近年來(lái),量子計(jì)算憑借優(yōu)越的計(jì)算能力,受到廣泛關(guān)注,并吸引了很多研究學(xué)者投身到量子計(jì)算領(lǐng)域的研究中。由于圖像處理的廣泛應(yīng)用,結(jié)合量子計(jì)算的量子圖像處理成為量子計(jì)算研究的重要陣地,有重要理論意義。大多數(shù)已有的量子圖像處理算法沒(méi)有考慮到度量的問(wèn)題。如果用戶(hù)想得到結(jié)果,他們必須多次測(cè)量最終狀態(tài)來(lái)得到所有像素的值。另外,算法執(zhí)行一次只能測(cè)量一次最終狀態(tài)。為了測(cè)量多次,用戶(hù)必須多次執(zhí)行算法。因此,算法的有效性有待商榷。量子圖像匹配是圖像視覺(jué)、圖像理解的基礎(chǔ)算法。已有的量子圖像匹配方案也存在測(cè)量問(wèn)題。所以,我們提出一種針對(duì)簡(jiǎn)單圖像匹配問(wèn)題的能有效測(cè)量的量子圖像匹配算法。這一方案通過(guò)調(diào)整各像素的概率使目標(biāo)像素有更高的概率被測(cè)量。復(fù)雜度分析表明該算法僅有線性復(fù)雜度。考慮到圖像中像素值不唯一,我們改進(jìn)并提出了一種性能穩(wěn)定的量子圖像匹配算法,確保在復(fù)雜的圖像匹配問(wèn)題中正確輸出唯一的坐標(biāo)。復(fù)雜度分析表明,該算法在正確處理復(fù)雜圖像匹配問(wèn)題的同時(shí),其效率優(yōu)于經(jīng)典算法。圖像分類(lèi)是圖像處理領(lǐng)域中應(yīng)用較為廣泛的技術(shù)之一。近年來(lái),基于機(jī)器學(xué)習(xí)算法的圖像分類(lèi)方案,進(jìn)一步提高了分類(lèi)精度,被廣泛應(yīng)用于生產(chǎn)實(shí)踐。由于機(jī)器學(xué)習(xí)算法... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

搜索過(guò)程復(fù)雜度比較

因此我們得到量子態(tài) 0010 0001 0011 b。經(jīng)過(guò)測(cè)量，輸出二進(jìn)制串：0010，0001 和 0011，分別對(duì)應(yīng)索引 2，1 和 3，也就是表 4-2 中 3 個(gè)最小距離對(duì)應(yīng)的索引。因此，最相似于測(cè)試圖像的 3 個(gè)訓(xùn)練圖像分別是 airplanes_2.jpg，airplanes_1.jpg 和 airplanes_3.jpg。由于這三個(gè)圖片都屬于 airplanes 類(lèi)，所以測(cè)試圖像歸類(lèi)為 airplanes 類(lèi)。至此，測(cè)試圖像被正確分類(lèi)，一次圖像分類(lèi)任務(wù)完成。4.4.2 Graz-01 數(shù)據(jù)集的實(shí)驗(yàn)Graz-01 數(shù)據(jù)集有兩個(gè)主類(lèi)，bikes 和 persons，以及背景類(lèi)。許多圖像分類(lèi)研究使用該數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)分析和比較。為此，我們對(duì)該數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，展示我們方案的精度。由于 KNN 算法自身的特性，我們移除數(shù)據(jù)集中的背景類(lèi)。因此，實(shí)驗(yàn)數(shù)據(jù)包括 2 個(gè)類(lèi)（bikes 和 persons），共 833 張圖片。仿真實(shí)驗(yàn)數(shù)據(jù)如圖 4-8 所示。

圖 4-9 Caltech-101 數(shù)據(jù)集的分類(lèi)精度Fig. 4-9 Performance on the Caltech-101 dataset4.5 本章小結(jié)本章給出了一套完整的基于 QKNN 的圖像分類(lèi)方案，用量子計(jì)算的疊加和糾纏特性提升了圖像分類(lèi)工作的效率。首先，提取圖像的特征向量。然后將特征向量輸入量子計(jì)算機(jī)，制備成量子態(tài)，并行化計(jì)算測(cè)試圖像和訓(xùn)練圖像在特征空間中的距離。進(jìn)而用 AE 算法將距離信息從振幅轉(zhuǎn)存至量子比特，用最小值搜索算法加速搜索 k 個(gè)最小的距離，將其對(duì)應(yīng)的索引存儲(chǔ)至輔助量子比特。最后測(cè)量輸出索引后，根據(jù)多數(shù)投票原則確定其類(lèi)別。復(fù)雜度分析表明量子過(guò)程的復(fù)雜度是O kM ，優(yōu)于經(jīng)典算法。由于所測(cè)量的輔助量子比特只存儲(chǔ)一種狀態(tài)，而非疊加態(tài)，因此只需測(cè)量一次就能輸出正確結(jié)果，保證了算法是有效的、可行的。此外，我們的量子方案提高了算法

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的量子圖像水印算法[J]. 肖紅,李盼池,李濱旭.  信號(hào)處理. 2017(02)
[2]量子K-近鄰算法[J]. 陳漢武,高越,張軍.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(04)
[3]基于多目標(biāo)擴(kuò)展通用Toffoli門(mén)的量子比較器設(shè)計(jì)[J]. 王冬,劉志昊,朱皖寧,李善治.  計(jì)算機(jī)科學(xué). 2012(09)
[4]量子搜索算法[J]. 孫吉貴,何雨果.  軟件學(xué)報(bào). 2003(03)

碩士論文
[1]圖像配準(zhǔn)理論及算法研究[D]. 張銳娟.西安電子科技大學(xué) 2009



本文編號(hào)：2916712