学位论文 > 优秀研究生学位论文题录展示
基于CPU-GPU的无人机序列图像快速配准方法研究
作 者: 屈新原
导 师: 段福洲
学 校: 首都师范大学
专 业: 地图学与地理信息系统
关键词: 无人机 序列图像 GPU 彩色SIFT 快速配准
分类号: TP391.41
类 型: 硕士论文
年 份: 2012年
下 载: 327次
引 用: 1次
阅 读: 论文下载
内容摘要
作为新兴的遥感获取平台,无人机由于其高分辨率、高时效性、低成本、低风险收到越来越广泛的重视和应用。在处理无人机序列图像时既要保证处理质量,又对处理的时效性提出了要求,这样才能体现出无人机遥感平台的优势所在。无人机数据配准作为无人机数据下发后的第一步也是关键的一步,其处理效率一直是处理的瓶颈。本文通过无人机图像成像特点入手,从目前无人机遥感平台的成像质量的影响因素分析无人机图像配准需要解决的问题。综合考虑采用彩色SIFT (Scale Invariant Feature Transform)算法解决无人机序列图像的自动配准问题,提升配准效果。改善传统算法只对灰度影像进行处理而产生的特征混淆、误匹配等问题。通过实验证实彩色SIFT算法比传统SIFT算法获取的特征点数多1.7倍以上。在影像有较大倾角或较多水体等情况,彩色SIFT的优势更加明显。并通过GPU(Graphic Processing Unit)在图形处理方面的优势,改进彩色SIFT算法,提高无人机图像自动配准效率,解决海量的无人机任务数据处理的瓶颈问题。在CPU-GPU并行运算系统中,将匹配过程中一些计算量比较大的算法模型通过GPU并行处理,减少了无人机影像配准时间,提升了数据处理效率。GPU的提升效率与图像尺寸成正比,图像越大越能发挥GPU运算优势,在对3648×2736大小的影像进行处理时,基于CPU-GPU算法处理速度达到单独CPU运算的61倍以上。CPU-GPU运算的优势结合彩色SIFT算法效果,整体上提升无人机数据自动配准效率,为无人机数据快速处理提供有效、可行的一条道路。本文主要内容包括:1.从无人机遥感平台特点以及无人机序列图像的成像特点出发,分析无人机CCD序列图像的自动匹配不仅需要考虑几何不变性又需要考虑彩色不变性。研究基于彩色SIFT的无人机图像配准算法,解决了图像特征提取的几何不变性以及彩色不变性的问题。并提出了基于分块策略的无人机影像配准的优化方法,减少了误差传递并提高了计算效率。2.根据CPU-GPU计算平台,对彩色SIFT算法进行设计与实现,分析如何在GPU上实现彩色不变算法、几何特征点检测算法、特征向量匹配等功能,最后基于CUDA平台分析如何对整个算法进行优化。3.搭建CPU-GPU运算的软硬件环境,设计实验流程。从无人机数据预处理到基于四叉树的航带影像分块拼接,构建完整的无人机序列影像快速配准拼接流程。对基于彩色SIFT无人机图像配准算法、基于CPU-GPU的彩色SIFT算法、无人机图像拼接算法进行实验和验证,并对结果进行分析。
|
全文目录
摘要 4-6 Abstract 6-12 第一章 绪论 12-26 1.1. 研究意义与目的 12-14 1.2. 国内外研究现状 14-24 1.2.1. 无人机图像特点及配准算法概述 14-21 1.2.2. GPU通用计算及CUDA技术概述 21-24 1.3. 主要研究内容和章节安排 24-26 第二章 基于彩色SIFT算法的无人机图像配准 26-44 2.1. 无人机序列图像配准的算法选择 26-28 2.2. 基于彩色SIFT算法的无人机图像配准 28-37 2.2.1. 颜色不变量模型 28-29 2.2.2. 几何不变量特征点检测 29-35 2.2.3. 特征点的匹配 35-36 2.2.4. 消除误差点 36-37 2.3. 基于分块策略的无人机影像优化方法 37-38 2.4. 实验与分析 38-42 2.4.1. 针对无人机序列影像的彩色SIFT效果分析 38-41 2.4.2. 针对无人机序列影像的彩色SIFT适用性分析 41-42 2.5. 本章小结 42-44 第三章 基于CPU-GPU的彩色SIFT算法的实现 44-52 3.1. 基于CPU-GPU的彩色SIFT算法实现 44 3.2. 彩色不变量算法实现 44-45 3.3. 特征点检测实现 45-48 3.3.1. 高斯和差分金字塔实现 45-46 3.3.2. 极值点检测 46-47 3.3.3. 特征点方向和梯度的计算 47-48 3.3.4. 特征点描述的计算 48 3.4. 特征向量匹配的实现 48-49 3.5. 基于CUDA平台的算法优化 49-50 3.6. 实验与分析 50-51 3.7. 本章小结 51-52 第四章 基于CPU-GPU的无人机序列图像快速配准流程设计与实现 52-60 4.1. 实验流程设计 52-53 4.2. 实验环境 53 4.3. 基于CPU-GPU无人机序列图像快速配准流程实现 53-57 4.3.1. 无人机图像预处理 53-55 4.3.2. 基于CPU-GPU的无人机序列图像精配准 55 4.3.3. 基于四叉树的影像分块拼接 55-57 4.4. 实验结果比较与分析 57-59 4.5. 本章小结 59-60 第五章 总结与展望 60-62 5.1. 主要工作和创新点 60 5.2. 进一步研究工作 60-62 参考文献 62-68 致谢 68
|
相似论文
- 基于视觉反馈与行为记忆的GPU并行蚁群算法,TP301.6
- CUDA平台下数字图像认证方法的设计与实现,TP391.41
- 航模陀螺的设计和飞行控制的实现,V249.1
- 基于GPU的水下环境的实时模拟,TP391.41
- GPS在小型无人机导航定位中的应用研究,V249.3
- 基于神经网络与GPU的手写数字识别及其试卷管理,TP391.43
- 基于改进粒子群算法的无人机航迹规划,V279
- 基于GPU的BLAST程序的并行计算的研究,TP338.6
- 基于GPU的医学图像体绘制算法的研究与实现,TP391.41
- 基于GPU的常见散列算法并行实现及优化,TP391.41
- 基于元胞自动机模型的硅各向异性腐蚀模拟,TB304
- 水稻分蘖断层图像重建加速研究,TP391.41
- 快速智能入侵检测技术研究,TP393.08
- 基于GPU的有限元方法研究,O241.82
- 目标的快速检测、定位与运动分析,TP391.41
- 基于图形处理器的SIFT算法研究,TP391.41
- 基于多图形处理器的高效波动声学模拟器及其应用,TP391.41
- 群体仿真算法研究及疏散仿真系统开发,TP391.9
- GPU加速的粒子滤波PET图像重建算法,TP391.41
- 基于GPU的时间序列并行检索算法研究,TP391.41
- 基于CPU的源强反算算法研究,TP18
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|