Web圖像搜索中基于GPU的圖像分割技術(shù)研究.pdf

1、視覺信息的復(fù)雜性使得圖像處理比較耗時(shí)，從而使得基于圖像內(nèi)容的搜索系統(tǒng)后臺(tái)數(shù)據(jù)更新較慢，同時(shí)為了縮短用戶的前臺(tái)響應(yīng)時(shí)間，傳統(tǒng)的圖像檢索系統(tǒng)不得不選取速度快但效果并非最佳的算法或?qū)D片縮小后再處理，這都降低了系統(tǒng)檢索的精度和用戶滿意度。利用GPU 對(duì)核心圖像處理模塊進(jìn)行加速則可以很好的解決這個(gè)問題。
　　 基于GPU的圖像搜索系統(tǒng)主要分為用戶交互層、集群管理層、CPU模塊處理層、GPU模塊處理層、數(shù)據(jù)中心層5個(gè)層次。系統(tǒng)中的圖像處理

2、模塊包括縮略圖生成模塊和圖像特征向量提取模塊均為需占用大量時(shí)間進(jìn)行處理的瓶頸模塊。對(duì)其中的圖像處理算法進(jìn)行研究，包括圖像分割算法、插值算法等。
　　 圖像分割是圖像分析的基礎(chǔ)，分割的好壞直接決定所提取的圖像特征是否有意義，進(jìn)而影響系統(tǒng)的檢索精度。針對(duì)分割算法復(fù)雜、處理耗時(shí)，制約了前臺(tái)的檢索效率和后臺(tái)的數(shù)據(jù)更新速度。實(shí)現(xiàn)了幾類基于GPU的圖像分割算法，包括C 均值聚類算法、Canny邊緣檢測(cè)算法、分水嶺分割算法、Mean Shif

3、t算法、模糊C 均值算法等。提出在圖像搜索系統(tǒng)中先利用Mean Shift算法進(jìn)行初步分割，再利用模糊C 均值聚類的方法，提高分割效果的同時(shí)加快處理速度。
　　 在基于GPU的算法設(shè)計(jì)過程中：分水嶺算法，利用細(xì)胞自動(dòng)機(jī)的特性和Bellman-Ford 最短路徑算法使不易并行的分水嶺算法并行化；Mean Shift算法，利用紋理內(nèi)存特性降低全局內(nèi)存的非對(duì)齊訪問，同時(shí)利用流的異步執(zhí)行加大對(duì)硬件的利用度；C 均值聚類算法提出一種新的方