《并行计算-10720938-赵海红》由会员分享，可在线阅读，更多相关《并行计算-10720938-赵海红（34页珍藏版）》请在金锄头文库上搜索。
1、学 号 : 10720938 姓 名 : 赵 海 红,图像语义检索的,并行算法,一、主要内容,底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部特征(SIFT Feature) 潜在语义模型(Latent Semantic Concept Model) 底层特征到潜在语义映射的并行思想 实验分析 总结,二、相关概念,textual annotation（文本标注） Ontology（本体） GIO LSCM low-level feature Gabor function Four
2、ier transform（傅里叶变换） SIFT算法 GPU 灰度值,三、背景,随着数码相机、移动设备等的普及，互联网图像信息量呈现指数级的增长，信息浩如烟海, 内容庞杂,格式繁多 组织松散,为找到我们想要的图像, 复杂度是越来越大。 而在“用户经常使用的网络服务/功能”中，“搜索引擎”以64.5%的选择率排在第三位，仅次于“电子邮箱”（91.3%）和“浏览新闻”（79.3%） 当今主要流行的图像搜索引擎还是一个信息搜索的过程，没有真正考虑到图像的真实含义和用户的需求。 本文力求为上述问题提出一个解决方案，提出一种基于并行算法的图像语义分析，具体的详细内容将会在下面做具体的讲解。,主要内容,
3、底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部特征(SIFT Feature) 潜在语义模型(Latent Semantic Concept Model) 底层特征到潜在语义映射的并行思想并行思想 实验分析 总结,五、低层次特征抽取,主要是指图像颜色、纹理、 形状和空间位置关系等。颜色是图像中最直接和最简单的特征 ,它对图像本身的尺寸、方向等的依赖性较小 ,因此利用图像颜色特征来检索是基于内容的图像检索技术中最常用最基本的方法。但是颜色特征对亮度和噪声比较敏感 ,而且以直方图作
4、为颜色特征没有包含任何颜色的空间布局信息 ,而纹理特征对噪声有较强的抵抗能力 。,主要内容,底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部特征(SIFT Feature) 潜在语义模型(Latent Semantic Concept Model) 底层特征到潜在语义映射的并行思想并行思想 实验分析 总结,六、颜色特征,颜色特征提取 为了正确使用颜色特征进行检索,使图像检索的结果更符合人的视觉感觉,首先需要建立颜色空间模型。在实际应用中常用的颜色空间模型很多 ,选取什么样的颜色模
5、型对检索结果影响很大。RGB颜色模型是最基础、最常用的颜色模型,数字图像一般都采用 RGB颜色模型来表示,但 RGB颜色模型不符合人对颜色的感知心理 ,而 HSV颜色空间模型能够较好地符合人眼的感知特征 ,同时又能够方便地同RGB颜色空间模型进行转换。,因此本文采用的是HSV颜色空间模型 ,即色调 H(Hue)、 饱和度S(Satu2 ration)和亮度V(Value)。由于一般情况下获取的图像都是在RGB颜色空间描述的,为了计算的方便经常要做颜色空间的转换。从RGB颜色模型到 HSV颜色模型的转换公式如下:,本文以颜色直方图作为图像颜色特征的表示方法 ,它的横轴表示颜色等级 ,纵轴表示在某
6、一个颜色等级上具有该颜色的像素在整幅图像中所占的比例 ,其可以定义为一个离散函数其中 i表示灰度级 , L表示灰度级种类数 , ni表示图像中具有灰度级 i的像素总数 ,N表示图像总的,主要内容,底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部特征(SIFT Feature) 潜在语义模型(Latent Semantic Concept Model) 底层特征到潜在语义映射的并行思想并行思想 实验分析 总结,七、文理特征,首先看下Gabor 变换 根据模拟人类视觉系统而产生。通过
7、模拟人类视觉系统，可以将视网膜成像分解成一组滤波图像，每个分解的图像能够反映频率和方向在局部范围内强度变化。通过一组多通道Gabor滤波器，可以获得纹理特征。 Gabor变换的根本就是Gabor滤波器的设计，而滤波器的设计又是其频率函数（U,V）和Gauss函数参数的设计。通过频率参数和高斯函数参数的选取，Gabor变换可以选取很多纹理特征，但是Gabor是非正交的，不同特征分量之间有冗余，所以在对纹理图像的分析中效率不太高,纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的视觉特征 ,它在基于内容的图像检索中得到了广泛的应用。常见的纹理描述方法主要有统计法、 频谱法和结构法。本文采用频谱
8、法 ,利用Gabor滤波器组提取图像的纹理特征。,主要内容,底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部不变量特征(SIFT Feature) 潜在语义模型(Latent Semantic Concept Model) 并行思想的映射 实验分析 总结,八、SIFT 特征提取,4.3 SIFT 特征提取 1 SIFT 发展历程 SIFT算法由D.G.Lowe 1999年提出，2004年完善总结。后来YKe将其描述子部分用PCA代替直方图的方式，对其进行改进。 2 SIFT 主要
9、思想 SIFT( Scale Invariant Feature Transform) 即尺度不变特征变换 )特征匹配算法为代表. SIFT是一种提取局部特征的算法 ,在尺度空间寻找极值点 ,提取位置、 尺度、 旋转不变特征量 ,并根据两幅图像特征量之间的距离实现图像匹配.,算法是一种提取图像局部特征的算法 它通过在尺度空间寻找极值点 提取图像的位置、尺度、旋转不变量并以此来构造图像的特征描述符具体过程如下： )检测到极值点。建立图像高斯金字塔及高斯差分金字塔检测空间极值点。将输入图像通过不同尺度的高斯核函数连续滤波和下采样形成高斯金字塔图像 然后利用不同尺度的高斯差分核与图像卷积生成高斯差分
10、金字塔 然后将尺度空间每个点与其相邻尺度和相邻位置的26 个点逐个进行比较 以确保在尺度空间和二维空间检测到极值点,）确定关键点位置 通过拟合三维二次函数以精确确定关键点的位置和尺度 达到亚像素精度 同时根据曲面拟合的方法对关键点进行进一步的精确定位同时剔除对比度低的关键点和不稳定的边缘响应点 因为算子会产生较强的边缘响应 3）关键点方向分配 以关键点为中心的邻域窗口内采样 并用直方图统计邻域像素的梯度方向直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向，为每个关键点指定方向参数使算子具备旋转不变性 4）生成SIFT描述符。 其中Lij是图像的梯度幅度，Mij是方向，Rij
11、是计算像素之间的不同度,SIFT算法步骤： 1）检测尺度空间极值点，确定监测点。 2）精确定位极值点 3）为每个关键点指定方向参数 4）关键点描述的生成,SIFT GPU实现过程 利用GPU技术实现的SIFT算法 算法中有多个步骤是由 GPU 以并行计算的方式进行如下 输入彩色图像的灰度转换，对输入图像降采样和升采样 创建高斯图像金字塔(灰度 梯度 差分高斯图像) 关键点检测 采用GPU直方图约简产生压缩特征列表 计算特征方向和描述子 但不是所有的步骤都能在 上快速实现 因此整个实现过程处理采用 和 混合实现的方式,Stud y of SIFT Feature Extraction Algor
12、ithm Based on GPU WANG Rui 12 LIANG Hua 1 CAI Xuan - p in g 1,主要内容,底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部特征(SIFT Feature) 潜在语义模型(Latent Semantic Concept Model) 并行思想的映射 实验分析 总结,潜在的语义概念模型,首先看俩个定义 定义1：一般图像的本体GIO是一个给定的五元组，形式如下： 其中，W是描述概念对象的关键字，C是真实世界的对象的集合，M是一
13、个二维的影像，是一张图片跟一个概念的影像，Root（C)是GIO结构的根节点。 定义2：是给定俩个概念Ci与Cj,这俩个概念的距离可以表示为：,潜在的语义概念模型(LSCM),二、相关概念,底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部特征(SIFT Feature) 潜在语义模型(Latent Semantic Concept Model) 从底层图像特征到LSCM的映射 实验分析 总结,从底层图像特征到LSCM的映射,系统缩小用户搜索图像的语义和用户输入查询语句关键字的语义
14、的差距是有非常现实的意义，系统会通过一系列的图像底层特征到潜在语义概念模型的映射而做出综合的考虑。首先，图像分析处理一般分为两个阶段，图像底层特征分析系阶：组成图像的基本概念对象和他们相关的位置关段。图像的高级分析阶段：图像被描述为一组可识别的概念和他们应属的类别。这个映射功能是依赖俩个事情：主要语义和底层特征的统计概率,并行思想的映射工作,从底层图像特征到LSCM的映射,系统查询图像的基本过程如下：,主要内容,底层特征的概述（Low-Level Features) 颜色特征(The Color Features) 纹理特征(The Texture Features) 局部特征(SIFT Fe
15、ature) 潜在语义模型(Latent Semantic Concept Model) 并行思想的映射 实验分析 总结,实验结果与评估,实验结果与评估,本论文的优缺点,优点： 引用了本体，使能够更能描述图像的语义 多中底层的特征提取 引入并行的思想进行影像 缺点： 特征描述简单 计算量有待优化 影像策略有待改进,相关工作的展望,本论文主要描述GIO的定义和本体的设计，我们的主要目的是改善这样的能力，就是通过计算相似性来改善语义匹配这样的能力，接下来提出和完成了一个并行的PICM的算法，并行的计算概念与图像的相似性为了与本体的影像，实验的结果也表明了GIO可以处理实际中电子商务的的一些概念，但
16、是还不能准确的描述语义信息，我们会将进一步改善GIO的结构，并能理解这些底层特征集合,二、参考文献,Marc Ehrig, York Sure, Ontology Mapping-An integrated Approach,6-7,11-13. Miller, G. Nouns in WordNet: A Lexical Inheritance System. International Journal of Lexicography,Vol.3,No.4,P245-264,1990. A Parallel Ring Ordering Algorithm for Efcient One-Sided Jacobi SVD Computations Dynamic ordering for a parallel block-Jacobi SVD algorithm 郭恒明, 雷咏梅,李利杰,王 雄,潜在语义分析中词汇-文本矩阵奇异值分解的并行实现,计算机应用与软件，
