【摘要】：圖像特征的一個(gè)重要分支就是紋理特征,它體現(xiàn)了不同圖像和物體的形態(tài)、大小、分布、方向等重要參數(shù),對(duì)圖像特征識(shí)別起到?jīng)Q定性因素。但是紋理特征提取的過(guò)程十分復(fù)雜且計(jì)算量巨大,為了解決這個(gè)難題,提出了一種在現(xiàn)場(chǎng)可編程邏輯門(mén)陣列(FPGA)平臺(tái)下實(shí)現(xiàn)紋理特征提取新方法。首先對(duì)基本圖像特征算法做了并行化的優(yōu)化,從算法的數(shù)值范圍和表示精度兩個(gè)角度,做了相應(yīng)的分析和誤差控制,從而適應(yīng)FPGA的運(yùn)行。然后對(duì)FPGA的數(shù)據(jù)流傳輸提出了一個(gè)高效率的解決辦法,該方法對(duì)其中的主要模塊采用了流水線(xiàn)優(yōu)化,并采用寄存器配置模式,從而在線(xiàn)地修改參數(shù),適應(yīng)不同的圖像大小和卷積核等環(huán)境變量。結(jié)果表明,在同等功耗條件下,可以達(dá)到10倍于CPU的性能,達(dá)到了快速提取特征的目的。
[Abstract]:An important branch of image feature is texture feature, which embodies important parameters such as shape, size, distribution and direction of different images and objects, and plays a decisive role in image feature recognition. But the process of texture feature extraction is very complicated and the computation is huge. In order to solve this problem, a new method of texture feature extraction based on field programmable gate array (FPGA) platform is proposed. Firstly, the basic image feature algorithm is optimized by parallelization, and the corresponding analysis and error control are made from the point of view of the numerical range and the representation accuracy of the algorithm, so as to adapt to the operation of FPGA. Then, a high efficient solution to the data stream transmission of FPGA is proposed. The main modules are optimized by pipeline and register configuration mode, which can modify the parameters online. It adapts to different environmental variables such as image size and convolution kernel. The results show that the performance of CPU is 10 times higher than that of CPU under the same power consumption, and the purpose of feature extraction is achieved quickly.
【作者單位】： 南京信息工程大學(xué)江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室;南京信息工程大學(xué)江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心;南京信息工程大學(xué)電子與信息工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(11202106) 江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題(KDXS1401) 江蘇高校品牌專(zhuān)業(yè)建設(shè)工程 江蘇省“信息與通信工程”優(yōu)勢(shì)學(xué)科建設(shè)項(xiàng)目資助
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬云芳,王小華;基于小波理論的織物紋理特征提取[J];杭州電子工業(yè)學(xué)院學(xué)報(bào);2002年06期

2 蔡哲元;余建國(guó);張敏敏;金震東;;胰腺內(nèi)鏡超聲圖像紋理特征提取與分類(lèi)研究[J];生物醫(yī)學(xué)工程學(xué)進(jìn)展;2008年03期

3 劉麗;匡綱要;;圖像紋理特征提取方法綜述[J];中國(guó)圖象圖形學(xué)報(bào);2009年04期

4 閆晶瑩;王成儒;;一種新的紋理特征提取算法[J];西安郵電學(xué)院學(xué)報(bào);2011年01期

5 劉文萍,吳立德;紋理特征提取及分割[J];計(jì)算機(jī)應(yīng)用與軟件;2001年11期

6 黃麗雯;龐柯;汪鑫;施幫利;王濤;炊萬(wàn)年;;基于小波包分析的顱頜面紋理特征提取方法[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年11期

7 姚娜;呂海芳;陳杰;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的漢字紋理特征提取[J];塔里木大學(xué)學(xué)報(bào);2013年04期

8 鄭曉霞;李偉鍵;;基于紋理特征提取的圖像檢索技術(shù)[J];黑龍江工程學(xué)院學(xué)報(bào);2005年04期

9 陳再良;劉晴;鄒北驥;沈海瀾;周浩宇;;結(jié)合視覺(jué)注意和紋理特征提取感興趣區(qū)域算法[J];小型微型計(jì)算機(jī)系統(tǒng);2012年05期

10 肖鵬;徐軍;陳少?zèng)_;;紋理特征提取方法[J];電子科技;2010年06期

相關(guān)博士學(xué)位論文 前1條

1 李朝榮;Copula驅(qū)動(dòng)的小波域紋理特征提取研究[D];電子科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 肖敏敏;基于多維特征融合的地震剖面相似性研究[D];西安石油大學(xué);2015年

2 陳辰;基于相對(duì)相域頻繁項(xiàng)集的紋理特征提取方法及其在圖像分類(lèi)中的應(yīng)用[D];蘭州大學(xué);2015年

3 李洪偉;基于高分辨率影像紋理特征提取日光溫室方法研究[D];蘭州大學(xué);2016年

4 楊旭;木材加工自動(dòng)化中的板材缺陷檢測(cè)技術(shù)研究[D];南京林業(yè)大學(xué);2016年

5 曹家梓;圖像的紋理特征提取與力/觸覺(jué)表達(dá)研究[D];東南大學(xué);2016年

6 鄔志強(qiáng);肋骨皮質(zhì)紋理特征提取分類(lèi)算法設(shè)計(jì)[D];齊齊哈爾大學(xué);2016年

7 姚騁天;基于圖像紋理特征提取方法的人臉識(shí)別[D];中國(guó)計(jì)量大學(xué);2016年

8 王樸;人臉局部紋理特征提取方法及其應(yīng)用研究[D];重慶理工大學(xué);2016年

9 賀亞超;強(qiáng)光照下內(nèi)河溢油紋理特征提取研究[D];大連海事大學(xué);2017年

10 王昊;甲狀腺結(jié)節(jié)超聲圖像紋理特征提取及半監(jiān)督分級(jí)方法研究[D];西南交通大學(xué);2017年

，

本文編號(hào)：2177686