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，但是算法復雜、計算量大。針對這一問題，采用GPU實現(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)。為了驗證該方法的有效性，在Outex紋理圖像數(shù)據(jù)庫上與CPU程序性能進行對比，結(jié)果表明，GPU實現(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識別中得到廣泛應(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特征對圖像光照變化敏感，針對這一問題，參考文獻[5]提出了一種彩色局部角度二值模式CLABP（Color Local Angel Binary Patterns），通過提取不同信號通道之間的像素夾角，對不同光照變化下的彩色人臉圖像進行分類，提高了不同光照變化條件下對人臉圖像識別的準確率。但是對于大量的圖像檢索數(shù)據(jù)而言，CPU實現(xiàn)的CLABP紋理特征提取方法速度較慢，對圖像檢索性能產(chǎn)生很大影響。解決這一問題的方法是采用GPU對CLABP紋理特征提取方法進行編程，實現(xiàn)并行計算加速。近年來，已經(jīng)有部分學者嘗試使用GPU對各種圖像方法進行編碼[6-8]。

　　本文采用GPU對參考文獻[5]中提出的CLABP實現(xiàn)并行化編程。首先將方法分解為GPU和CPU任務(wù)，然后對GPU實現(xiàn)部分進行核函數(shù)處理和共享內(nèi)存設(shè)計，最后通過實驗驗證所提方法的有效性。實驗結(jié)果表明，本文采用的GPU實現(xiàn)方法在Outex紋理圖像數(shù)據(jù)庫中能取得將近25倍的加速比。

1 彩色局部角度二值模式

　　參考文獻[5]針對紋理特征對光照變化下識別率不高的問題，提出了彩色局部角度二值模式紋理特征。如圖1所示，無論空間矢量的大小發(fā)生怎樣的變化，它與各個通道的夾角始終沒有發(fā)生變化。定義Y、Cb、Cr三信號模型中任意兩個信號通道之間像素值的夾角為，定義空間矢量r與信號通道內(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對圖中任意像素點z及其鄰近像素點的彩色角度進行編碼如下：

　　其中，s（x）是階躍函數(shù)，H是對中心像素點周圍P個像素點的比較結(jié)果。將所有的圖像像素點用網(wǎng)格形式進行統(tǒng)計，最后用級聯(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紋理特征并行實現(xiàn)

　　CLABP紋理特征提取分為以下三個部分實現(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；

　?。?）啟動核函數(shù)計算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的三個實現(xiàn)步驟是串行實現(xiàn)的，而影響實現(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的多核并行計算和多存儲器功能，需要使用異步傳輸?shù)姆绞綄崿F(xiàn)數(shù)據(jù)傳輸，即主機無需等待設(shè)備端完成計算，就可返回繼續(xù)準備下一個圖像的傳輸和接收工作，如圖2所示。

　　GPU中的并行計算由核函數(shù)完成，核函數(shù)由網(wǎng)格、線程塊和線程組成，啟動一個核函數(shù)就對應(yīng)一個網(wǎng)格，網(wǎng)格由多個線程塊組成，每個線程塊包括多個線程。計算時將線程塊送入多核處理器中運行，線程塊的最小執(zhí)行單元為warp，每個warp由32個線程組成，而CLABP計算屬于二維的塊計算，因此將線程塊大小定義為[32，32]。

　　以P=8，R=1為例，當核函數(shù)開始計算時，每個線程對圖像中的一個像素點進行CLABP編碼，由于CLABP是對Y、Cb、Cr顏色模型中三個信號通道內(nèi)的圖像像素值之間的夾角進行計算，因此每次計算均需要從全局存儲器中讀取三幅圖像中的3×9=27個像素點值，而頻繁地讀取全局存儲器將會導致?lián)砣F(xiàn)象。

　　為了減少并行計算時對全局存儲器的頻繁讀取，GUP中提供了大量的共享內(nèi)存和寄存器解決這一問題。同一個線程塊內(nèi)的程序通過訪問共享內(nèi)存可以獲取到計算所需數(shù)據(jù)，無需再訪問全局存儲器，而寄存器可以保存每個線程的私有數(shù)據(jù)。

　　因此在計算像素點的CLABP值時，每次將整個線程塊所需的34×34個像素點的值送入共享內(nèi)存，則每個像素點的數(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。將每個像素點的CLABP值計算完成后送入寄存器，進行直方圖的統(tǒng)計。再將每個線程塊的直方圖統(tǒng)計結(jié)果送回全局存儲器進行統(tǒng)計，得到最終的CLABP直方圖。

3 實驗及討論

　　本文采用的實驗平臺是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。評價數(shù)據(jù)集是公開的紋理數(shù)據(jù)庫Outex[9]。該數(shù)據(jù)庫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。

　　本文所采用的評價準則是加速比，即：

　　對于每幅圖像，對GPU提取的CLABP特征進行10次實驗，加速比取這10次實驗的平均值。表1為不同圖像數(shù)量下CLABP特征提取時間及加速比。

　　從表1可以看出，本文采用的GPU實現(xiàn)方法比CPU實現(xiàn)方法效率要高，而且隨著處理的圖像個數(shù)的增多，加速比逐漸變大。這是因為傳輸圖像數(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，隨著圖像個數(shù)增加，加速比也隨之增多，但是當圖像個數(shù)穩(wěn)定為200個之后，加速比提升不明顯。這是因為異步傳輸和并行計算加速已經(jīng)趨于穩(wěn)定，進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CLABP特征提取速度較慢的問題，采用GPU對CLABP特征提取方法進行加速，通過異步傳輸和核函數(shù)并行計算提高了紋理特征的計算效率。實驗結(jié)果表明，本文所采用的GPU實現(xiàn)方法在Outex紋理數(shù)據(jù)庫上具有將近25倍的加速比。對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，對于GPU硬件優(yōu)化并無深入，將CLABP紋理特征與GPU硬件結(jié)合將是今后研究的重點。

　　參考文獻

　　[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檢測[J].微型機與應(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戰(zhàn)[M].陳曙暉，熊淑華，譯.北京：清華大學出版社，2010.

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

　　[8] 張舒，褚艷利，趙開勇，等.GPU高性能運算之CUDA[M].北京：中國水利水電出版社，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.