论文部分内容阅读
图像匹配是图像处理与模式识别过程中的一个重要环节，当模板图像与待匹配图像之间存在噪声、亮度、拍摄角度等差异时，传统的匹配算法在速度和精度上就不能得到较好的协调。本文使用了遗传算法实现图像匹配，它是一种模拟达尔文的生物进化论提出的仿生类全局优化搜索算法，其具有通用的理论和技术。遗传算法相比搜索算法在全局寻优能力上有明显的优势，但是其计算量非常大，耗时比较长，并不适合解决实际应用问题，而使用基于GPU平台的遗传算法，可以充分利用遗传算法本身所固有的并行性，使得计算速度得到明显的提升，全面提高其搜索性能。 本论文基于GPU平台使用遗传算法实现图像匹配，主要在三个方面对其进行并行。首先，对随机数生成的并行，初始化种群时需产生大量的随机数，此操作存在着天然的并行性，在论文的实验中其性能加速比最高可达到2.228倍;其次，在计算适应度函数时，由于需要计算大量的点，而各个点之间不存在数据关联，因此也可实现并行。通过对实验结果的对比，其性能加速比可达到80倍之多;最后，在找出最佳匹配图像时，由于遗传算法使用排序算法找出最佳匹配图像，同样可以在GPU平台上实现，其性能加速比在论文实验中达1.806倍。 本论文在实现串行遗传算法图像匹配的基础上，分别实现了基于GPU平台的并行算法和改进的并行算法。其中，基于GPU平台是使用CUDA语言把串行程序在GPU平台上实现，而改进的并行算法除在GPU平台上得到实现外，还需要把遗传算法和图像匹配的并行性结合在一起，使得并行性能在GPU平台上得到充分利用。 本论文以街景的图像匹配作为实验对象，分别采用串行遗传算法和并行的遗传算法以及改进的并行算法实现一幅模板图像和多幅待匹配图像的匹配问题，通过实验结果可知，并行程序与串行程序的加速比约为83.73倍，而改进的并行程序与串行程序的加速比约为96.47倍。 最后，可将图像匹配问题看作是寻求最佳匹配图像的寻优问题，然后利用遗传算法强大的全局寻优能力来对图像进行匹配，再利用遗传算法本身存在的并行性对其进行计算量上的优化，使该问题得到最优的解决方案。该项工作也是遗传算法在图像处理领域中新的探索和尝试。