CUDA Programming Applications

کاربردهای برنامه نویسی کودا

CUDA Programming Applications

کاربردهای برنامه نویسی کودا

LQEP

در این مقاله روشی جدید برای توصیفگرهای ویژگی پیشنهاد شده است که ارتباط جهات همسایه ها و پیکسل وسط را جمع آوری می نماید و همچنین الگوی DLEP اطلاعات جهات را برپایه اکسترممهای 0و45و90و135 درجه برای هر پیکسل بدست می آورد.

استخراج داده یکی از شاخه های فعال در بازیابی اطلاعات و یا داده ها در پایگاه داده ها و یا کتابخانه های بزرگ است که در گذشته بازیابی براساس متن برای استخراج و بازیابی اطلاعات استفاده می شد، بدین صورت که در این فرآیند متونی در حاشیه تصویر نوشته می شد و سپس با استفاده از سیستم مدیریت پایگاه داده های بر پایه متن عمل بازیابی تصویر انجام می شد که پیشرفتهای زیادی از قبیل مدل نمودن داده ،شاخصهای چند بعدی ،ارزیابی Query در این روش حاصل شد، بهرحال دو مشکل عمده نیز بر سر راه این روش وجود داشت:


1- زمانیکه سایز تصویر بزرگ می شد (ده یا صد هزار ) مشکلی در ذخیره این تصویر بود.

2-مشکلی که حائز اهمیت بود محتوای درون تصویر و درک صحیح انسان از آن بود که شاید از دو تصویر مشابه درکهای مختلفی صورت می گرفت.


به همین دلایل بود که ایده CBIR  بر اساس محتوای بصری شامل رنگ و بافت و شکل و ... شکل گرفت. رنگهای تصویر فقط برای زیبا سازی تصویر بکار برده نمی شوند بلکه اطلاعاتی در مورد تصویر را به ما می دهند که برای استخراج اطلاعات از تصویر رنگی کاربرد فراوان دارد،یکی از الگوهای CBIR الگوی LBP هست که در روشهای گوناگون مربعی،دایره ای ، قطری کاربرد دارد و الگوی نسبتا موفقی از نظر سرعت و کارآیی در کلاس بندی بافتها جهت موارد تشخیص چهره ، ردیابی شی ، بازیابی تصویر چهره و تشخیص اثر انگشت به شمار می رود.

در شکل زیر نحوه محاسبات نمایش داده شده است.



LBP معمولی




LBP قطری

Rao, L. K., & Rao, D. V. (2015). Local quantized extrema patterns for content-based natural and texture image retrieval. Human-centric Computing and Information Sciences, 5(1), 26.




طراحی یک سیستم شناسایی چهره بر خط با استفاده از پردازنده گرافیکی

سیستم بازیابی تصویر چهره در 3 دهه اخیر در تصاویر ثابت و محیطهای کنترل شده پیشرفت چشمگیری داشته است اما در تصاویر متحرک و بر خط هنوز دارای چالشهایی است که در این مقاله با استفاده از روش LBP بر پایه پردازنده گرافیکی NVIDIA و پلتفرم CUDA تحقیقی صورت گرفت و در مواقعی که استفاده از GPU مقرون به صرفه نبوده است موازی سازی با CPU انجام شده است.

چالشهای بازیابی تصویر چهره برخط:

1- تغییرات روشنایی تصاویر

2- تغییر حالت چهره


راه حل ارائه شده:

از الگوریتم LBP(Local Binary Pattern) برای استخراج ویژگی پایدار به تغییرات یکنواخت روشنایی و حالت چهره و از الگوریتم

SQI(Self Quotient Image) برای خنثی سازی تغییرات نور استفاده شده است و برای افزایش هرچه بیشتر سرعت سیستم از پردازنده گرافیکی GPU استفاده شده است بدین ترتیب که موازی سازی افزایش 19 برابری سرعت پردازش را در بر داشت


تعریف SQI:خارج قسمت تقسیم تصویر بر فیلتر پایین گذر همان تصویر مانند گاوسین


مرجع:علوم و مهندسی کامپیوتر،نشریه علمی و پژوهشی انجمن کامپیوتر ایران،مجله 12 شماره 3(الف)،سال1393،صفحات 59-66

استفاده از الگوریتم LBP در تشخیص خودکار تومور سرطانی بر پایه GPU

LBP یک توصیفگر بافت قدرتمند است که به تازگی در تحلیل تصاویر پزشکی کاربرد پیدا کرده است، در این پایان نامه با استفاده از GPU ،الگوریتم LBP برروی تصاویر حاوی سلولهای سرطانی اعمال شده که بوسیله این الگو نه تنها بافتهای سرطانی با دقت و کیفیت بالا پردازش می شوند بلکه محل دقیق تومورهای سرطانی نیز با سرعت بسیار بالاتری نسبت به CPU با توجه به حجیم بودن عکسها بطور خودکار مشخص می شود،که میانگین زمان صرف شده درGPU  حدود 12 میلی ثانیه بوده در حالیکه زمان پردازش در CPU حدود 1150 میلی ثانیه محاسبه شده است که تقریبا 95 برابر GPU سریعتر عمل نموده است.

SIFT

 SIFT

الگوریتم SIFT خلاصه عبارت Scale Invariant Feature Transform است که برای بیان ویژگی های محلی در تصویر کاربرد دارد که در سال 1999 توسط David Lowe پیشنهاد و در سال 2002 توسعه داده شد. بطور کلی ویژگی هایی که از تصویر استخراج می شود به دو دسته محلی و سراسری تقسیم می شود. ویژگیهای Global شامل ویژگیهای کلی هستند که با هم مقایسه می شوند که اگرتفاوتی مشاهده شد ، به سراغ ویژگی های Local که همان ویژگیهای جزئی هستند رفته می شود و باهم مقایسه می شوند که برای استخراج این ویژگیها بایستی یک سری نقاط کلیدی تعیین شود که برای هر نقطه یک شناسنامه و یا یک توصیف براساس پیکسلهای همجوار تشکیل می شود تا این نقاط از سایر نقاط دیگر مجزا شود که به آن اثر انگشت هم گفته می شود و منحصر بفرد است خاصیت این کار این است که اگر تصویراز زوایای مختلف و یا از ZOOM های مختلف گرفته شود آن نقطه تغییری نمی کند ولی بایستی این نکته را نیز مد نظر داشت که الگوریتم SIFT تطابق نقاط را شامل نمی شود و این عمل با یک الگوریتم دیگر انجام می شود




همانطور که در تصویر بالا مشاهده می کنید دو رادیو طوسی در ویژگی کلیشان تفاوتی دیده نمی شود سپس به مقایسه ویژگی های محلی پرداخته می شود که در قسمت وسط تفاوت مشاهده می شود






در دو عکس فوق به بررسی ویژگیهای شکل پرداخته می شود و نقاطی که تطابق بیشتری دارند بعنوان شی مورد نظر مشخص می شود


یکی از راههای استخراج ویژگی تفاضل گرادیان در مراتب مختلف است که در شکل زیر اورده شده است




و اما چالشها:

1-الگوریتم استخراج ویژگی قوی بایستی نسبت به چرخش یا Rotation مقاوم باشد 2- الگوریتم استخراج ویژگی قوی بایستی نسبت به تغییرات روشنایی مقاوم باشد 3- الگوریتم استخراج ویژگی قوی بایستی نسبت به تغییر مقیاس مقاوم باشد 4- مقاومت در برابر زاویه عکسبرداری نیز یکی دیگر از ویژگی های این الگوریتم است 5- الگوریتم تشخیص ویژگی باید نسبت به نویز هم مقاوم باشد

 

چون الگوریتم SIFT در برابر تمامی این چالشها مقاوم است از آن به عنوان یک الگوریتم قوی در استخراج ویژگی یاد می شود ، البته باید متذکر این مسئله نیز شد که این الگوریتم در برابر تغییرات روشنایی هنوز بصورت کامل مقاوم نیست.

 

کاربردها:

1-      تطبیق یک مجموعه تصویر (مانند تصاویر پانوراما)

2-      شناسایی اشیا (جستجوی یک شی در میان تصویری از اشیا مختلف و یافتن مکان آن شی)

3-      ساخت مدل سه بعدی از روی مجموع تصویر (جمع نمودن تصاویر از زوایای مختلف با استفاده از SIFT)

4-      ردیابی اشیاء در ویدئو(فریم به فریم)