[发明专利]一种基于OpenMP和CUDA的图像特征提取并行算法

说明书

本发明公开一种基于OpenMP和CUDA的图像特征提取并行算法，应用于利用内核原型分析算法的图像特征提取，针对图像本身的特点，即在图像处理算法中存在大量矩阵运算，对内核原型分析算法进行了优化。通过在采用FURTHESTSUM算法对内核原型分析算法进行初始化的过程中，使用了OpenMP多线程并行同时结合归约算法对其进行优化，随后在使用投影梯度法更新矩阵的过程中，使用OpenMP和CUDA在GPU中并行执行其中的矩阵乘法运算，使用OpenMP并行执行其中的矩阵减法运算，即通过多线程的计算解决了现有的内核原型分析算法中由于在进行最大值和矩阵运算的计算时使用串行方法计算，导致其计算速度慢，运行效率低等问题。

技术领域

本发明涉及图像特征提取技术领域，尤其涉及一种基于OpenMP和CUDA的图像特征提取并行算法。

背景技术

原型分析算法(简称AA算法)是一种先驱无监督学习技术，该算法直接结合了矩阵分解和聚类的优点的灵活性，同时比常见的矩阵分解和聚类方法有着更好的可解释性，同时在预测任务方面有良好的结果。它被认为是PCA的替代方案，用于从高维数据中发现潜在因子，可应用到各种机器学习问题中。在图像特征提取应用中，与PCA相比，AA提取的特征代表更多不同的图像原型，揭示了可变性和图像的多样性。现有的算法将传统AA程序推广到KERNEL-AA，即内核原型分析算法，以便在潜在的无限希尔伯特空间中提取主凸包，并在原型不能表示为观测数据的凸组合时得到AA的松弛，AA算法采用K-Means的FURTHESTFIRST算法进行初始化，随后使用简单的投影梯度法计算并得到结果。

然而，由于图像本身的特点，图像处理算法中存在大量矩阵运算，内核原型分析算法中在进行最大值和矩阵运算的计算时使用串行方法计算，不能最大限度地将算法并行优化，其计算速度慢，运行效率低。

参考文献：Hansen L K.Archetypal analysis for machine learning and datamining[M].Elsevier Science Publishers B.V.2012.

发明内容

本发明为解决现有的内核原型分析算法中在进行最大值和矩阵运算的计算时使用串行方法计算，其计算速度慢，运行效率低等问题，提供了一种基于OpenMP和CUDA的图像特征提取并行算法。

为实现以上发明目的，而采用的技术手段是：

一种基于OpenMP和CUDA的图像特征提取并行算法，应用于利用内核原型分析算法的图像特征提取，包括以下步骤：

S1.获取待处理的图像，所述图像大小为m×n，则所述图像的矩阵为X(m×n)，对待处理矩阵进行计算得到核矩阵K(m×m)，K＝X^TX；并作为内核原型分析算法的输入；

S2.设置内核原型分析算法中的初始参数α、δ和原型个数D；

S3.采用FURTHESTSUM算法对内核原型分析算法进行初始化，使用OpenMP和CUDA在GPU中并行执行所述初始化中的候选点提取过程，根据归约算法求取各计算节点中候选点的最大值后得到最终提取的D个候选点；

S4.根据提取得到D个候选点初始化矩阵C(n×D)以及矩阵S(D×n)，其中矩阵S中每个元素的值随机生成；

S5.使用投影梯度法更新矩阵C、矩阵S以及矩阵αC得到计算结果；其中使用投影梯度法更新矩阵的过程中，使用OpenMP和CUDA在GPU中并行执行其中的矩阵乘法运算，使用OpenMP并行执行其中的矩阵减法运算；

S6.根据计算结果计算矩阵A＝XC即为对图像进行特征提取得到的特征矩阵。