摘  要： 彩色局部角度二值模式（CLABP）可以有效地提取彩色圖像中的紋理特征，但是算法復(fù)雜、計(jì)算量大。針對(duì)這一問(wèn)題，采用GPU實(shí)現(xiàn)CLABP特征提取和表示的并行方法。該方法一方面使用異步處理的方式實(shí)現(xiàn)CLABP的并行加速，另一方面采用共享內(nèi)存的形式減少讀取數(shù)據(jù)的次數(shù)。為了驗(yàn)證該方法的有效性，在Outex紋理圖像數(shù)據(jù)庫(kù)上與CPU程序性能進(jìn)行對(duì)比，結(jié)果表明，GPU實(shí)現(xiàn)方法可以提升加速比約25倍。

　　關(guān)鍵詞： GPU；彩色局部角度二值模式；異步處理

　　局部紋理特征在圖像分類和目標(biāo)識(shí)別中得到廣泛應(yīng)用，是圖像的重要特征之一。局部二值模式LBP（Local Binary Patterns）[1-2]具有良好的幾何不變性、角度不變性和旋轉(zhuǎn)不變性等適應(yīng)性，在許多方法中得到了應(yīng)用和推廣[3-4]。然而LBP特征對(duì)圖像光照變化敏感，針對(duì)這一問(wèn)題，參考文獻(xiàn)[5]提出了一種彩色局部角度二值模式CLABP（Color Local Angel Binary Patterns），通過(guò)提取不同信號(hào)通道之間的像素夾角，對(duì)不同光照變化下的彩色人臉圖像進(jìn)行分類，提高了不同光照變化條件下對(duì)人臉圖像識(shí)別的準(zhǔn)確率。但是對(duì)于大量的圖像檢索數(shù)據(jù)而言，CPU實(shí)現(xiàn)的CLABP紋理特征提取方法速度較慢，對(duì)圖像檢索性能產(chǎn)生很大影響。解決這一問(wèn)題的方法是采用GPU對(duì)CLABP紋理特征提取方法進(jìn)行編程，實(shí)現(xiàn)并行計(jì)算加速。近年來(lái)，已經(jīng)有部分學(xué)者嘗試使用GPU對(duì)各種圖像方法進(jìn)行編碼[6-8]。

　　本文采用GPU對(duì)參考文獻(xiàn)[5]中提出的CLABP實(shí)現(xiàn)并行化編程。首先將方法分解為GPU和CPU任務(wù)，然后對(duì)GPU實(shí)現(xiàn)部分進(jìn)行核函數(shù)處理和共享內(nèi)存設(shè)計(jì)，最后通過(guò)實(shí)驗(yàn)驗(yàn)證所提方法的有效性。實(shí)驗(yàn)結(jié)果表明，本文采用的GPU實(shí)現(xiàn)方法在Outex紋理圖像數(shù)據(jù)庫(kù)中能取得將近25倍的加速比。

1 彩色局部角度二值模式

　　參考文獻(xiàn)[5]針對(duì)紋理特征對(duì)光照變化下識(shí)別率不高的問(wèn)題，提出了彩色局部角度二值模式紋理特征。如圖1所示，無(wú)論空間矢量的大小發(fā)生怎樣的變化，它與各個(gè)通道的夾角始終沒(méi)有發(fā)生變化。定義Y、Cb、Cr三信號(hào)模型中任意兩個(gè)信號(hào)通道之間像素值的夾角為，定義空間矢量r與信號(hào)通道內(nèi)投影與參光線夾角為?茲0，則根據(jù)CLABP紋理特征的定義，用旋轉(zhuǎn)不變的uniform LBP對(duì)圖中任意像素點(diǎn)z及其鄰近像素點(diǎn)的彩色角度進(jìn)行編碼如下：

　　其中，s（x）是階躍函數(shù)，H是對(duì)中心像素點(diǎn)周圍P個(gè)像素點(diǎn)的比較結(jié)果。將所有的圖像像素點(diǎn)用網(wǎng)格形式進(jìn)行統(tǒng)計(jì)，最后用級(jí)聯(lián)的形式將所有網(wǎng)格的CLABP紋理特征連成CLABP直方圖，如式（2）所示：

2 CLABP紋理特征并行實(shí)現(xiàn)

　　CLABP紋理特征提取分為以下三個(gè)部分實(shí)現(xiàn)：

　?。?）用CPU將彩色圖像分為Y、Cb、Cr顏色圖像，然后將圖像數(shù)據(jù)分別送入GPU顯存；

　?。?）啟動(dòng)核函數(shù)計(jì)算Y、Cb、Cr顏色圖像的CLABP紋理特征；

　?。?）將CLABP紋理特征從GPU送回CPU。

　　CLABP的三個(gè)實(shí)現(xiàn)步驟是串行實(shí)現(xiàn)的，而影響實(shí)現(xiàn)方法性能的關(guān)鍵在于步驟之間的數(shù)據(jù)傳輸。為了利用GPU的多核并行計(jì)算和多存儲(chǔ)器功能，需要使用異步傳輸?shù)姆绞綄?shí)現(xiàn)數(shù)據(jù)傳輸，即主機(jī)無(wú)需等待設(shè)備端完成計(jì)算，就可返回繼續(xù)準(zhǔn)備下一個(gè)圖像的傳輸和接收工作，如圖2所示。

　　GPU中的并行計(jì)算由核函數(shù)完成，核函數(shù)由網(wǎng)格、線程塊和線程組成，啟動(dòng)一個(gè)核函數(shù)就對(duì)應(yīng)一個(gè)網(wǎng)格，網(wǎng)格由多個(gè)線程塊組成，每個(gè)線程塊包括多個(gè)線程。計(jì)算時(shí)將線程塊送入多核處理器中運(yùn)行，線程塊的最小執(zhí)行單元為warp，每個(gè)warp由32個(gè)線程組成，而CLABP計(jì)算屬于二維的塊計(jì)算，因此將線程塊大小定義為[32，32]。

　　以P=8，R=1為例，當(dāng)核函數(shù)開(kāi)始計(jì)算時(shí)，每個(gè)線程對(duì)圖像中的一個(gè)像素點(diǎn)進(jìn)行CLABP編碼，由于CLABP是對(duì)Y、Cb、Cr顏色模型中三個(gè)信號(hào)通道內(nèi)的圖像像素值之間的夾角進(jìn)行計(jì)算，因此每次計(jì)算均需要從全局存儲(chǔ)器中讀取三幅圖像中的3×9=27個(gè)像素點(diǎn)值，而頻繁地讀取全局存儲(chǔ)器將會(huì)導(dǎo)致?lián)砣F(xiàn)象。

　　為了減少并行計(jì)算時(shí)對(duì)全局存儲(chǔ)器的頻繁讀取，GUP中提供了大量的共享內(nèi)存和寄存器解決這一問(wèn)題。同一個(gè)線程塊內(nèi)的程序通過(guò)訪問(wèn)共享內(nèi)存可以獲取到計(jì)算所需數(shù)據(jù)，無(wú)需再訪問(wèn)全局存儲(chǔ)器，而寄存器可以保存每個(gè)線程的私有數(shù)據(jù)。

　　因此在計(jì)算像素點(diǎn)的CLABP值時(shí)，每次將整個(gè)線程塊所需的34×34個(gè)像素點(diǎn)的值送入共享內(nèi)存，則每個(gè)像素點(diǎn)的數(shù)據(jù)均可以讀取共享內(nèi)存以提高數(shù)據(jù)的讀取速度。將每個(gè)像素點(diǎn)的CLABP值計(jì)算完成后送入寄存器，進(jìn)行直方圖的統(tǒng)計(jì)。再將每個(gè)線程塊的直方圖統(tǒng)計(jì)結(jié)果送回全局存儲(chǔ)器進(jìn)行統(tǒng)計(jì)，得到最終的CLABP直方圖。

3 實(shí)驗(yàn)及討論

　　本文采用的實(shí)驗(yàn)平臺(tái)是Windows 7，MATLAB 2011b，聯(lián)想ThinkPad T420筆記本，其CPU為Intel Core i7 2.8 GHz，顯卡為NVIDIA NVS 4200M。評(píng)價(jià)數(shù)據(jù)集是公開(kāi)的紋理數(shù)據(jù)庫(kù)Outex[9]。該數(shù)據(jù)庫(kù)包含了大量的紋理圖片，包括自然紋理和表面紋理，而且提供了不同的光照條件、旋轉(zhuǎn)角度和分辨率。圖3是Outex紋理圖像數(shù)據(jù)庫(kù)的部分示例圖像。所有的圖像尺度都重新變換為128像素×128像素大小，CLABP的局部區(qū)域大小采用3像素×3像素和4像素×4像素兩種尺寸。

　　本文所采用的評(píng)價(jià)準(zhǔn)則是加速比，即：

　　對(duì)于每幅圖像，對(duì)GPU提取的CLABP特征進(jìn)行10次實(shí)驗(yàn)，加速比取這10次實(shí)驗(yàn)的平均值。表1為不同圖像數(shù)量下CLABP特征提取時(shí)間及加速比。

　　從表1可以看出，本文采用的GPU實(shí)現(xiàn)方法比CPU實(shí)現(xiàn)方法效率要高，而且隨著處理的圖像個(gè)數(shù)的增多，加速比逐漸變大。這是因?yàn)閭鬏攬D像數(shù)據(jù)采用的是異步傳輸?shù)姆绞?，傳輸?shù)膱D像數(shù)量越多，加速越明顯，效果越好。

　　圖4是不同圖像個(gè)數(shù)下的CLABP紋理特征提取加速比。從圖中可以看出，隨著圖像個(gè)數(shù)增加，加速比也隨之增多，但是當(dāng)圖像個(gè)數(shù)穩(wěn)定為200個(gè)之后，加速比提升不明顯。這是因?yàn)楫惒絺鬏敽筒⑿杏?jì)算加速已經(jīng)趨于穩(wěn)定，進(jìn)一步提升加速比需要加入其他的加速方法或技巧。

　　本文針對(duì)CLABP特征提取速度較慢的問(wèn)題，采用GPU對(duì)CLABP特征提取方法進(jìn)行加速，通過(guò)異步傳輸和核函數(shù)并行計(jì)算提高了紋理特征的計(jì)算效率。實(shí)驗(yàn)結(jié)果表明，本文所采用的GPU實(shí)現(xiàn)方法在Outex紋理數(shù)據(jù)庫(kù)上具有將近25倍的加速比。對(duì)于其他的紋理特征提取方法，本文方法也同樣適用。

　　由于本文主要研究程序方面的優(yōu)化，對(duì)于GPU硬件優(yōu)化并無(wú)深入，將CLABP紋理特征與GPU硬件結(jié)合將是今后研究的重點(diǎn)。

　　參考文獻(xiàn)

　　[1] AHONEN T， HADID A， PIETIK?魧INEN M. Face description with local binary pattern： application to face recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（12）：2037-2041.

　　[2] OJALA T， PIETIKAINEN M， MAENPAA T. Multiresolution gray-scale and rotation-invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（7）：971-987.

　　[3] 林似水，鄭力新.聯(lián)合LBP與SOM的多分辨率織物疵點(diǎn)檢測(cè)[J].微型機(jī)與應(yīng)用，2012，31（23）：45-47.

　　[4] 郭春鳳，何建農(nóng).彩色與紋理不變性的陰影消除新算法[J].微型機(jī)與應(yīng)用，2013，32（5）：38-41.

　　[5] LEE S H， CHOI J Y， RO Y M， et al. Local color vector binary patterns from multi-channel face images for face recognition[J]. IEEE Transactions on Image Processing， 2012， 21（4）：2347-2353.

　　[6] KIRK D B， HWU W W.大規(guī)模并行處理器編程實(shí)戰(zhàn)[M].陳曙暉，熊淑華，譯.北京：清華大學(xué)出版社，2010.

　　[7] SANDERS J， KANDROT E. GPU高性能編程CUDA實(shí)戰(zhàn)[M].聶雪軍，譯.北京：機(jī)械工業(yè)出版社，2011.

　　[8] 張舒，褚艷利，趙開(kāi)勇，等.GPU高性能運(yùn)算之CUDA[M].北京：中國(guó)水利水電出版社，2009.

　　[9] OJALA T， MAENPAA T， PIETIKAINEN M， et al. Outex-a new framework for empirical evaluation of texture analysis algorithms[C]. Proceedings of the 16th Conference on Pattern Recognition， 2002：701-706.