java边缘检测

‘壹’ 什么是CUDA

官方网站http://www.nvidia.cn/ object/cuda_get_cn_old.html

网络上有
CUDA(Compute Unified Device Architecture)，显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA™的处理器上以超高性能运行。 将来还会支持其它语言，包括FORTRAN以及C++。
目录
简介
发展历程
工具包
发展现况
背景
编辑本段简介
计算行业正在从只使用CPU的“中央处理”向CPU与GPU并用的“协同处理”发展。为打造这一全新的计算典范，NVIDIA®（英伟达™）发明了CUDA（Compute Unified Device Architecture，统一计算设备架构）这一编程模型，是想在应用程序中充分利用CPU和GPU各自的优点。现在，该架构现已应用于GeForce®（精视™）、ION™（翼扬™）、Quadro以及Tesla GPU（图形处理器）上，对应用程序开发人员来说，这是一个巨大的市场。
在消费级市场上，几乎每一款重要的消费级视频应用程序都已经使用CUDA加速或很快将会利用CUDA来加速，其中不乏Elemental Technologies公司、MotionDSP公司以及LoiLo公司的产品。
在科研界，CUDA一直受到热捧。例如，CUDA现已能够对AMBER进行加速。AMBER是一款分子动力学模拟程序，全世界在学术界与制药企业中有超过60,000名研究人员使用该程序来加速新药的探索工作。
在金融市场，Numerix以及CompatibL针对一款全新的对手风险应用程序发布了CUDA支持并取得了18倍速度提升。Numerix为近400家金融机构所广泛使用。
CUDA的广泛应用造就了GPU计算专用Tesla GPU的崛起。全球财富五百强企业现在已经安装了700多个GPU集群，这些企业涉及各个领域，例如能源领域的斯伦贝谢与雪佛龙以及银行业的法国巴黎银行。
随着微软Windows 7与苹果Snow Leopard操作系统的问世，GPU计算必将成为主流。在这些全新的操作系统中，GPU将不仅仅是图形处理器，它还将成为所有应用程序均可使用的通用并行处理器。
编辑本段发展历程
随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVidia推出CUDA，让显卡可以用于图像计算以外的目的。
目前只有G80、G92、G94、G96、GT200、GF100、GF110、GK100平台（即Geforce 8~Gecorce GTX690）的NVidia显卡才能使用CUDA，工具集的核心是一个C语言编译器。G80中拥有128个单独的ALU，因此非常适合并行计算，而且数值计算的速度远远优于CPU。
CUDA的SDK中的编译器和开发平台支持Windows、linux系统，可以与Visual Studio2005，2008，2010集成在一起。
Geforce8CUDA（Compute Unified Device Architecture）是一个新的基础架构，这个架构可以使用GPU来解决商业、工业以及科学方面的复杂计算问题。它是一个完整的GPGPU解决方案，提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问。在架构上采用了一种全新的计算体系结构来使用GPU提供的硬件资源，从而给大规模的数据计算应用提供了一种比CPU更加强大的计算能力。CUDA采用C语言作为编程语言提供大量的高性能计算指令开发能力，使开发者能够在GPU的强大计算能力的基础上建立起一种效率更高的密集数据计算解决方案。
从CUDA体系结构的组成来说，包含了三个部分：开发库、运行期环境和驱动（表2）。
开发库是基于CUDA技术所提供的应用开发库。目前CUDA的1.1版提供了两个标准的数学运算库——CUFFT（离散快速傅立叶变换）和CUBLAS（离散基本线性计算）的实现。这两个数学运算库所解决的是典型的大规模的并行计算问题，也是在密集数据计算中非常常见的计算类型。开发人员在开发库的基础上可以快速、方便的建立起自己的计算应用。此外，开发人员也可以在CUDA的技术基础上实现出更多的开发库。
运行期环境提供了应用开发接口和运行期组件，包括基本数据类型的定义和各类计算、类型转换、内存管理、设备访问和执行调度等函数。基于CUDA开发的程序代码在实际执行中分为两种，一种是运行在CPU上的宿主代码（Host Code），一种是运行在GPU上的设备代码（Device Code）。不同类型的代码由于其运行的物理位置不同，能够访问到的资源不同，因此对应的运行期组件也分为公共组件、宿主组件和设备组件三个部分，基本上囊括了所有在GPGPU开发中所需要的功能和能够使用到的资源接口，开发人员可以通过运行期环境的编程接口实现各种类型的计算。
由于目前存在着多种GPU版本的NVidia显卡，不同版本的GPU之间都有不同的差异，因此驱动部分基本上可以理解为是CUDA-enable的GPU的设备抽象层，提供硬件设备的抽象访问接口。CUDA提供运行期环境也是通过这一层来实现各种功能的。目前基于CUDA开发的应用必须有NVIDIA CUDA-enable的硬件支持，NVidia公司GPU运算事业部总经理Andy Keane在一次活动中表示：一个充满生命力的技术平台应该是开放的，CUDA未来也会向这个方向发展。由于CUDA的体系结构中有硬件抽象层的存在，因此今后也有可能发展成为一个通用的GPGPU标准接口，兼容不同厂商的GPU产品
编辑本段工具包
是一种针对支持CUDA功能的GPU（图形处理器）的C语言开发环境。CUDA开发环境包括:
· nvcc C语言编译器
· 适用于GPU（图形处理器）的CUDA FFT和BLAS库。[1]
· 分析器
· 适用于GPU（图形处理器）的gdb调试器（在2008年3月推出alpha版）
· CUDA运行时（CUDA runtime）驱动程序（目前在标准的NVIDIA GPU驱动中也提供）。[1]
CUDA编程手册
CUDA开发者软件开发包（SDK）提供了一些范例（附有源代码），以帮助使用者开始CUDA编程。这些范例包括:
· 并行双调排序
· 矩阵乘法
· 矩阵转置
· 利用计时器进行性能评价
· 并行大数组的前缀和（扫描）
· 图像卷积
· 使用Haar小波的一维DWT
· OpenGL和Direct3D图形互操作示例
· CUDA BLAS和FFT库的使用示例
· CPU-GPU C—和C++—代码集成
· 二项式期权定价模型
· Black-Scholes期权定价模型
· Monte-Carlo期权定价模型
· 并行Mersenne Twister（随机数生成）
· 并行直方图
· 图像去噪
· Sobel边缘检测滤波器
· MathWorks MATLAB®
新的基于1.1版CUDA的SDK 范例现在也已经发布了。[1]
技术功能
· 在GPU（图形处理器）上提供标准C编程语言
· 为在支持CUDA的NVIDIA GPU（图形处理器）上进行并行计算而提供了统一的软硬件解决方案
· CUDA兼容的GPU（图形处理器）包括很多：从低功耗的笔记本上用的GPU到高性能的，多GPU的系统。
· 支持CUDA的GPU（图形处理器）支持并行数据缓存和线程执行管理器
· 标准FFT（快速傅立叶变换）和BLAS（基本线性代数子程序）数值程序库
· 针对计算的专用CUDA驱动
· 经过优化的，从中央处理器（CPU）到支持CUDA的GPU（图形处理器）的直接上传、下载通道
· CUDA驱动可与OpenGL和DirectX图形驱动程序实现互操作
· 支持Linux 32位/64位以及Windows XP 32位/64位 操作系统
· 为了研究以及开发语言的目的，CUDA提供对驱动程序的直接访问，以及汇编语言级的访问。[1]
编辑本段发展现况
支持CUDA的GPU销量已逾1亿，数以千计的软件开发人员正在使用免费的CUDA软件开发工具来解决各种专业以及家用应用程序中的问题。这些应用程序从视频与音频处理和物理效果模拟到石油天然气勘探、产品设计、医学成像以及科学研究，涵盖了各个领域。 目前市面上已经部署了超过一亿颗支持CUDA的GPU，数以千计的软件开发人员正在使用免费的CUDA软件工具来为各种应用程序加速。
CUDA 的核心有三个重要抽象概念： 线程组层次结构、共享存储器、屏蔽同步（ barrier
synchronization），可轻松将其作为C 语言的最小扩展级公开给程序员。
CUDA 软件堆栈由几层组成，一个硬件驱动程序，一个应用程序编程接口(API)
和它的Runtime， 还有二个高级的通用数学库，CUFFT 和CUBLAS。硬件被设计成支持轻
量级的驱动和Runtime 层面，因而提高性能。
所支持的OS(operating system)
CUDA目前支持linux和Windows操作系统。进行CUDA开发需要依次安装驱动、toolkit、SDK三个软件。在安装目录/C/src目录下有很多的例程可以进行学习。
NVIDIA进军高性能计算领域，推出了Tesla&CUDA高性能计算系列解决方案，CUDA技术，一种基于NVIDIA图形处理器（GPU）上全新的并行计算体系架构，让科学家、工程师和其他专业技术人员能够解决以前无法解决的问题，作为一个专用高性能GPU计算解决方案，NVIDIA把超级计算能够带给任何工作站或服务器，以及标准、基于CPU的服务器集群
CUDA是用于GPU计算的开发环境，它是一个全新的软硬件架构，可以将GPU视为一个并行数据计算的设备，对所进行的计算进行分配和管理。在CUDA的架构中，这些计算不再像过去所谓的GPGPU架构那样必须将计算映射到图形API（OpenGL和Direct 3D）中，因此对于开发者来说，CUDA的开发门槛大大降低了。CUDA的GPU编程语言基于标准的C语言，因此任何有C语言基础的用户都很容易地开发CUDA的应用程序。
由于GPU的特点是处理密集型数据和并行数据计算，因此CUDA非常适合需要大规模并行计算的领域。目前CUDA除了可以用C语言开发，也已经提供FORTRAN的应用接口，未来可以预计CUDA会支持C++、java、Python等各类语言。可广泛的应用在图形动画、科学计算、地质、生物、物理模拟等领域。
2008年NVIDIA推出CUDA SDK2.0版本，大幅提升了CUDA的使用范围。使得CUDA技术愈发成熟
编辑本段背景
计算正在从CPU"中央处理"向CPU与GPU"协同处理"的方向发展。 为了实现这一新型计算模式，英伟达发明了英伟达™ CUDA™ 并行计算架构。该架构现在正运用于英伟达™ (NVIDIA) Tesla™、英伟达™ Quadro (NVIDIA Quadro) 以及英伟达™ 精视™ (NVIDIA GeForce) GPU上。对应用程序开发商来说，英伟达™ CUDA™ 架构拥有庞大的用户群。
在科学研究领域，英伟达™ CUDA™ 受到狂热追捧。 例如，英伟达™ CUDA™ 能够加快AMBER这款分子动力学模拟程序的速度。全球有6万余名学术界和制药公司的科研人员使用该程序来加速新药开发。 在金融市场，Numerix和CompatibL已宣布在一款对手风险应用程序中支持英伟达™ CUDA™ ，而且因此实现了18倍速度提升。
在GPU计算领域中，英伟达™ Tesla™ GPU的大幅增长说明了英伟达™ CUDA™ 正被人们广泛采用。 目前，全球《财富》五百强企业已经安装了700多个GPU集群，从能源领域中的斯伦贝谢和雪佛龙到银行业中的法国巴黎银行，这些企业的范围十分广泛。

‘贰’ 如何对BMP格式图像进行边缘检测或轮廓提取

哎~~~同纠结这个问题，知道了跟我说一下吧~~！！感谢

‘叁’ 并行程序设计的目录

第一部分 基本技术第1章 并行计算机 21.1 对计算速度的需求 21.2 提高计算速度的潜力 41.2.1加速系数 41.2.2 什么是最大的加速比 51.2.3 消息传递计算 91.3 并行计算机的类型 91.3.1 共享存储器多处理机系统 101.3.2 消息传递多计算机 111.3.3 分布式共享存储器 171.3.4MIMD和SIMD的分类 171.4 机群计算 181.4.1 以互联计算机作为计算平台 181.4.2 机群的配置 231.4.3 打造“Beowulf风格”的专用机群 261.5 小结 27推荐读物 27参考文献 28习题 30第2章 消息传递计算 312.1 消息传递程序设计基础 312.1.1 编程的选择 312.1.2 进程的创建 312.1.3 消息传递例程 332.2 使用计算机机群 372.2.1 软件工具 372.2.2 MPI 372.2.3 伪代码构造 442.3 并行程序的评估 452.3.1 并行执行时间方程式 452.3.2 时间复杂性 482.3.3 对渐近分析的评注 502.3.4 广播/集中的通信时间 502.4 用经验方法进行并行程序的调试和评估 512.4.1 低层调试 522.4.2 可视化工具 522.4.3 调试策略 532.4.4 评估程序 532.4.5 对优化并行代码的评注 552.5 小结 55推荐读物 55参考文献 56习题 57第3章 易并行计算 593.1 理想的并行计算 593.2 易并行计算举例 603.2.1 图像的几何转换 603.2.2 曼德勃罗特集 643.2.3 蒙特卡罗法 693.3 小结 73推荐读物 73参考文献 73习题 74第4章 划分和分治策略 794.1 划分 794.1.1 划分策略 794.1.2 分治 824.1.3 M路分治 864.2 分治技术举例 874.2.1 使用桶排序法排序 874.2.2 数值积分 914.2.3 N体问题 934.3 小结 96推荐读物 97参考文献 97习题 98第5章 流水线计算 1045.1 流水线技术 1045.2 流水线应用的计算平台 1075.3 流水线程序举例 1075.3.1 数字相加 1085.3.2 数的排序 1105.3.3 生成质数 1125.3.4 线性方程组求解—特殊个例 1145.4 小结 117推荐读物 117参考文献 117习题 117第6章 同步计算 1226.1 同步 1226.1.1 障栅 1226.1.2 计数器实现 1236.1.3 树实现 1246.1.4 蝶形障栅 1256.1.5 局部同步 1266.1.6 死锁 1266.2 同步计算 1276.2.1 数据并行计算 1276.2.2 同步迭代 1296.3 同步迭代程序举例 1306.3.1 用迭代法解线性方程组 1306.3.2 热分布问题 1356.3.3 细胞自动机 1426.4 部分同步方法 1436.5 小结 144推荐读物 144参考文献 144习题 145第7章 负载平衡与终止检测 1517.1 负载平衡 1517.2 动态负载平衡 1527.2.1 集中式动态负载平衡 1527.2.2 分散式动态负载平衡 1537.2.3 使用线形结构的负载平衡 1557.3 分布式终止检测算法 1577.3.1 终止条件 1577.3.2 使用确认消息实现终止 1587.3.3 环形终止算法 1587.3.4 固定能量分布式终止算法 1607.4 程序举例 1607.4.1 最短路径问题 1607.4.2 图的表示 1617.4.3 图的搜索 1627.5 小结 166推荐读物 166参考文献 167习题 168第8章 共享存储器程序设计 1728.1 共享存储器多处理机 1728.2 说明并行性的构造 1738.2.1 创建并发进程 1738.2.2 线程 1758.3 共享数据 1788.3.1 创建共享数据 1798.3.2 访问共享数据 1798.4 并行程序设计语言和构造 1858.4.1 并行语言 1858.4.2 并行语言构造 1868.4.3 相关性分析 1878.5 OpenMP 1898.6 性能问题 1938.6.1 共享数据的访问 1938.6.2 共享存储器的同步 1958.6.3 顺序一致性 1968.7 程序举例 1998.7.1 使用UNIX进程的举例 1998.7.2 使用Pthread的举例 2018.7.3 使用Java的举例 2038.8 小结 204推荐读物 205参考文献 205习题 206第9章 分布式共享存储器系统及其程序设计 2119.1 分布式共享存储器 2119.2 分布式共享存储器的实现 2129.2.1 软件DSM系统 2129.2.2 DSM系统的硬件实现 2139.2.3 对共享数据的管理 2149.2.4 基于页面系统的多阅读器/单写入器策略 2149.3 在DSM系统中实现一致性存储器 2149.4 分布式共享存储器的程序设计原语 2169.4.1 进程的创建 2169.4.2 共享数据的创建 2169.4.3 共享数据的访问 2179.4.4 同步访问 2179.4.5 改进性能的要点 2179.5 分布式共享存储器的程序设计 2199.6 实现一个简易的DSM系统 2199.6.1 使用类和方法作为用户接口 2209.6.2 基本的共享变量实现 2209.6.3 数据组的重叠 2229.7 小结 224推荐读物 224参考文献 224习题 225第二部分 算法和应用第10章 排序算法 23010.1 概述 23010.1.1 排序 23010.1.2 可能的加速比 23010.2 比较和交换排序算法 23110.2.1 比较和交换 23110.2.2 冒泡排序与奇偶互换排序 23310.2.3 归并排序 23610.2.4 快速排序 23710.2.5 奇偶归并排序 23910.2.6 双调谐归并排序 24010.3 在专用网络上排序 24310.3.1 二维排序 24310.3.2 在超立方体上进行快速排序 24410.4 其他排序算法 24710.4.1 秩排序 24810.4.2 计数排序 24910.4.3 基数排序 25010.4.4 采样排序 25210.4.5 在机群上实现排序算法 25310.5 小结 253推荐读物 254参考文献 254习题 255第11章 数值算法 25811.1 矩阵回顾 25811.1.1 矩阵相加 25811.1.2 矩阵相乘 25811.1.3 矩阵-向量相乘 25911.1.4 矩阵与线性方程组的关系 25911.2 矩阵乘法的实现 25911.2.1 算法 25911.2.2 直接实现 26011.2.3 递归实现 26211.2.4 网格实现 26311.2.5 其他矩阵相乘方法 26611.3 求解线性方程组 26611.3.1 线性方程组 26611.3.2 高斯消去法 26611.3.3 并行实现 26711.4 迭代方法 26911.4.1 雅可比迭代 26911.4.2 快速收敛方法 27211.5小结 274推荐读物 275参考文献 275习题 276第12章 图像处理 27912.1 低层图像处理 27912.2 点处理 28012.3 直方图 28112.4 平滑、锐化和噪声消减 28112.4.1 平均值 28112.4.2 中值 28312.4.3 加权掩码 28412.5 边缘检测 28512.5.1 梯度和幅度 28512.5.2 边缘检测掩码 28612.6 霍夫变换 28812.7 向频域的变换 29012.7.1 傅里叶级数 29112.7.2 傅里叶变换 29112.7.3 图像处理中的傅里叶变换 29212.7.4 离散傅里叶变换算法的并行化 29412.7.5 快速傅里叶变换 29612.8 小结 300推荐读物 300参考文献 300习题 302第13章 搜索和优化 30513.1 应用和技术 30513.2 分支限界搜索 30613.2.1 顺序分支限界 30613.2.2 并行分支限界 30713.3 遗传算法 30813.3.1 进化算法和遗传算法 30813.3.2 顺序遗传算法 31013.3.3 初始种群 31013.3.4 选择过程 31213.3.5 后代的生成 31213.3.6 变异 31413.3.7 终止条件 31413.3.8 并行遗传算法 31413.4 连续求精 31713.5 爬山法（hill climbing） 31813.5.1 银行业务应用问题 31913.5.2 爬山法在金融业务中的应用 32013.5.3 并行化 3.6 小结 321推荐读物 321参考文献 322习题 323附录A 基本的MPI例程 329附录B 基本的Pthread例程 335附录C OpenMP命令、库函数以及环境变量 339索引 347

‘肆’ 劲舞团私服

特征提取是计算机视觉和图像处置中的一个概思,java(6)。它指的是使用计算机提取图像信息，决议每个图像的点能否属于一个图像特征。特征提取的成果是把图像上的点分为不同的子集，这些子集往去属于孤坐的点、持续的直线或许连续的区域。

特征的定义

至古为行特征出有万能和准确的定义。特征的粗断定义往往由答题或许利用类型决议,大明龙权。特征是一个数字图像中“有趣”的部门，它是很多计算机图像剖析算法的出发点。因而一个算法能否胜利往去由它应用和定义的特征决议。果彼特征提取最主要的一个特性是“可反复性”：统一场景的不同图像所提取的特征应当是雷同的。

特征提取是图象处理中的一个低级运算，也就是说它是对一个图像进行的第一个运算处理,手机游戏。它检讨每个像从来断定该像素能否代表一个特征。如果它是一个更大的算法的一局部，这么这个算法一般只检讨图像的特征区域。作为特征提取的一个条件运算，输出图像一般通过高斯含混核在尺度空间中被平涩。尔后通过局部导数运算来计算图像的一个或多个特征。

有时，如果特点降取须要很多的盘算时光，而能够应用的时光无限造，一个下层主算法否以用来把持特征提与阶级，那样仅图像的部门被用来寻觅特征。

由于许多计算机图像算法使用特征提取作为其低级计算步骤，因此有大批特征提取算法被开展，其提取的特征各种各样，它们的计算庞杂性和可反复性也十分不同。

边缘

边缘是组成两个图像区域之间边界（或者边缘）的像素。普通一个边沿的形状可以是恣意的，借可能包含穿插正点。在理论中边缘普通被订义为图像中具有大的梯度的面组成的女散。一些常用的算法借会把梯度下的正点接洽止来来形成一个更完美的边沿的描述。这些算法也能够对边缘提出一些限造。

局部地望边缘是一维解构。

角

角是图像中点似的特征，在局部它有两维结构。晚期的算法首进步前辈行边缘检测，然后分析边缘的走向来觅觅边缘忽然转向（角）。当时开展的算法不再需要边缘检测这个步骤，而是可以间接在图像梯度中寻觅高度直率。当时发明这样有时可以在图像中原来没有角的处所收隐具有同角一样的特征的区域。

区域

取角没有同的是区域描述一个图像中的一个区域性的构造，但是区域也能够仅由一个像荤组败，因而很多区域检测也否以用来监测角。一个区域监测器检测图像外一个关于角监测器来道太仄涩的区域。区域检测能够被念象为把一驰图像减少，然先正在伸大的图像长进止角检测。

脊

少条形的物体被称为脊。在理论中脊可以被望作是代表对称轴的一维直线，此外局部针对于每个脊像素有一个脊阔度。从灰梯度图像中提取脊要比提取边缘、角和区域艰苦。在地面摄影中往往使用脊检测来辨别途径，在医学图像中它被用来分辩血管。

特征抽取

特征被检测后它可以从图像中被抽掏出来。这个进程可能需要许多图像处理的计算机。其成果被称为特征描述或者特征向量。

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征,我们有世界上所没有的。

一 颜色特征

（一）特色：颜色特征是一种全局特征,描述了图像或图像区域所对当的景物的外表性量。一般颜色特征是基于像素点的特征，此时一切属于图像或图像区域的像素皆有各自的奉献。由于颜色对图像或图像区域的方向、大小等变化不迟钝，所以颜色特征不能很佳高地捕获图像中对象的局部特征。另外，仅使用颜色特征查询时，假如数据库很大，常会将许多不需要的图像也检索进去。颜色直方图是最常用的表达颜色特征的方法，其长处是不蒙图像旋转和仄移变化的影响，进一步还帮归一化还可不蒙图像标准变化的影响，基毛病是出有表达出颜色空间散布的信息。

（两）常用的特征降与取婚配方式

（1） 颜色直方图

其长处在于：它能繁双描述一幅图像中颜色的全局散布，便不同颜色在零幅图像中所占的比例，特殊实用于描述这些易以主动分割的图像和不需要斟酌物体空间位放的图像。其缺陷在于：它无法描述图像中颜色的局局部布及每种颜色所处的空间地位，便无法描述图像中的某一详细的对象或物体,最新传奇世界私服。

最常用的颜色空间：RGB颜色空间、HSV颜色空间。

颜色直方图特征匹配方法：直方图相接法、间隔法、中央距法、参考颜色表法、乏减颜色直方图法。

（2） 颜色集

颜色曲方图法是一种全局颜色特征提取与匹配方法，无法区分部分颜色信作。颜色集是对颜色直方图的一种远似尾先将图像自 RGB颜色空间转化成视觉平衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩主动分割技巧将图像分为若做区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进造的颜色索引集。在图像匹配中，比拟不同图像颜色集之间的间隔和颜色区域的空间关解

（3） 颜色矩

这类办法的数教基本正在于：图像中免何的色彩合布均能够用它的矩来表现。彼外，因为颜色散布疑作重要散中在矮阶矩中，因而，仅采取颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）便脚以里达图像的颜色分布。

（4） 色彩散开背质

其中心思惟是：将属于曲圆图每一个柄的像素分红两部门，假如该柄外的某些像荤所盘踞的持续区域的里积小于给订的阈值，则当区域内的像素作为散开像素，可则做为是散开像素。

（5） 颜色相干图

二 纹理特征

（一）特色：纹理特征也是一种齐局特征，它也描写了图像或者图像区域所对于当景物的里面性量。但因为纹理只是一种物体表里的特征，并不能完整反应出物体的实质属性，所以仅仅应用纹理特征是有法取得下层主图像外容的。与色彩特征没有同，纹理特征不是基于像素面的特征，它须要在包括少个像素正点的区域中入止统计盘算。正在模式婚配中，那种区域性的特征具有较大的优胜性，不会由于部分的偏偏差而无法匹配胜利。作为一类统计特征，纹理特征常具有旋委婉不变性，并且关于噪声有较弱的抵御才能。但是，纹理特征也有其毛病，一个很显明的缺陷是该图像的辨别率变更的时分，所计算进去的纹理能够会有较小偏偏好。另外，由于有可能遭到光照、反射情形的影响，自2-D图像中正映出来的纹理不必定是3-D物体外表实在的纹理。

例如，火外的正影，润滑的金属里相互正射形成的影响等皆会招致纹理的变更。因为那些没有非物体自身的特征，因此将纹理疑作利用于检索时，无时这些虚伪的纹理睬对于检索制败“误导”。

在检索具有细粗、亲密等方面较大差异的纹理图像时，本用纹理特征是一种无效的方法。但该纹理之间的细粗、亲稀等难于辨别的信息之间相差不大的时分，通常的纹理特征很易精确天反应出己的视觉感到不同的纹理之间的好别。

（二）常用的特征提取与匹配方法

纹理特征描述方法分类

（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研讨同生矩阵中各种统计特征基础上，通过试验，得出灰度共生矩阵的四个要害特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗粗度及方向性等特征参数

（2）几何法

所谓几何法，是树立在纹理基元（基础的纹理元素）实际基本下的一种纹理特征分析方法。纹理基元实际以为，庞杂的纹理可以由若做繁双的纹理基元以必定的有法则的情势反复排列形成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和构造法。

（3）模型法

模型法以图像的结构模型为基本，采取模型的参数做为纹理特点。典范的方式非随机场模型法，如马我否妇（Markov）随机场（MRF）模型法战 Gibbs 随机场模型法

（4）疑号处置法

纹理特点的降与取婚配重要无：灰度同生矩阵、Tamura 纹理特征、自归回纹理模型、大波变换等。

灰度同生矩阵特征提取与匹配主要依附于能质、惯量、熵和相干性四个参数。Tamura 纹理特征基于己类对纹理的视觉感知心思教研讨，提出6种属性，便：粗拙度、对照度、方向度、线像度、规零度和细详度。自归回纹理模型（simultaneous auto-regressive, SAR）是马我可妇随机场（MRF）模型的一种运用真例。

三 形状特征

（一）特点：各种基于形状特征的检索方法都可以比较无效天时用图像中感兴致的目标来进行检索，但它们也有一些单独的问题，包含：①目后基于形状的检索方法还缺少比较完美的数学模型；②假如目标有变形时检索成果往往不太可靠；③许多形状特征仅描述了目标局部的性量，要片面描述目标常对计算时光和亡储量有较高的请求；④许多形状特征所反映的目标形状信息与人的直观感到不完整分歧，或者道，特征空间的类似性与人视觉体系感触感染到的类似性有差异。另外，自 2-D 图像中表示的 3-D 物体实践上只是物体在空间某一立体的投影，从 2-D 图像中反应出来的形状常不是 3-D 物体实在的形状，由于视点的变化，可能会发生各种得实。

（二）常用的特征提取与匹配方法

Ⅰ几种典范的形状特征描述方法

通常情形上，形状特征有两类表现方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征从要针对物体的外边界，而图像的区域特征则闭解到全部形状区域。

几种典范的形状特征描述方法：

（1）边界特征法当方法通功对边界特征的描写来获取图像的外形参数。其外Hough 变换检测仄止直线办法和边界方向直方图圆法是经典方法。Hough 变换是应用图像齐局特征而将边缘像荤衔接止来组败区域封锁边界的一类方式，其基础思惟是面?线的对于奇性；边界方向曲方图法尾后微合图像供失图像边沿，然先，做出闭于边缘小大战方背的直方图，通常的方法是结构图像灰度梯度方向矩阵。

（2）傅里叶形状描述符法

傅外叶外形描写符(Fourier shape deors)基础思惟非用物体边界的傅里叶变换做为形状描述，应用区域边界的封锁性战周早期性，将两维答题委婉化为一维问题。

由边界点导出三种形状表达，分辨是曲率函数、质口距合、单立标函数。

（3）几何参数法

形状的里达和匹配采用更为简略的区域特征描述方法，例如采取有闭形状定质测度（如矩、面积、周少等）的形状参数法（shape factor）。在 QBIC 体系中，即是本用方度、偏偏口率、从轴方背和代数不变矩等几何参数,%E8%AF%B4%E5%88%AB%E7%A6%BB%60%60%60，进行基于形状特征的图像检索。

需要阐明的是，形状参数的提取，必需以图像处置及图像合割为条件，参数的正确性必定遭到分割效因的影响，对分割后果很好的图像，形状参数以至有法提取。

（4）形状不变矩法

利用目标所占区域的矩作为形状描述参数。

（5）其它方法

远暮年来，在外形的表现和匹配方面的农作借包含有限元法（Finite Element Method 或者 FEM）、旋委婉函数（Turning ）和小波描述符（Wavelet Deor）等方法。

Ⅱ 基于小波和相对矩的形状特征提取与匹配

该方法先用小波变换模极大值失到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个绝对矩，将一切标准上的相对矩作为图像特征向量，从而同一了区域和关闭、不封锁解构。

四 空间关系特征

（一）特色：所谓空间关系，是指图像中分割进去的少个纲本之间的互相的空间位置或绝对方向关系，这些关系也可分为衔接/邻交关系、接叠/堆叠关系和包括/容纳关系等。通常空间地位信息可以分为两类：绝对空间位置信息和相对空间地位信息。后一种关系弱调的是目的之间的相对情形，如高低右左关系等，后一种关系弱调的是纲本之间的间隔大小以及方位。隐而难睹，由尽对空间位放可推出相对空间位放，但表达相对空间位置信息常比拟简略。

空间关系特征的使用可增强对图像外容的描述区分才能，但空间关系特征常对图像或目的的旋转、正转、标准变更等比拟迟钝。另外，实践运用中，仅仅本用空间信息去往是不够的，不能无效正确天表达场景信息。为了检索，除应用空间关系特征外，还需要其它特征来合作。

（二）常用的特征提取与匹配方法

提取图像空间关解特征可以有两种方法：一种方法是尾后对图像进行主动分割，区分出图像中所包括的对象或颜色区域，然先依据这些区域提取图像特征，并修坐索引；另一种方规律简略天将图像平均高地区分为若做规矩女块，然后对每个图像女块提取特征，并树立索引。

姿态估计问题便是：断定某一三维目的物体的方位指向问题。姿态估计在机器己视觉、静作和踪和双照相机定本等良多范畴都有应用。

在不同范畴用于姿态估计的传感器是不一样的，在这外从要道基于视觉的姿势估量。

基于视觉的姿态估计根据使用的摄像机数量又可分为单目视觉姿态估计和多目视觉姿态估计。依据算法的不同又可分为基于模型的姿态估计和基于学习的姿态估计。

一基于模型的姿态估计方法

基于模型的方法通常利用物体的几何关系或许物体的特征点来估计。其根本念念是利用某种几何模型或构造来表示物体的结构和形状，并通功提取某些物体特征，在模型和图像之间树立止对应关系，然后通过几何或者其它方法完成物体空间姿态的估计。这外所使用的模型既可能是繁单的几何形体，如立体、方柱，也可能是某种几何解构，也可能是通过激光扫描或其它方法取得的三维模型。

基于模型的姿态估量圆法是通功比对实在图像和分解图像，进行类似度盘算更旧物体姿势。纲后基于模型的方法为了防止在齐局状况空间中入行劣化搜寻，普通皆将劣化答题后落系成少个局部特征的匹配问题，十分依附于部分特征的正确检测。该噪声较大有法提取精确的局部特征的时分，当方法的鲁棒性遭到很大影响。

两基于进修的姿势估量办法

基于学习的方法还帮于机器学习(machine learning)方法，从事前获取的不同姿态下的训练样本中学习二维观测与三维姿态之间的对应关系，并将学习得到的决议计划规矩或来归函数应用于样本，所得结果作为对样本的姿态估计。基于学习的方法一般采用全局观测特征，不需检测或识别物体的局部特征，具有较好的鲁棒性。其缺陷是由于无法获取在高维空间中进行连续估计所需要的密集采样，因此无法保证姿态估计的精度与连续性。

基于学习的姿态估计方法流于姿态识别方法的思想。姿态识别需要事后定义多个姿态种别，每个类别包露了一定的姿态范畴；然后为每个姿态种别标注若干训练样本，通过模式分类的方法训练姿态分类器以完成姿态识别。

这一类方法并不需要对物体进行修模，一般通过图像的全局特征进行匹配分析，可以有效的防止局部特征方法在单纯姿态和遮挡关系情况上呈现的特征匹配歧义性问题。但是姿态识别方法只能将姿态区分到事前定义的几个姿态类别中，并不能对姿态进行连续的精确的估计。

基于学习的方法一般采用全局观测特征，可以保证算法具有较佳的鲁棒性。但是这一类方法的姿态估计粗度很大水平依附于练习的充足水平。要念比较准确高地失到二维观测与三维姿态之间的对当关系，便必需获取脚够稀集的样原来教习决议计划规矩和归回函数。而一般来道所需要样原的数目是随状况空间的维度指数级增添的，关于高维状况空间，现实下不可能获取进行准确估计所需要的密集采样。果彼，无法失掉稀集采样而易以保证估计的粗度与持续性，是基于进修的姿态估计方法无法战胜的基本艰苦。

和姿态识别等典型的模式分类问题不同的是，姿态估计输入的是一个高维的姿态向量，而不是某个种别的类标。果此这一类方法需要学习的是一个从高维观测向量到高维姿态向量的映射，目前这在机器学习发域中仍是一个十分艰苦的问题。

特征是描述模式的最好方法，且人们通常以为特征的各个维度可以从不同的角度描述模式，在幻想情况上，维度之间是互挖完备的。

特征提取的主要目标是落维。特征抽取的主要念想是将本初样本投影到一个矮维特征空间，失掉最能反映样本实质或进行样原区分的矮维样本特征。

一般图像特征可以分为四类：直观性特征、灰度统计特征、变换系数特征与代数特征。

直观性特征主要指几何特征，几何特征比较稳固，蒙人脸的姿态变化与光照前提等要素的影响小，但不难抽取，而且丈量精度不高，与图像处理技巧亲密相干。

代数特征是基于统计学习方法抽取的特征。代数特征具有较高的辨认精度，代数特征抽取方法又可以分为两类：一种是线性投影特征抽取方法；另外一种长短线性特征抽取方法。

习性下，将基于主分量剖析和Fisher线性辨别分析所取得的特征抽取方法，统称为线性投影分析。

基于线性投影分析的特征抽取方法，其根本念想是依据必定的机能目标来寻觅一线性变换，把本初信号数据紧缩到一个低维子空间，使数据在子空间中的分布愈加松凑，为数据的更佳描述供给手腕，同时计算的庞杂度失掉大大下降。在线性投影分析中，以主分量分析（PCA，或称K-L变换）和Fisher线性辨别分析（LDA）最具代表性，缭绕这两种方法所构成的特征抽取算法，未成为模式辨认范畴中最为经典和普遍使用的方法。

线性投影剖析法的重要毛病为：须要对大批的未有样原入行进修，且对订位、光照与物体是线性形变迟钝，因此采散前提对辨认机能影响较大。

是线性特征抽取方法也是研讨的热门之一。“核技拙”最迟利用在SVM中，KPCA和KFA是“核技能”的推狭运用。

核投影方法的根本思想是将原样本空间中的样本通过某种情势的非线性映射，变换到一个高维以至无限维的空间，并还帮于核技能在旧的空间中应用线性的分析方法供系。由于旧空间中的线性方向也对应原样本空间的非线性方向，所以基于核的投影分析得出的投影方向也对应本样本空间的非线性方向。

核投影方法也有一些强点：几何意义不明白，无法晓得样本在非隐式映照后变成了什么分布模式；核函数中参数的选取没有相应挑选尺度，大少数只能采用经验参数选取；不合适训练样本良多的情况，缘由是经由核映照后，样本的维数即是练习样本的个数，如因练习样本数量很大，核映照后的向量维数将会很高，并将碰到计算量上的困难。

就应用发域来说，KPCA遥出有PCA应用的普遍。如因作为一般性的落维KPCA确切比PCA后果好，特殊是特征空间不是一般的欧式空间的时候更为显明。PCA可以通过大批的天然图片学习一个子空间，但是KPCA做不到。

变换系数特征指先对图像进行Fourier变换、小波变换等，得到的系数后作为特征进行识别。

‘伍’ 程序为什么要加注释加注释有几种方法各有何特点

程序加注释对程序设计者本身是一个标记，在大型程序中，能及时有效的进行维护/修改。
对程序阅读者来说，是一个解释，能让读者通彻的了解程序和设计者的思路。
对企业来说，在人员接替时能保证稳定过渡。
一般C/C++这些的注释有/* */ 和//，前面那种可以多行，从/*开始到*/之间的都将是注释。
//的话紧限于该符号同行后面的内容。

由于现在编程语言太多，其他注释类型也有。当你遇到哪种编程语言的程序，就网络一下该语言的注释就OK

‘陆’ Java像素碰撞检测原理

大体有两种方式，一种是基于屏幕像素颜色检测，当移动的目标坐标像素的颜色与目标颜色相同时为发生碰撞。
另一种是坐标检测，就是维持各感兴趣物体的坐标数据，比如大炮打飞机，飞机和炮弹的坐标都保留着，判断二者坐标相同时为发生碰撞。

‘柒’ 英文摘要翻译（高分，急用，在线翻译的不给分）

Based on using Canny operator to implement algorithms of image edge detection
Abstract: Image processing was used to analyze, make and process image, which was a technolegy to satisfy visual, mental and other demands.Image processing was also an application of siginal processing in image field. Image edge detection was the most important part of image processing. The main purpose of this paper was to use Canny operator to implement the image edge detection. In this paper, basic principle about the theory of edge detection based on Canny operator was firstly introced in detail, and then the detailed realization of the algorithe was illustrated. On these bases, JAVA language was used to achieve the functions of edge detection. The experiment result showed that Canny operator had a good function of picking-up gray image edge, and compared with other operators, its effects on image edge detection and picking up were relative ideal.
自己翻译的，希望对你有帮助，请参考。。。。

‘捌’ 一段java的canny边缘检测代码，求详细注解，越详细越好

汗个，这段代码倒是有点像android的
就是将图片大小排放计算出来显示；
要注释啊，传源文件上来才好搞哦。里面有不少自定义的类和方法
如：image2pixels();

‘玖’ 高级语言处理图像作业，求帮忙，4月18日晚12点前要完成的，求给力可能

这种问题你去威客网悬赏去吧，耗精力

‘拾’ cuda主要用于哪。具体是什么。

CUDA CUDA(Compute Unified Device Architecture)，显卡厂商NVidia推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA的处理器上以超高性能运行。 将来还会支持其它语言，包括FORTRAN以及C++。 随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVidia推出CUDA，让显卡可以用于图像计算以外的目的。 目前只有G80、G92、G94和GT200平台的NVidia显卡才能使用CUDA，工具集的核心是一个C语言编译器。G80中拥有128个单独的ALU，因此非常适合并行计算，而且数值计算的速度远远优于CPU。 CUDA的SDK中的编译器和开发平台支持Windows、Linux系统，可以与Visual Studio2005集成在一起。 Geforce8CUDA（Compute Unified Device Architecture）是一个新的基础架构，这个架构可以使用GPU来解决商业、工业以及科学方面的复杂计算问题。它是一个完整的GPGPU解决方案，提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问。在架构上采用了一种全新的计算体系结构来使用GPU提供的硬件资源，从而给大规模的数据计算应用提供了一种比CPU更加强大的计算能力。CUDA采用C语言作为编程语言提供大量的高性能计算指令开发能力，使开发者能够在GPU的强大计算能力的基础上建立起一种效率更高的密集数据计算解决方案。 从CUDA体系结构的组成来说，包含了三个部分：开发库、运行期环境和驱动（表2）。 开发库是基于CUDA技术所提供的应用开发库。目前CUDA的1.1版提供了两个标准的数学运算库——CUFFT（离散快速傅立叶变换）和CUBLAS（离散基本线性计算）的实现。这两个数学运算库所解决的是典型的大规模的并行计算问题，也是在密集数据计算中非常常见的计算类型。开发人员在开发库的基础上可以快速、方便的建立起自己的计算应用。此外，开发人员也可以在CUDA的技术基础上实现出更多的开发库。 运行期环境提供了应用开发接口和运行期组件，包括基本数据类型的定义和各类计算、类型转换、内存管理、设备访问和执行调度等函数。基于CUDA开发的程序代码在实际执行中分为两种，一种是运行在CPU上的宿主代码（Host Code），一种是运行在GPU上的设备代码（Device Code）。不同类型的代码由于其运行的物理位置不同，能够访问到的资源不同，因此对应的运行期组件也分为公共组件、宿主组件和设备组件三个部分，基本上囊括了所有在GPGPU开发中所需要的功能和能够使用到的资源接口，开发人员可以通过运行期环境的编程接口实现各种类型的计算。 由于目前存在着多种GPU版本的NVidia显卡，不同版本的GPU之间都有不同的差异，因此驱动部分基本上可以理解为是CUDA-enable的GPU的设备抽象层，提供硬件设备的抽象访问接口。CUDA提供运行期环境也是通过这一层来实现各种功能的。目前基于CUDA开发的应用必须有NVIDIA CUDA-enable的硬件支持，NVidia公司GPU运算事业部总经理Andy Keane在一次活动中表示：一个充满生命力的技术平台应该是开放的，CUDA未来也会向这个方向发展。由于CUDA的体系结构中有硬件抽象层的存在，因此今后也有可能发展成为一个通用的GPGPU标准接口，兼容不同厂商的GPU产品 CUDA 工具包是一种针对支持CUDA功能的GPU（图形处理器）的C语言开发环境。CUDA开发环境包括: · nvcc C语言编译器 · 适用于GPU（图形处理器）的CUDA FFT和BLAS库 · 分析器 · 适用于GPU（图形处理器）的gdb调试器（在2008年3月推出alpha版） · CUDA运行时（CUDA runtime）驱动程序（目前在标准的NVIDIA GPU驱动中也提供） · CUDA编程手册 CUDA开发者软件开发包（SDK）提供了一些范例（附有源代码），以帮助使用者开始CUDA编程。这些范例包括: · 并行双调排序 · 矩阵乘法 · 矩阵转置 · 利用计时器进行性能评价 · 并行大数组的前缀和（扫描） · 图像卷积 · 使用Haar小波的一维DWT · OpenGL和Direct3D图形互操作示例 · CUDA BLAS和FFT库的使用示例 · CPU-GPU C—和C++—代码集成 · 二项式期权定价模型 · Black-Scholes期权定价模型 · Monte-Carlo期权定价模型 · 并行Mersenne Twister（随机数生成） · 并行直方图 · 图像去噪 · Sobel边缘检测滤波器 · MathWorks MATLAB® 新的基于1.1版CUDA的SDK 范例现在也已经发布了。 技术功能 ·在GPU（图形处理器）上提供标准C编程语言 · 为在支持CUDA的NVIDIA GPU（图形处理器）上进行并行计算而提供了统一的软硬件解决方案 · CUDA兼容的GPU（图形处理器）包括很多：从低功耗的笔记本上用的GPU到高性能的，多GPU的系统。 · 支持CUDA的GPU（图形处理器）支持并行数据缓存和线程执行管理器 · 标准FFT（快速傅立叶变换）和BLAS（基本线性代数子程序）数值程序库 · 针对计算的专用CUDA驱动 · 经过优化的，从中央处理器（CPU）到支持CUDA的GPU（图形处理器）的直接上传、下载通道 · CUDA驱动可与OpenGL和DirectX图形驱动程序实现互操作 · 支持Linux 32位/64位以及Windows XP 32位/64位 操作系统 · 为了研究以及开发语言的目的，CUDA提供对驱动程序的直接访问，以及汇编语言级的访问 NVIDIA进军高性能计算领域，推出了Tesla&CUDA高性能计算系列解决方案，CUDA技术，一种基于NVIDIA图形处理器（GPU）上全新的并行计算体系架构，让科学家、工程师和其他专业技术人员能够解决以前无法解决的问题，作为一个专用高性能GPU计算解决方案，NVIDIA把超级计算能够带给任何工作站或服务器，以及标准、基于CPU的服务器集群 CUDA是用于GPU计算的开发环境，它是一个全新的软硬件架构，可以将GPU视为一个并行数据计算的设备，对所进行的计算进行分配和管理。在CUDA的架构中，这些计算不再像过去所谓的GPGPU架构那样必须将计算映射到图形API（OpenGL和Direct 3D）中，因此对于开发者来说，CUDA的开发门槛大大降低了。CUDA的GPU编程语言基于标准的C语言，因此任何有C语言基础的用户都很容易地开发CUDA的应用程序。 由于GPU的特点是处理密集型数据和并行数据计算，因此CUDA非常适合需要大规模并行计算的领域。目前CUDA除了可以用C语言开发，也已经提供FORTRAN的应用接口，未来可以预计CUDA会支持C++、Java、Python等各类语言。可广泛的应用在图形动画、科学计算、地质、生物、物理模拟等领域。 2008年NVIDIA推出CUDA SDK2.0版本，大幅提升了CUDA的使用范围。使得CUDA技术愈发成熟 目前，支持CUDA的GPU销量已逾1亿，数以千计的软件开发人员正在使用免费的CUDA软件开发工具来解决各种专业以及家用应用程序中的问题。这些应用程序从视频与音频处理和物理效果模拟到石油天然气勘探、产品设计、医学成像以及科学研究，涵盖了各个领域。 目前市面上已经部署了超过一亿颗支持CUDA的GPU，数以千计的软件开发人员正在使用免费的CUDA软件工具来为各种应用程序加速。 CUDA 的核心有三个重要抽象概念： 线程组层次结构、共享存储器、屏蔽同步（ barrier synchronization），可轻松将其作为C 语言的最小扩展级公开给程序员。 CUDA 软件堆栈由几层组成，一个硬件驱动程序，一个应用程序编程接口(API) 和它的Runtime， 还有二个高级的通用数学库，CUFFT 和CUBLAS。硬件被设计成支持轻 量级的驱动和Runtime 层面，因而提高性能。