[发明专利]基于GPU的图像快速配准方法

说明书

本发明公开了一种基于GPU的图像快速配准方法，该方法利用CUDA架构在GPU上运行实现并行图像特征点匹配，通过多个CUDA内核将顺序算法转换为并行版本，使用不同类型的内存进而实现了并行优化算法，将GPU的性能与CPU的性能进行了比较，实现了27.6的加速比。

技术领域

本发明涉及图像配准技术领域，尤其涉及一种基于GPU的图像快速配准方法。

背景技术

由于GPU的灵活性和低成本，GPU的可用范围已经扩展到信号处理，计算机视觉，计算几何和科学计算。然而，当GPU用于实现通用并行计算时，存在一些限制。首先，因为GPU最初是为绘图而设计的，所以用户必须具备图形编程方面的知识，并将通用计算转换为图形计算。其次，由于并行性是通过在不同的数据元素上执行相同的程序来实现的。并行计算领域涉及的同步、互斥和原子操作不能有效地实现。幸运的是，在CUDA架构出现之后，上面提到的这些限制已经得到了很好的解决。CUDA架构是专门为通用GPU并行计算而设计的。与其他GPU编程系统(如开放图形库、Microsoft’s directX11等)相比，最明显的优点是CUDA使用C语言，因此原来为CPU编写的C函数通常通过很少修改就可以移植到CUDA内核上运行。在CUDA架构下，一个完整的程序分为两部分：一部分运行在CPU(所谓的主机)上。为了实现并行性，CUDA允许数千线程(最小执行单元)在设备上同时运行。在CUDA中，一定数量的线程被分组到一个块中，并且一定数量的块按照规则的网格模式被逻辑地排列，如图1所示。

每个块被映射到单个多处理器，并且一个多处理器可以同时运行多个线程块。由于本地资源(寄存器和共享存储器)在块之间分割，在相同块中的线程可以访问相同的共享存储器并直接实现同步。除了本地寄存器和共享内存之外，所有的线程都可以访问全局内存、常量内存和纹理内存。这就是CUDA专门为通用计算而设计的原因。另外不同的多处理器之间的通信是通过使用位于板上的全局存储器实现的，必须使用全局存储器来在主机和设备之间交换数据。成千上万的线程可以通过一个单一的执行单元来启动，但并不是所有的线程都是同时执行的。实际上，通常一个大小为32的线程是GPU作为一个整体可以同时执行的最大的一组线程。在确定块的大小时，应确保块中的线程数必须是32的倍数。

目前，图像配准主要有如下几种方案：

1)基于图像灰度的配准方法。通常直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。但是，该方法计算量大，难以达到实时性要求，而且一旦进入信息贫乏的区域，会导致误匹配率的上升。

2)基于图像特征的配准方法。该方法需要对图像进行预处理，然后提取图像中保持不变的特征，如边缘点、闭区域的中心、线特征、面特征、矩特征等，作为两幅图像配准的参考信息。但是，由于其不依赖于图像的灰度信息，这种方法对特征提取和特征匹配的错误十分敏感，匹配性能依赖于特征提取的质量，需要可靠的特征提取和鲁棒的特征一致性。

3)基于模型的匹配方法。该方法在计算机视觉领域中的应用非常广泛，它可以分成刚体形状匹配和变形模板匹配两大类。Kass提出的Snake主动轮廓模型是比较典型的自由式变形模板。由于不受全局结构的限制，所以Snake模型能表示任意的形状，但是，该模板对于模板的初始位置和噪声比较敏感，对于凹边缘的收敛性比较差，而且容易陷入局部最小值。

发明内容

本发明的目的是提供一种基于GPU的图像快速配准方法，可以实现图像快速配准，并确保配准时的精度与准确度。

本发明的目的是通过以下技术方案实现的：

一种基于GPU的图像快速配准方法，包括：