基于GPU的SIFT算法耗时改进研究

针对尺度不变特征变换(SIFT)算法计算量大并且具有较高的时间复杂度,难以运用于实时性要求较高的场景的问题,提出一种基于GPU加速及降低运算量的改进SIFT算法。首先通过提取出SIFT算法中的并行计算部分,使用GPU加速SIFT算法,提高运算速度;其次考虑到GPU与CPU数据交互耗时,提出一种降低特征描述维度的方法,采用圆形取代原本SIFT的方形窗口,最终由128维描述符降为40维描述符,进一步减少计算量,提高运算速度;实验结果表明,该改进算法在具有较高的鲁棒性的前提下,运行速度大为提升。

基于GPU的SIFT特征匹配算法并行处理研究

SIFT算法因具有旋转、缩放以及平移不变性而在影像配准和基于影像的三维重建领域得到广泛应用。但该算法复杂度较高,在CPU上执行的效率不高,难以满足对实时性要求较高的应用。在深入分析SIFT算法原理的基础上,针对该算法提取特征的多量性和特征向量的高维性,将该算法进行了并行化改造以利用GPU强大的并行计算能力,并与CPU上实现的SIFT算法进行了比较。实验证明,基于GPU的SIFT算法执行效率大幅提升,平均可以达到10倍以上的加速比。

基于GPU的SIFT特征提取算法研究

传统SIFT算法的优化和实现都是针对常用处理器(CPU)提出的,处理速度慢,实时性很难得到保证。通过实现基于NVIDIA公司CUDA架构图形处理器(GPU)的SIFT特征提取算法,优化了数据存储结构,提高了数据访问效率。实验结果表明,基于GPU的SIFT特征提取算法充分利用GPU的并行处理能力,计算速度提高幅度明显,图像越大越复杂,提高的幅度越大,处理1600×1200图像时甚至可达近15倍的加速比,极大地提高了SIFT算法在实际应用中的实时性。

面向CPU＋GPU异构计算的SIFT特征匹配并行算法

依据图形处理器(GPU)计算特点和任务划分的特点,提出主从模型的CPU+GPU异构计算的处理模式.通过分析和定义问题中的并行化数据结构,描述计算任务到统一计算设备架构(CUDA)的映射机制,把问题或算法划分成多个子任务,并对划分的子任务给出合理的调度算法.结果表明,在GeForce GTX 285上实现的尺度不变特征变换(SIFT)并行算法相比CPU上的串行算法速度提升了近30倍.

CPU-GPU协同计算加速ASIFT算法

ASIFT(Affine-SIFT)是一种具有仿射不变性、尺度不变性的特征提取算法,其被用于图像匹配中,具有较好的匹配效果,但因计算复杂度高而难以运用到实时处理中。在分析ASIFT算法运行耗时分布的基础上,先对SIFT算法进行了GPU优化,通过使用共享内存、合并访存,提高了数据访问效率。之后对ASIFT计算中的其它部分进行GPU优化,形成GASIFT。整个GASIFT计算过程中使用显存池来减少对显存的申请和释放。最后分别在CPU/GPU协同工作的两种方式上进行了尝试。实验表明,CPU负责逻辑计算、GPU负责并行计算的模式最适合于GASIFT计算,在该模式下GASIFT有很好的加速效果,尤其针对大、中图片。对于2048*1536的大图片,GASIFT与标准ASIFT相比加速比可达16倍,与OpenMP优化过的ASIFT相比加速比可达7倍,极大地提高了ASIFT在实时计算中应用的可能性。

一种基于GPGPU的SIFT加速算法

SIFT是目前应用最广泛的基于局部特征的图像特征提取算法之一,针对其运行速度制约其应用范围的问题,提出在图像处理器(GPGPU)上设计并实现将算法各核心模块映射到GPGPU的计算单元并针对GPUPU特性进行优化的SIFT并行加速算法。测试结果表明,基于GPGPU的SIFT并行算法相比于原始串行版本达到了118.2倍的加速,吞吐量达到了76.86图片/s,相比于已有的技术获得了明显的性能提升。

基于改进SIFT算法的超声图像拼接方法

针对大型结构超声C扫描获得的多幅子图像,为了获取被测结构的全景图像,研究图像的拼接方法.根据超声波法成像检测的动态过程并结合数字化图像处理技术,在传统的基于尺度不变特征变换(scale invariant feature transform,SIFT)算法基础上,提出了一种改进的超声C扫描检测图像拼接方法.首先,针对传统SIFT算法存在超声图像配准成功率低的问题,利用超声扫查过程中探头起始位置的矢量差对SIFT算法得到的特征点粗匹配结果进行筛选;其次,采用动态规划的方法寻找最佳缝合路径;最后,沿最佳缝合路径进行渐入渐出融合以改善融合区域的视觉效果.人工缺陷试块及焊接结构试件超声图像的拼接结果表明,基于改进的SIFT图像拼接算法可以将多幅超声C扫描子图像有效拼接为全景图像;所提方法特征点匹配准确率高、图像融合失真小,优于常规SIFT图像拼接算法;拼接图像中,目标位置关系对应良好,可实现结构加工质量的整体无损评价.

具有局部自适应阈值的SIFT快速图像匹配算法

针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题,本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先,所提方法在SIFT算法的基础上,对构建的高斯金字塔进行了优化,通过减少金字塔层数来消除冗余特征点以提高检测效率,并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测,筛选出鲁棒性较强的特征点进行更准确的匹配;其次,采用高斯圆形窗口建立32维降维特征向量,提高算法运行效率;最后,根据匹配特征点对之间的几何一致性对特征点进行提纯,有效减少误匹配。实验结果表明,本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法,相比传统的SIFT算法,匹配精度提高了约10%,算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下,正确匹配率在93%以上。

基于最小剩余时间算法与SR-IOV技术的GPU资源优化调度方案

为了优化GPU资源利用率,文章提出了一种新型的GPU资源调度方案。该方案结合了最小剩余时间算法与SR-IOV(SingleRootI/OVirtualization)技术,可优化多用户、多任务环境下的GPU资源利用率和系统性能。传统的GPU调度方法往往面临资源利用不足、任务等待时间长和系统吞吐量受限等问题。为了应对这些挑战,该方案通过动态分析任务的剩余执行时间,利用SR-IOV技术实现了GPU资源的细粒度隔离与共享,可为更高效的资源分配和任务调度提供支持。实验结果表明,相较于传统的无调度、容器调度和常见机器学习调度方案,该方案在均值准确率、GPU利用率、系统吞吐量和任务执行时间等方面均具有一定的优势,可为多用户多任务场景下的GPU资源管理提供有益的参考。

基于边缘响应优化SIFT算法在无人机影像匹配中的研究

无人机(UAV)影像匹配过程中常规的尺度不变特征变换(SIFT)算法在处理UAV影像时会受边缘响应影响,导致特征点匹配的准确度与精度降低。为了进一步提高UAV影像匹配的准确度与精度,提出了一种优化的SIFT图像匹配算法。以云南省禄丰市恐龙谷为研究区,选择两组研究区无人机影像以及一组公开无人机影像作为实验数据。首先,基于尺度不变性构建高斯差分金字塔,并进行空间极值检测实现特征点的定位。其次,使用Canny算法对图像进行边缘检测,在边缘检测的基础上对图像进行边缘响应点去除,对去除边缘响应后的特征点使用FLANN匹配器进行特征点匹配。然后,在图像匹配的基础上使用最佳近似比进行匹配点的第一次筛选,随后,利用随机抽样一致性(RANSAC)算法对匹配点进行第二次筛选,确定最佳比值阈值,并计算出RANSAC筛选后的均方根误差(RMSE)与准确率。最后,将优化SIFT算法与SIFT、ORB、SURF算法进行对比分析。结果表明,优化的SIFT算法不仅特征点匹配耗时小于其他3种算法,在匹配精度、准确度上以及物方精度上也优于其他3种算法。优化后的SIFT算法在A、B、C 3组数据匹配的精度分别是93.13%、84.09%、92.73%,RMSE值分别是0.6490、1.1805、0.7726。因此优化的SIFT算法能够降低边缘响应对传统SIFT算法带来的影响,提高了图像匹配的精度和准确度。

基于改进SIFT算法的城市航拍图像快速拼接方法

城市航拍图像在城市规划、土地管理、环境监测和基础设施建设等领域具有广泛应用。针对无人机航拍高度越高,图像捕获成本越高,图像质量或能见度越低的问题,使用低空无人机来大量捕获图像;针对经典的尺度不变特征转换(SIFT)图像拼接算法存在匹配稳定性差、拼接质量差的问题,提出一种改进SIFT算法,通过提取图像金字塔模型,提高了匹配的稳定性;采用RANSAC算法减少局外点的干扰,提高图像拼接质量;采用混合平均加权法消除重叠区域接缝,最终实现了图像快速精准拼接。仿真实验结果显示,改进后的SIFT算法在图像拼接稳定性和质量上均表现较好,能获得良好且完整的拼接图像。

基于改进SIFT算法的图像识别研究

针对基于SIFT算法的图像识别中存在着识别准确度不高,匹配速度慢问题。提出了一种快速获取特征点和匹配特征点方法。首先基于图像边缘的特征点获取方法,对图像边缘进行扩展,只在扩展区域内判断特征点。然后在特征点描述符中增加特征点周围16个子区域归一化后的灰度差分值信息,增强特征点描述能力。通过KPCA降维方法对描述符降维,最后在特征点匹配阶段使用余弦相似度预处理噪声特征点,加快匹配速度。在实际测试中,相对于SIFT算法图像识别率提升了8%左右,识别速度提高了50%左右。

启发式优化算法的GPU并行加速框架

为解决启发式优化算法计算量大、耗时长的缺点,使用图形处理单元(GPU)以及统一计算架构(compute unified device architecture,CUDA)对启发式优化算法进行并行化。提出了一种针对启发式优化算法的GPU并行框架,设计了具有并行逻辑结构的信息交互框架、算法并行优化策略,解决了信息交互的逻辑结构在串、并行中的相异性问题,该框架可并行化各类启发式优化算法,具有一般性与高效性。为验证该框架的有效性,利用并行框架对5种常见启发式优化算法进行并行化,给出了多个测试函数下GPU并行计算与CPU串行计算的对比结果,其中差分进化算法、哈里斯鹰优化算法、灰狼优化算法、鲸鱼优化算法在种群维度为5000时,分别加速高达179.1、178.6、74.3、358.2倍,同时保证了结果的准确性,表明所设计并行框架的高效性与实用性。

基于SIFT特征点提取算法的三维数字影像重建方法

针对在数字影像三维重建过程中,由于原始数据中存在噪声和失真等不足,导致特征匹配效率和精度较低的问题,提出基于SIFT(Scale-Invariant Feature Transform)特征点提取算法的三维数字影像重建方法。采用双边滤波算法对数字影像中的环境噪声实施消除处理,并保留数字影像的边缘信息,提高特征点提取精度;通过尺度不变特征转换(SIFT)算法对其提取特征点,得到数字影像的特征点对;将该特征点对作为初始面片,利用空间目标多视影像密集匹配方法,实现对数字影像的三维重建。实验结果表明,所提方法特征匹配效率和匹配精度高,且降噪能力强,生成的三维重建影像所需平均时间为26.74 ms。

基于3D AR立体识别和SIFT算法的数字出版技术研究

研究基于3D SLAM技术和AR立体识别技术获取真实世界中的物体三维结构和位置信息,采用SIFT算法检测图像或点云中的关键特征,通过数据采集与预处理、特征提取与匹配以及空间定位与渲染等技术流程,完成了系统框架设计和后台技术开发,实现了在AR环境下对真实世界中的物体进行精确识别与定位,将虚拟对象与真实场景进行融合,形成了一种全新的实景三维数字出版技术方案,并通过实验证明了该技术的可行性和有效性。

基于特征点和SAR-SIFT算法的林权测绘地形图像几何配准

目前常规的测绘地形图像几何配准主要通过对单应性矩阵进行求解,从而实现图像配准,由于对待配准图像的灰度化处理程度较低,导致配准精度较差。对此,本文研究基于特征点和合成孔径雷达(SAR)-尺度不变特征变换(SIFT)算法的林权测绘地形图像几何配准方法。首先对SAR图像成像机理进行分析,在此基础上采用滤波算法对图像进行处理,并采用加权平均法对红、绿、蓝三原色(RGB)通道分量进行灰度化处理。然后结合SAR-SIFT算法,构建多层次的尺度空间,并结合海森矩阵对像素梯度值进行计算,生成特征描述子。最后通过对特征描述子的相似度进行计算,结合匹配阈值,实现图像特征点的匹配。实验结果表明:采用基于特征点和SAR-SIFT算法的林权测绘地形图像几何配准方法对图像进行几何配准时,算法的均方根误差值较小,具备较为理想的几何配准精度。

基于SIFT算法的水电站出线场区域视频巡检

针对出线场视频巡检缺陷识别准确率低的问题,提出了一种基于SIFT算法的水电站出线场区视频巡检方法。通过图像腐蚀算法对出线场巡检图片进行清洗,以消除噪声数据对图像数据识别造成的影响;然后采用Sobel算法对设备图像区域进行框定,并采用SIFT算法提取巡检图片特征。最后,采用卷积神经网络识别出线场设备缺陷。应用结果显示:该方法的缺陷识别准确率达到98.3%,验证了方法的有效性。

结合全局信息的SIFT特征匹配算法

提出了结合全局信息的SIFT(Scale Invariable Feature Transformation)特征匹配算法,解决了图像中存在多个相似区域时造成的误匹配问题。在尺度空间检测出特征点,生成包含两基于局部信息的SIFT向量和基于全局信息的全局向量;采用BBF(Best Bin First)算法进行搜索,并采用欧氏距离作为度量函数进行特征向量的匹配。实验结果表明,由于在基于局部信息的SIFT向量中加入基于全局形状信息的全局向量,使得当特征点的尺度较小时,可以借助更大邻域范围内的信息对其进行描述,从而降低了由于局部信息相似而造成的误匹配的概率。所用图像误匹配的概率由19%下降到了11%,极大地改善了匹配效果。

基于GPU的变型SIFT算子实时图像配准

针对SIFT变型算法描述向量维数过高实、时性差的问题,分别在建立高斯尺度金字塔、关键点的亚像素定位等方面进行改进与并行化。利用CUDA设备构架在GPU硬件上实现多线程,一方面避免了PCA方法造成的关键点信息流失,另一方面使得配准速度达到了工程中的实时性要求。在VS2005平台上通过C语言实现混合CUDA编程,结果表明该方法使得配准速度和点对匹配正确率都有较大提升。

基于改进SIFT算法的图像匹配

为进一步提高SIFT匹配算法的鲁棒性和正确率,从以下几个方面改进SIFT算法。对图像进行多分辨率小波变换,重建图像近似成分——低频信息参与匹配;采用"回"字形双层方邻窗将特征点邻域区域划分成四部分,建立32维特征点描述符向量;运用欧式距离初步确定匹配点,再用积分图像进一步剔除由于特征点具有空间相似性而出现的误匹配点,从而提高匹配精度。实验表明,本文算法在匹配精度和匹配时间上有明显提高,特别是当图像具有较多局部相似特征时,匹配点数增加,匹配正确率提高。