[发明专利]一种基于GPU的多尺度空间特征提取方法

权利要求书

1.一种基于GPU的多尺度空间特征提取方法，其特征在于，包括以下步骤：

(1)根据输入图像的宽度W和高度H，计算特征提取尺度空间需要降采样的次数num；一次降采样对应一个尺寸，包含原始尺寸，共有num+1个不同尺寸；

(2)根据输入图像和尺寸数num+1，利用多尺寸数据打包、多尺寸并行降采样、多尺寸并行非线性滤波的方法，并行的构造不同尺寸下的尺度空间；

(3)在(2)构造的不同尺寸下的尺度空间中检测关键点，生成关键点的描述符；

所述步骤(2)包括以下子步骤：

(2.1)多尺寸数据打包：根据输入图像的宽度W和高度H、降采样次数num、CUDA编程的特点，将num+1个不同尺寸的图像打包成联合图像，并在GPU中分配联合图像存储空间，对于S层尺度空间，就有S个联合图像；

(2.2)多尺寸并行降采样：利用初始输入图像信息，对输入图像并行的进行num次降采样，得到尺度空间中的第一个联合图像，即第一层图像；

(2.3)根据步骤(2.2)构造的第一个联合图像，利用前一层联合图像，循环的进行S-1次非线性滤波，得到尺度空间中所有的联合图像，即所有S层图像；

所述步骤(2.3)包括以下子步骤：

(2.3.1)利用尺度空间前一层，即第i个联合图像，并行计算联合梯度图像G；

(2.3.2)根据联合梯度图像G的第一个尺寸的图像，计算得到非线性滤波系数k，根据非线性传导系数k和联合梯度图像，计算得到联合图像的非线性滤波矩阵C；

(2.3.3)根据联合图像的非线性滤波矩阵C，对第i个联合图像进行非线性滤波，得到第i+1个联合图像，即当前层；i＝i+1，循环构造下一层。

2.根据权利要求1所述的多尺度空间特征提取方法，其特征在于，步骤(2.1)包括以下子步骤：

(2.1.1)根据输入图像的宽度W和高度H、降采样次数num，计算得到每次降采样后图像的宽度w和高度h；

(2.1.2)根据CUDA编程特征，将每一个尺寸下的图像的宽度w填充，使得填充后的宽度pw为Warp Size的整数倍；

(2.1.3)将所有尺寸下的图像打包成联合图像，在GPU中分配联合图像的存储空间；对于S层尺度空间就有S个联合图像。

3.根据权利要求2所述的多尺度空间特征提取方法，其特征在于，所述步骤(2.2)包括以下子步骤：

(2.2.1)利用GPU内存复制函数将输入图像复制到第一个联合图像空间的第1个尺寸所对应的图像空间中；

(2.2.2)对第一个联合图像空间剩下的num个尺寸的图像，利用降采样和均值滤波方法对第1个尺寸的图像进行并行降采样，得到第一个联合图像。

4.根据权利要求3所述的多尺度空间特征提取方法，其特征在于，所述步骤(2.2.2)包括以下子步骤：

(2.2.2.1)根据输入图像的宽度W和高度H，计算当前尺寸i＝2下图像的宽度w和高度h，以及填充宽度pw；具体的w＝W>>(i-1)，h＝H>>(i-1)，pw＝(w+31)/32*32，其中>>是右移运算；

(2.2.2.2)判断当前线程id是否在当前尺寸图像内(id<h*pw)，如果是进入步骤(2.2.2.3)，如果不是进入步骤(2.2.2.5)；

(2.2.2.3)当前线程属于当前尺寸i图像内，计算线程对应像素点的坐标x和y以及对应的第1个尺寸图像中降采样区域像素点的坐标s_x和s_y；具体的x＝id％pw，y＝id/pw，s_x＝x<<(i-1)，s_y＝y<<(i-1)，其中％是取余，<<是左移运算；

(2.2.2.4)读取第1个尺寸的降采样区域像素点(s_y,s_x)的值，利用降采样方法，得到当前线程对应的像素点的值，当前线程任务结束；

(2.2.2.5)当前线程不属于当前尺寸i图像内，线程数id＝id-pw*w，i＝i+1，回到步骤(2.2.2.1)；直到i＝num+1，完成第一个联合图像的生成。