面向双核处理器的图像匹配研究

宗亮

摘要：该文对图像匹配进行简要分析，总结典型的算法特点，然后采用并行计算的思想，对图像进行分割，结合MPI及集群环境，对各个分割的数据进行匹配，最后得到最佳的匹配点。

关键词：图像匹配；并行计算；MPI

中图分类号：TP311文献标识码：A文章编号：1009-3044(2012)05-1150-02

Dual-core Processor for the Image Matching Research

ZONG Liang

(Department of Communication and Control Engineering, Hunan Institute of Humanities, Science & Tec hnology，Loudi 417000, Loudi) Abstract: This paper analyzes briefly the image matching, and summarizes the characteristics of typical algorithms, and the image segmenta? tion use the parallel computation theory, combined with the MPI and cluster environment, matched the each data of segmentation, finally get the best match point.

Key words: Image matching; parallel computing; MPI

图像匹配是一项重要的图像处理技术，在导航制导、工业检测、遥感图像分析等领域都有广泛的应用。随着人们对信息的需求越来越大，并行计算也越来越普及，将以往对图像常规的串行处理通过基于高性能集群的并行计算来处理，可以取得更好的实时性[1，2]。

1图像匹配

图像匹配过程一般而言就是在一幅陌生的图像（实时图像）中寻找对应子图像（已知图像）的过程。传统的灰度相关匹配方法就是利用模板图像(实时图)和待匹配图(参考图)之间的某种相似性进行比较，从而得出匹配的结果。当然这里面涉及到二者的搜索策略问题。如果考虑的是空间按照某一顺序进行搜索，则思路比较清晰自然。先假定参考图A(x,y)，而模板图像是B(x,y)。大小分别为MxN，PxQ，且M>P，N>Q。如果搜索空间的策略按照图像的某一位置逐个位置进行搜索、比较，如图1所示，可以认为模板图像在参考图像的左上角开始，依次向右搜索，再向下搜索。每一次步骤就进行一次相关比较，让模板图像和待匹配图像进行某种相关性计算，把结果进行比较来判断搜索是否为最佳匹配。显然当模板运动到最右下角时，可以完成匹配工作。这种全搜索必然要耗费掉大量时间，从而可以将整个空间进行分块搜索，并行计算得以引入。

图1灰度相关匹配搜索过程

对于上述匹配方法，人们提出了许多改进的算法，其中序贯相似性（SSDA）应用较多，其主要思想考虑上述方法有很多没必要的计算，将匹配过程分粗匹配和细匹配，粗匹配将匹配的大致的位置确定，再用细匹配进行精确匹配。表1是一些典型的匹配算法。

2并行处理及MPI

并行处理的环境需要软、硬件的搭配以及网络的支持。近几年，硬件价格的降低、性能的提高，软件性能的改善以及网络传输速度的提高，使得并行处理的环境易于构建。目前，集群已经成为并行计算的主要应用平台。用于并行计算的集群系统主要有两类：共享存储的集群系统和分布式存储的集群系统。PC集群就是一种基于分布式存储器的多机系统，它由多台同构或异构的计算机组成，通过网络连接起来协同完成特定的任务，在实际应用中有很高的性价比[3]。

表1匹配算法比较

MPI是消息传递接口(Message Passing Interface)的简称，它提供了一组可用于消息传递的通信解释。MPI不是一门程序语言，但可近似地认为MPI是一个库，MPI是典型的行业标准，程序设计可以在任何平台上不需要任何修改的运行。目前主要的MPI实现主要有MPICH和LAM。MPICH是一种最重要的MPI实现，它可以免费从相关网站获得。一般来说，MPI给出了一个并行程序设计的行业标准，但这还远远不够，并行程序设计的前期环境必须由MPI消息处理的具体函数来进行操作[4]。

3实验环境与结果分析

对并行计算模型的研究与处理，必须要有集群环境[5]，集群就是通过网络进行连接的一系列计算机硬件。这里分散的各个计算机就可以认为是集群中的节点。集群环境需要进行相关的配置，这些配置主要是网络安全的信任机制。由于集群系统是在一个网络内，对数据进行处理并相互之间传递数据。因此必然涉及到节点与节点之间的信任问题。这个时候需要配置NIS、NFS和RSH。

对图像匹配而言其并行性是显而易见的。我们把基于图像匹配的并行分析过程说明如下:

1)在一幅图像中，如图2，寻找一个模板进行匹配，实验中采用一个32×32大小的模板，为了简单起见可以在该图像中截取一个模板。

2)对该图像进行分块，分割图像为两块，由主节点将另一半数据发送到另外一个节点。

3)两个节点分别计算各自对应的最佳匹配点，然后第二个节点将数据发送到主节点。

4)主节点接收最佳的匹配位置后，与自己的计算结果进行比较，最后得出最佳的匹配点。

试验由两个处理器组成，图像大小分别为256×256、512×51、1024×1024。

图2陌生图像

表2匹配时间(单位:秒)

从最终的计算时间来看，双核处理器比一个处理器的计算时间可以近似的认为少了近一半，这样的处理能最大限度的利用硬件，提高计算的速度。

4总结

对灰度图像的并行匹配算法可以从原来经典的算法中继续进行改进和研究，阀值的序贯相似性方法就是图像灰度相关匹配的一种经典方法，如果能通过并行处理也将大大减少计算时间。在并行处理飞速发展的今天，不仅图像处理可以用并行计算很好的解决，而且像三维立体图像、视频处理也可以通过并行计算很好的解决。总之并行计算处理会越来越受到重视，应用也越来越广。

参考文献：

［1］Alain Merigo, Alfredo Petrosino. Parallel Processing for Image and Video Processing: issues and challenges. Parallel Computing, 2008, 34(12): 694-699.

［2］吕捷,张天序,张必根. MPI并行计算在图像处理方面的应用[J].红外与激光,2004,33(5): 496-499.

［3］陈国良,安虹,陈崚.并行算法实践[M].北京:高等教育出版社,2004.

［4］都志辉.高性能计算之并行编程技术—MPI并行程序设计[M].北京:清华大学出版社,2001.

［5］车静光.微机集群组建、优化和管理[M].北京:机械工业出版社,2004.