题目：面向互联网搜索的图像处理算法GPU加速研究与实现

 

近年来，随着互联网和多媒体技术的发展，数码相机、摄像机和智能手机的普及，图像数据库迅速膨胀。传统的基于文本标注的图像搜索方法需要人工对图像的关键字进行标注，这种方法耗时耗力，而且容易因每个人对图像的理解不同而造成歧义。在这种情况下，基于内容的图像检索方法（Content Based Image Retrieval, CBIR）诞生了。该方法利用图像的视觉特征（如颜色、纹理、形状以及空间分布等信息）进行检索，通过这些底层特征集的某种合适距离判断图像之间的相似性进而给出检索结果。然而，基于内容图像检索技术相较于传统的基于文本的检索技术计算复杂度更高，数据量也更大，无疑会对图像检索的速度造成影响。另外，互联网中的图像数量庞大、种类多样，并且用户搜索需求各异，对搜索精度与搜索结果呈现方式也有不同要求，这使得现有的算法难以满足互联网中图像搜索的需求。

本文提出了面向互联网搜索的基于内容图像处理算法库的设计方案。该算法库是多模态数据搜索平台的一个重要组成部分，主要解决了海量图片的处理、图像特征向量提取算法的并行化实现、多级网格划分和差异化权值的图像检索方法以及与多模态数据搜索平台系统的集成接口设计等关键问题。

为了提高图像检索速度，本文对基于内容图像搜索的相关算法（如LBP算法和灰度共生矩阵算法）进行了GPU并行加速设计。特别地，设计了针对海量图片处理的加速方案，使GPU并行提取多幅图像特征向量，并采用异步传输方式使多幅图像数据的复制与kernel函数的执行并行化。同时，为了更好地实现图像检索时的全图匹配、子图匹配和局部匹配，本文提出了一种基于多级网格划分和差异化权值的图像检索方法。

对特征向量的提取分别采用了两种方法进行实现，一种是依次计算每一幅图像的特征向量，另一种是采用异步传输提取多幅图像的特征向量，并与CPU程序进行了对比分析，结果表明:第二种方法加速效果更好、效率更高，尤其是在数据量大的情况下，对特征向量的提取加速比可达到50以上。对于其他的图像特征提取算法，同样可以采用这种异步传输的方法来实现GPU并行加速。