摘 要

近年来，基于内容的图像检索（CBIR）技术逐渐成为信息处理领域的研究热点。传统的CBIR大都基于软件，检索效率低；随着大型存储设备越来越便宜，基于软件的CBIR已不能满足海量的图像检索。为大大提高检索速度，本文将在硬件上实现CBIR，采用Xilinx ZYNQ-7000作为开发平台，在ZYNQ上搭建图像处理通路，完成图像读取、缓存、特征提取、相似度比对、显示等功能。在检索算法选取上，采用基于颜色直方图、基于图像纹理特征和基于SIFT算法三种检索方案，并对算法性能分析、对比、优化。本文重点实现使用SIFT算法进行检索。最后，经过对系统功能的测试，此课题所采用的三种算法可以相互弥补，实现功能较全面的检索功能。

关键词：图像检索 ZYNQ 嵌入式开发 颜色直方图 图像纹理 SIFT算法

High-speed Image Retrieval System Based on ZYNQ

——High-speed Image Transmission and Feature Analysis

Abstract

In recent years, content-based image retrieval (CBIR) technology has gradually become a research hotspot in the field of information processing. Traditional CBIR is mostly based on software, and the retrieval efficiency is low. With the increasing cost of large-scale storage devices, software-based CBIR can no longer satisfy massive image retrieval. In order to greatly improve retrieval efficiency, this paper will implement CBIR on hardware. Using Xilinx ZYNQ-7000 as a development platform, the image processing path is built on ZYNQ, and functions such as image reading, buffering, feature extraction, similarity comparison and display are completed. In the aspect of retrieval algorithm selection, three retrieval methods: based on color histogram, image texture feature and SIFT algorithm are adopted, and the performance of the algorithm is analyzed, compared and optimized. This paper focuses on the use of SIFT algorithm for retrieval. Finally, after testing the system function, the three algorithms used in this topic can make up for each other and realize the more comprehensive retrieval function.

Key Words: Image Retrieval; ZYNQ; Embedded Development;Color Histogram;Image Texture; SIFT Algorithm

目 录

摘 要 I

Abstract III

第一章 绪论 1

1.1选题背景 1

1.2平台选择 2

1.4本章小结 3

第二章 技术综述与整体框架搭建 4

2.1 ZYNQ架构 4

2.2 AXI总线协议 5

2.3 系统设计思路 5

2.4高速检索方案 6

2.5整体系统框图 6

2.6本章小结 7

第三章 图像检索算法介绍 8

3.1 SIFT算法介绍 8

3.2构建尺度空间 8

3.3关键点检测 9

3.4关键点方向分配 11

3.5生成特征描述子 12

3.6匹配 13

3.6本章小结 14

第四章 算法实现与资源优化 15

4.1参数选择 15

4.1.1高斯金字塔组数(O)和层数(S) 15

4.1.2高斯卷积模板长度 15

4.1.3初始尺度( )和层间距(k) 15

4.2构建DoG尺度空间 15

4.2.1 RGB颜色空间转灰度 15

4.2.2降采样模块 16

4.2.3七级行缓存 16

4.2.4高斯滤波模块 16

4.2.5差分模块 17

4.3关键点检测 19

4.4梯度计算 19

4.5生成特征描述子 20

4.5.1 并行计算描述子 21

4.5.2 串行计算描述子 22

4.6匹配结果转存 23

4.7本章小结 23

第五章 高速传输与软件设计 24

5.1 图片数据传输分析 24

5.2 图片高速传输设计 24

5.3 系统软件设计 25

第六章 系统测试及结果分析 26

6.1 功能测试 26

6.2 结果分析 27

6.3 算法性能对比 27

结语 28

参考文献 29

致谢 30

第一章 绪论

本章主要介绍本课题的选题背景，图像检索的研究现状以及开发平台选择，并提出用硬件来实现检索算法的思想。

1.1选题背景

随着互联网技术的不断发展，图像的数量越来越多。由于图像自身携带丰富的信息，并且可以直观的将其展现出来，所以图像已与人们的生活紧密联系在一起，从海量的数字图像集合中快速地提取有价值的信息已经成为人们的迫切需求。从20世纪70年代开始，有关图像检索的研究就已开始，从基于文本的图像检索技术（Text-based Image Retrieval，简称TBIR），发展到基于内容的图像检索（Content-based image retrieve, CBIR）技术，检索的方式在不断发展细化，同时更加复杂，检索的结果也更加精确^[1]。CBIR建立在计算机视觉和图像理解理论基础之上，图像内容的描述借助于从图像中自动提取视觉特征，检索过程是视觉特征间的相似匹配，它首先对图像采用特征提取算法提取相应的特征，并对这些特征按照有效的方式进行索引和存储，形成对图像内容的有效描述：然后在检索阶段根据用户的要求进行查询，并返回最满足条件的一组图像^[2]。CBIR由于具有客观、节省人力、可建立复杂描述、通用性好和应用前景广阔等优点，目前已经成为一个非常活跃的研究领域^[1]。

随着图像数据库越来越庞大，传统的基于软件的CBIR已经不能满足用户检索需求，由于CBIR的以下特性，使得针对CBIR的硬件加速成为必要。

• 执行速度慢：例如：在标准PC工作站上检索30000个图像数据库需要15分钟。
• 计算密集：它们依赖于更高维向量中的欧几里德距离计算。
• 数据库庞大。典型的图像数据库范围从几千到几千万个图像。

因此，本文主要研究在硬件平台上实现图像的特征提取以及相似度匹配。

相关图片展示：