并行進化算法研究及其在圖像處理中的應用.pdf

1、進化算法是一類基于自然選擇和自然遺傳等生物進化機制的全局優(yōu)化搜索算法，具有簡單通用、魯棒性好、適合并行處理等優(yōu)點，使其在各類圖像處理問題中得到了廣泛的應用。但是進化算法時間復雜度較高，處理速度較慢，隨著數字成像技術不斷提升，數字圖像中所包含的數據量急劇提升，使得利用進化算法對海量圖像進行處理時面臨著一些新的挑戰(zhàn)。以GPU(Graphics Processing Unit)和MIC(Many Intergrated Core)為代表的眾核

2、計算設備擁有大量計算單元和超強計算能力，通過眾核計算設備對進化算法進行并行化處理，相對于傳統串行方式，在處理速度方面有著巨大的優(yōu)勢。本文主要使用OpenCL(Open Computing Language)并行計算框架，對兩種應用于圖像處理問題的進化算法進行并行化加速。主要工作如下：
　　將免疫優(yōu)勢理論應用于圖像特征選擇問題之中，設計單向變異的策略，并針對串行算法耗時問題，提出了針對圖像特征選擇問題的并行免疫優(yōu)勢克隆選擇算法，相對

3、于傳統算法，搜索性能更高，收斂更快，運算耗時更少。并且，在使用主從式并行模型時，設計了OpenCL設備端隨機數生成策略，大量減少了主機端與設備端的通信。還針對多GPU設備情況，將算法設計與硬件架構結合，設計了基于多GPU設備的島式并行模型。利用并行算子，將原本不適合并行處理的步驟，進行并行化加速，進一步提升了并行算法的加速效果。對幾組實驗數據集進行實驗仿真，所得到的特征子集維度更低，分類精確率更高，在各個數據集上均得到良好的加速效果。最

4、后，在多核CPU、GPU和MIC等加速設備上對并行算法進行了實施，研究了并行算法的可移植性。
　　針對利用聚類思想來解決圖像變化檢測問題時，所面對的SAR(Synthetic Aperture Radar)圖像噪聲問題和初始化聚類中心選取對聚類結果的影響問題，將粒子群算法與模糊局部C均值思想相結合，并針對串行算法耗時問題，提出了基于鄰域信息的并行粒子群聚類算法，有效解決了以上問題。對幾組SAR圖像進行變化檢測實驗，所得到的變化檢測