2篇数字图像处理论文.docVIP

基于并行计算的图像灰度匹配 摘 要：灰度匹配是数字图像处理中一项重要的技术，以往的匹配方法虽然精确度高，但计算量大、时间长。针对这一问题，将基于 MPI(Message Passing Interface)的集群并行处理思想引入到图像灰度匹配中，对待匹配的图像采用数据分割处理，结合并行处理的一般步骤对图像灰度匹配进行并行建模、实现，对传统的图像灰度匹配算法进行并行化改进，试验结果表明并行化处理能显著地缩短灰度匹配时间，达到较高的加速比和效率。通过对图像灰度匹配的并行化处理，验证了并行计算的高性能。 关键词：MPI；并行计算；灰度匹配；集群 1.引言 在数字图像处理中，图像匹配是根据已知一幅图像在陌生图像中寻找对应子图像的过程，它在计算机视觉、航空遥感、医学图像、飞行器制导等领域具有广泛的应用。目前，图像匹配算法很多，基于灰度匹配算法简单、精度高，但计算量大、对旋转形变等敏感[1]。基于特征匹配方法计算量小，对灰度变化、形变及遮挡等有较好的适应性，但它取决于特征提取的质量，匹配精度不是很理想[2]。基于神经网络和遗传算法具有良好的并行性和非线性全局作用，良好的容错和记忆能力，但计算代价高、参数选取对结果影响大[3][4]。其中经典的灰度相关算法具有匹配精度高，易于硬件实现等特点，但计算量大、速度慢，应用受到限制。现今针对灰度相关匹配改进的算法较多，如灰度归一化相关匹配，基本上是从相似性度量的函数着手进行算法的改进[5]，但很多是基于串行处理。随着近几年硬件的飞速发展，使得传统的大型工作站可由多微机的集群系统代替，从而使得计算量大的问题可由后者解决。在图像处理的研究中，并行处理的引入极大地缩短了计算时间，成为图像处理中的一种重要手段[4]。本文基于灰度相关匹配进行并行化处理、改进，提高运算速度。2.灰度相关匹配 匹配的图像称为模板，记为T (m, n) ，大小为 N?N，被匹配的陌生图像为 S(m, n) 大小为 M?M ，其中陌生图像被模板覆盖的部分称为子图，记，在陌生图像中起始位置为 (i, j) ，匹配的过程是由模板从源图像左下角开始逐点匹配。灰度相关匹配常见的方法有平均绝对误差，平均平方差，归一化相关等算法[5]。本文讨论的并行处理采用平均平方差作为试验的基本算法。公式如下： （1） 其中为平均平方差，上式展开为： （2） 从（1）式可知，当 D(i, j0) 最小时，T (m, n) 与 S(m, n) ij 匹配精度最高。由（2）式知前二项为模板对应陌生图像子图的平方和以及模板的平方和。S(m, n) ij T (m, n) 为模板与子图的互相关，为使 D(i0, j0) 最小S(m, n) ij T (m, n) 须最大，则子图与模板的相似性测度定义为： （3） R (i, j) 值越大，相似度越高。上式标准化后为： （4） 由上可知，当 R(i, j) 取最大值是， D(i0, j0) 最小，此时，最精确的匹配位置为 (i, j) 。 3.并行处理 并行处理的环境需要软、硬件的搭配以及网络的支持，近几年，硬件价格的降低、性能 的提高，软件性能的改善以及网络传输速度的提高，使得并行处理的环境易于构建。 3.1 MPI MPI是一个消息传递接口标准，用于开发基于消息传递的并行程序，其目的是为用户提供一个实际可用的、可移植的、高效和灵活的消息传递接口库[6]。MPI 支持 C 和 FORTRAN，使得它成为现今最流行的并行程序开发标准。MPICH 是 MPI 一个重要的实现，它是由美国 ARGONNE 国家实验室和 MSU 共同开发维护的。目前最新的版本是 MPICH2-1.0.7，它支持最新的 MPI2 标准，可以从相关网站免费获得，按照下载提供的文档安装。 3.2 集群系统 近些年，计算机硬件的高速发展以及网络性能的不断改善，使得并行计算从传统的超级计算机转移到由一组高性能节点（可以是个人计算机）构成的集群系统。所谓的集群系统是一组独立的计算机的集合，它们通过网络进行连接，每个计算机可以单独作为一个计算机也可以协同其它计算机表现成为一个单独的集中的计算资源，供并行任务使用[7]。由于Linux 的开源和稳定性，使得它成为构建集群系统的最佳操作系统。选择一台计算机为主节点，其余为分节点，集群系统的构建大致分为：1、NFS 配置，2、NIS 配置，3、RSH 配置，具体过程参考相关资料[7][8] 最后用 lamboot命令启动集群系统中各个节点。 3.3并行模型及实现 并行环境下必须考虑待处理问题并行处理的可行性。对问题的并行求解必须将问题的并行特性充分体现出来。结合一般并行模型的建立[9]根据图像的数据特点可分析如下（1）对图像灰度匹配串行处理的