构的代码。在算法执行过程中,将输入图像在CPU和GPU上分别进行处理,降低了算法总执行时间。实验结果表明,该方法的计算加速比随着输入图像分辨率的增加逐渐提高,最高约达到32,相比于PPCG和OpenACC自动并行翻译方法提升明显。     

基于并行动态学习型免疫算法的永磁同步电机状态监测

为提高永磁同步电机(Permanent magnet synchronous machine, PMSM)系统参数辨识与状态监测效率,利用图形处理器(Graphics processing unit, GPU)并行计算与 人工免疫技术相结合的研究方法,建立面向永磁同步电机系统基于GPU并行动态学习型 免疫进化的参数估计与状态监测模型.为提高算法的动态跟踪性能,在抗体演化进 程中,通过知识学习策略来引导算法进化过程,首先将抗体群划分为B细胞群、浆细胞 群以及记忆细胞群,对处于不同进化群体中的抗体分别设计免疫综合学习策略、免 疫反向学习策略和高斯学习策略,以增强抗体间的信息交互;接着,应用图形处 理器并行计算技术进一步加速算法求解过程;最后,将所提算法应用于永磁同 步电机系统参数辨识与状态监测中,实验表明,所提方法能同时准确地对电机的定子 电阻、dq轴电感和永磁磁链等系统关键参数进行估计.依据参数变化实现对系统 运行状态进行在线监测与预警.计算结果表明, GPU并行技术能大幅度提高计算效率.     

基于U弦长曲率的抗旋转性广义Hough变换算法

针对广义Hough变换(GHT)算法匹配发生旋转图像中的目标形状时发生误匹配的问题,提出一种基于U弦长曲率的具有抗旋转性的广义Hough变换算法。首先,对模板形状采用边缘点的U弦长曲率和偏移向量等特征构建具有旋转不变性的修改的R-表;其次,以图像中边缘点的曲率作为索引,查找构建的R-表得到偏移向量等信息;最后,根据查得的信息计算图像中目标形状的可能的参考点位置进行投票。根据投票结果即可提取出图像中目标形状的位置。当图像中目标形状分别旋转0°、2°、4°、5°、6°时,提出的算法的匹配结果均在图像中目标形状位置具有非常明显的峰值。仿真结果表明,改进的广义Hough变换(I-GHT)算法具有良好的抗旋转性和抗噪性。     

基于GPU的遥感影像数据融合IHS变换算法

提出基于图形处理单元（GPU）的遥感影像IHS融合算法,利用图形硬件的可编程渲染器和其处理数据的并行性,把IHS的正反变换映射到GPU中进行计算。应用RTT和MRT技术实现IHS正反变换中3个分量的并行渲染输出,加速计算过程。实验结果表明,在数据量较大时,该算法的处理速度比基于CPU的算法速度更快。     

基于CUDA的邻近粒子搜索算法研究

在粒子方法中,运用邻近粒子搜索算法可以快速获取每个粒子的邻近粒子信息。由于粒子方法模拟一个体系的行为所采用的粒子数据是十分庞大的,对计算机的运算速度提出了挑战。研究了GPU的计算能力和CUDA开发环境,利用GPU的并行多线程处理技术,提出了一种并行邻近粒子搜索算法。实验结果表明,基于CUDA的并行邻近粒子搜索算法,加快了邻近粒子搜索过程,显著地减少了计算时间,成功实现了硬件加速,可获取290以上的加速比,对大规模粒子系统呈现出高效的处理能力。