There is another approach where fea

There is another approach where feature vectors can be created by using SIFT and GPU. All the stages of
SIFT are optimized for better GPU optimization and on comparing the entire algorithm against original CPU
implementation and manually SSE version, it can be notified that This system is evaluated with two facedetection
applications. Those applications are based on the boosted cascade of classifiers: Multiple Layers
Face Detection (MLFD), and Single Layer Face Detection (SLFD). We show that the SLFD implementation
on GPU performs up to nine times faster than its CPU counterpart. The MLFD, on the other hand, can be
accelerated using the GPU and performs up to three times faster than the CPU [20].
One of the methods is online Feature Extraction method which is used in case of meta-search engine where
we do not maintain any content- based index and so we need to extract the content features during the query
processing [21].Here MPEG-7 visual descriptors and so-called image feature signatures are used. Once a
ranking of images is returned from the other search engines given a keyword query, a feature extraction on
the top images is executed. Since the online feature extraction is needed to be performed faster and without
delays so its GPU based implementation should be used.
Feature extraction also finds its application in medical images classification processes for early skin cancer
detection where the images are classified based upon Haralick features and fractal geometry. The speed and
efficiency of texture and fractal analysis can be improved by taking its parallel implementation on GPU. In
order to parallelize the code and execute it in on the GPU, the previously used Matlab GPU routines are
rewritten using Jacket which is a runtime platform [22] that helps to connect the M language to the GPU. It
offers support for specific data types counterparts to CPU Matlab data types, and a set of GPU functions
ranging from basic implementations to complex arithmetic or signal processing solving methods.
SURF algorithm is another approach which is a multi scale feature detector that comprises three fundamental
steps [23]:
1. Feature detection in scale-space.
2. Orientation assignment.
3. Feature description.
SURF can also be speeded up by using it with GGPU [20] [14] and suSURF[24].
Another technique of feature extraction is GLCM and Haralick Texture features.GLCM is the Gray Level
Co-occurrence Matrices which is a common way to extract the texture features. It contains the second-order
statistical information of spatial relationship of the pixels of an image. Haralick texture features are extracted
using these GLCMs. These techniques can be implemented faster by using different task and data parallelism
[25].The computation of both of these techniques can be accelerated using Graphics Processing Units (GPUs)
for biological applications[25] .Since in biological applications, features are extracted from microscopy
images of cells so, it takes several weeks because of processing a larger number of images. Therefore, GPUs
are used due to its less development time and faster growth.
The implementation of feature extraction on GPU can also be done by mapping each sub-image to one block
each image-block is processed by one thread. Each Image is two-dimensional space that can be mapped to
CUDA threads. There are 16 blocks in grid and also 64 threads in each block. Therefore, feature extraction is
performed in all image-blocks in parallel by CUDA threads [26].
IV. SIMILARITY MATCHING WITH GPU
In this phase the feature vectors of the query image as well as that of the image database is compared for their
similarities and thus the best suitable match is searched for. When dealing with inverse problems such as denoising
or de-convolution of images, a similarity measure is needed to evaluate how well the estimate
explains the observations. Graphical Processors Units (GPU) play important role to speedup processing of
database images matching algorithms because it has more inbuilt execution cores [27]. One of the techniques
is where the feature space as well as similarity on this space is defined. The feature space is based on a global
descriptor of the image in a multi scale transformed domain [28]. After decomposition into a Laplacian
pyramid , the coefficients are arranged in intra-scale/ inter-scale/inter-channel patches which reflect the
dependencies of neighbouring coefficients in presence of specific structures or textures. At each scale, the
probability density function (pdf) of these patches is used as a descriptor of the relevant information [28].
Because of the sparsity of the multi scale transform, the most significant patches, called Sparse Multi-scale
Patches (SMP), describe efficiently these pdfs. The Kullback-Leibler divergence method is used for
statistical measure which is based on the comparison of these probability density functions that quantifies the
closeness between two probability density functions and already shown good performances in the context of
image retrieval. The similarity measure is done by k th nearest neighbour search. To speed up the computation

ผลลัพธ์ (ไทย) 1:

มีวิธีอื่นที่สามารถสร้างคุณลักษณะเวกเตอร์โดย SIFT และ GPU ทุกขั้นตอนของSIFT นี้เหมาะ สำหรับเพิ่มประสิทธิภาพ GPU ที่ดีกว่า และเปรียบเทียบอัลกอริทึมทั้งหมดกับ CPU เดิมใช้งานและด้วยตนเองรุ่น SSE สามารถแจ้งว่า ระบบนี้จะถูกประเมินกับ facedetection สองใช้งาน โปรแกรมประยุกต์เหล่านั้นขึ้นอยู่กับการเรียงซ้อนของคำนามภาษา boosted: หลายชั้นตรวจจับใบหน้า (MLFD), และตรวจจับใบหน้าชั้นเดียว (SLFD) แสดงที่งาน SLFDบน GPU ทำถึง 9 ครั้งเร็วกว่ากันของ CPU MLFD บนมืออื่น ๆ สามารถใช้ GPU เร่งรัด และดำเนินถึงสามครั้งเร็วกว่า CPU [20]วิธีหนึ่งคือวิธีการสกัดคุณลักษณะออนไลน์ซึ่งใช้ในกรณีที่เครื่องมือค้นหา meta ที่เราไม่รักษาใด ๆ เนื้อหาโดยใช้ดัชนี และดังนั้น เราจำเป็นต้องแยกคุณลักษณะเนื้อหาในแบบสอบถามประมวลผล [21]นี่ตัวบอกภาพ MPEG 7 และลายเซ็นลักษณะรูปเรียกว่าใช้ ครั้งการจัดอันดับของรูปภาพจะถูกส่งกลับจากอื่น ๆ เครื่องมือค้นหาที่กำหนดคำถาม การสกัดคุณลักษณะในภาพด้านบนจะดำเนินการ เนื่องจากสกัดคุณลักษณะออนไลน์เป็นสิ่งจำเป็นที่จะดำเนินการได้เร็วขึ้น และไม่มีควรใช้ความล่าช้าดังนั้น GPU ที่ใช้งานแยกคุณลักษณะยังค้นหาโปรแกรมประยุกต์ของในภาพทางการแพทย์ประเภทกระบวนสำหรับโรคมะเร็งผิวหนังก่อนตรวจที่จัดภาพตามลักษณะ Haralick และเรขาคณิตเศษส่วน ความเร็ว และสามารถปรับปรุงประสิทธิภาพการวิเคราะห์พื้นผิวและเศษส่วน โดยการดำเนินการขนานใน GPU ในสั่ง parallelize รหัส และดำเนินการในบน GPU, GPU Matlab ใช้ก่อนหน้านี้ที่มีคำสั่งจิตใช้แจ็คเก็ตซึ่งเป็นแพลตฟอร์มรันไทม์ [22] ที่ช่วยเชื่อมต่อภาษา M GPU มันสนับสนุนข้อเสนอคู่ชนิดข้อมูลที่ระบุชนิดข้อมูลของ CPU Matlab และชุดของฟังก์ชัน GPUตั้งแต่ใช้งานพื้นฐานทางคณิตศาสตร์ที่ซับซ้อนหรือแก้ไขวิธีการประมวลผลสัญญาณคลื่นอัลกอริทึมเป็นวิธีการอื่นที่จะจับลักษณะมาตราส่วนหลายที่ประกอบด้วยพื้นฐาน 3ขั้นตอนต่อไป [23]:1. คุณลักษณะการตรวจหาในระดับพื้นที่2. วางแนวกำหนด3. ประกอบคำอธิบายคลื่นยังสามารถ speeded ขึ้น โดยใช้ GGPU [20] [14] และ suSURF [24]เทคนิคอื่นของคุณลักษณะแยกเป็น GLCM และ Haralick เนื้อGLCM เป็นระดับ สีเทาเมทริกซ์เกิดร่วมซึ่งเป็นวิธีการแยกคุณสมบัติพื้นผิวทั่วไป ประกอบด้วยใบที่สองข้อมูลทางสถิติของความสัมพันธ์ปริภูมิของพิกเซลของรูปภาพ คุณลักษณะเนื้อ Haralick ที่สกัดใช้ GLCMs เหล่านี้ เทคนิคเหล่านี้สามารถดำเนินการได้เร็วขึ้นโดย parallelism งานและข้อมูลต่าง ๆ[25]สามารถเร่งการคำนวณเทคนิคเหล่านี้ทั้งสองใช้กราฟิกประมวลผลหน่วย (GPUs)ชีวภาพโปรแกรมประยุกต์ [25]เนื่องจากในโปรแกรมประยุกต์ชีวภาพ คุณลักษณะที่สกัดจาก microscopyรูปภาพของเซลล์นั้น มันใช้เวลาหลายสัปดาห์เนื่องจากการประมวลผลตัวเลขขนาดใหญ่ของภาพ ดังนั้น GPUsใช้เนื่องจากมีการพัฒนาน้อยลงเวลาและการเจริญเติบโตเร็วขึ้นปฏิบัติแยกลักษณะการทำงานบน GPU ยังสามารถทำได้ โดยการแมปภาพย่อยแต่ละบล็อกหนึ่งบล็อกรูปภาพแต่ละจะถูกประมวลผล โดยเธรดที่หนึ่ง แต่ละภาพเป็นพื้นที่สองมิติที่สามารถแม็ปเธรด CUDA มีบล็อก 16 ในตารางและในแต่ละบล็อคยัง 64 กระทู้ ดังนั้น การสกัดคุณลักษณะคือทำในรูปบล็อกทั้งหมดพร้อมกัน โดย CUDA กระทู้ [26]IV. จับคู่กับ GPU คล้ายในระยะนี้ภาพเวกเตอร์ลักษณะของแบบสอบถามเช่นเดียวกับที่ภาพ เปรียบเทียบฐานข้อมูลสำหรับการความเหมือน และตรงเหมาะส่วนค้นหา เมื่อเผชิญกับปัญหาผกผันเช่น denoisingหรือลูกค้า convolution ภาพ การวัดความคล้ายคลึงกันเป็นสิ่งจำเป็นเพื่อประเมินประเมินอย่างไรดีอธิบายการสังเกตการณ์ หน่วยประมวลผลกราฟิก (GPU) เล่นบทบาทสำคัญประมวลผล speedupฐานข้อมูลภาพอัลกอริทึมที่ตรงกันเนื่องจากมีเพิ่มมากขึ้นดำเนินการ inbuilt แกน [27] เทคนิคต่าง ๆ อย่างใดอย่างหนึ่งมีที่กำหนดคุณลักษณะพื้นที่รวมทั้งความคล้ายคลึงกันในพื้นที่นี้ พื้นที่คุณลักษณะเป็นไปตามสากลแสดงรายละเอียดของภาพในระดับหลายแปลงโดเมน [28] หลังจากการแยกส่วนประกอบเป็นแบบ Laplacianปิรามิด สัมประสิทธิ์จะจัดในระดับอินทรา / inter-สเกล/inter-channel แพทช์ซึ่งสะท้อนถึงการความสัมพันธ์ของสัมประสิทธิ์ของโครงสร้างเฉพาะหรือพื้นผิวในประเทศ ในแต่ละระดับ การฟังก์ชันความหนาแน่นของความน่าเป็น (pdf) ของซอฟต์แวร์เหล่านี้จะใช้เป็นตัวบอกลักษณะของข้อมูลที่เกี่ยวข้อง [28]เนื่องจาก sparsity ของหลายขนาดแปลง ปรับปรุงที่สำคัญ เรียกว่ามาตราส่วนหลายบ่อปรับปรุง (SMP), อธิบายไฟล์ pdf เหล่านี้ได้อย่างมีประสิทธิภาพ ใช้สำหรับวิธีการ divergence Kullback-Leiblerวัดทางสถิติซึ่งจะขึ้นอยู่กับการเปรียบเทียบของฟังก์ชันความหนาแน่นของความน่าเป็นที่ quantifiesความใกล้เคียงระหว่างฟังก์ชันความหนาแน่นของความน่าเป็นที่สองและแสดงแสดงได้ดีในบริบทของเรียกรูปภาพ การวัดความคล้ายคลึงกันโดย k th ใกล้ neighbour ค้นหา การคำนวณความเร็ว

ผลลัพธ์ (ไทย) 2:

มีอีกวิธีหนึ่งที่เวกเตอร์คุณลักษณะที่สามารถสร้างขึ้นโดยใช้ร่อนและ GPU เป็น ทุกขั้นตอนของการ
ร่อนที่เหมาะสมสำหรับการเพิ่มประสิทธิภาพของ GPU ที่ดีขึ้นและเกี่ยวกับการเปรียบเทียบขั้นตอนวิธีการทั้งหมดกับ CPU เดิม
การดำเนินงานและตนเองรุ่น SSE ก็สามารถได้รับแจ้งว่าระบบนี้ได้รับการประเมินด้วยสอง FaceDetection
การใช้งาน การใช้งานเหล่านี้จะขึ้นอยู่กับการเพิ่มขึ้นของน้ำตกลักษณนาม: หลายชั้น
Face Detection (MLFD) และชั้นเดียวมีระบบ Face Detection (SLFD) เราแสดงให้เห็นว่าการดำเนินการ SLFD
บน GPU ดำเนินการถึงเก้าครั้งเร็วกว่าคู่ซีพียู MLFD บนมืออื่น ๆ ที่สามารถ
เร่งการใช้ GPU และดำเนินการได้ถึงสามครั้งเร็วกว่า CPU [20].
หนึ่งในวิธีการเป็นวิธีการสกัดคุณลักษณะออนไลน์ซึ่งจะใช้ในกรณีที่เครื่องมือค้นหา Meta ที่
เราทำ ไม่รักษาดัชนีเนื้อหาใด ๆ และดังนั้นเราจึงจำเป็นที่จะดึงคุณสมบัติเนื้อหาในระหว่างการสอบถาม
การประมวลผล [21] .Here MPEG-7 อธิบายภาพและที่เรียกว่าลายเซ็นคุณลักษณะภาพถูกนำมาใช้ เมื่อ
การจัดอันดับของภาพที่ถูกส่งกลับจากเครื่องมือค้นหาอื่น ๆ ที่ได้รับการสืบค้นคำหลัก, การสกัดคุณลักษณะใน
ภาพด้านบนจะถูกดำเนินการ ตั้งแต่การสกัดคุณลักษณะออนไลน์เป็นสิ่งจำเป็นที่จะดำเนินการได้เร็วขึ้นและไม่
เกิดความล่าช้าดังนั้น GPU ของการดำเนินการตามที่ควรจะใช้.
สกัดคุณลักษณะนอกจากนี้ยังพบการประยุกต์ใช้ในภาพทางการแพทย์กระบวนการการจัดหมวดหมู่สำหรับโรคมะเร็งผิวหนังในช่วงต้นของ
การตรวจสอบที่มีภาพดังกล่าวจะจัดขึ้นอยู่กับคุณสมบัติ Haralick และเศษส่วน เรขาคณิต ความเร็วและ
ประสิทธิภาพของพื้นผิวและการวิเคราะห์เศษส่วนได้ดีขึ้นโดยการดำเนินการคู่ขนานที่มีต่อ GPU ใน
การสั่งซื้อเพื่อคู่ขนานโค้ดและรันมันใน GPU, การปฏิบัติ GPU Matlab ใช้ก่อนหน้านี้มีการ
เขียนใหม่โดยใช้แจ็คเก็ตซึ่งเป็นแพลตฟอร์ม runtime [22] ที่ช่วยในการเชื่อมต่อภาษา M กับ GPU มัน
มีการสนับสนุนสำหรับคู่ชนิดข้อมูลที่เฉพาะเจาะจงกับ CPU Matlab ชนิดข้อมูลและชุดของฟังก์ชั่น GPU
ตั้งแต่การใช้งานขั้นพื้นฐานเพื่อการคำนวณที่ซับซ้อนหรือการประมวลผลสัญญาณวิธีการแก้.
อัลกอริทึม SURF เป็นวิธีการที่เป็นเครื่องตรวจจับระดับคุณลักษณะหลายที่ประกอบด้วยสามพื้นฐานอีก
ขั้นตอน [23]:
1 ตรวจสอบคุณสมบัติในระดับพื้นที่.
2 ที่ได้รับมอบหมายปฐมนิเทศ.
3 คำอธิบายคุณลักษณะ.
SURF ยังสามารถ speeded up โดยใช้มันกับ GGPU [20] [14] และ suSURF [24].
เทคนิคการสกัดคุณสมบัติก็คือ GLCM และ Haralick เนื้อ features.GLCM เป็นสีเทาระดับ
เมทริกซ์ที่เกิดขึ้นร่วมซึ่งเป็น วิธีการทั่วไปที่จะดึงคุณสมบัติพื้นผิว มันไม่ได้มีคำสั่งที่สอง
ข้อมูลทางสถิติของความสัมพันธ์เชิงพื้นที่ของพิกเซลของภาพ Haralick คุณสมบัติพื้นผิวที่สกัด
โดยใช้ GLCMs เหล่านี้ เทคนิคเหล่านี้สามารถดำเนินการได้เร็วขึ้นโดยการใช้งานที่แตกต่างกันและความเท่าเทียมข้อมูล
[25] การคำนวณของทั้งสองของเทคนิคเหล่านี้ได้โดยง่ายสามารถเร่งการใช้หน่วยประมวลผลกราฟิก (GPUs)
สำหรับการใช้งานทางชีวภาพ [25] ตั้งแต่ในการใช้งานทางชีวภาพคุณสมบัติที่สกัดจาก กล้องจุลทรรศน์
ภาพของเซลล์เช่นนั้นก็จะใช้เวลาหลายสัปดาห์ที่ผ่านมาเนื่องจากการประมวลผลจำนวนมากของภาพ ดังนั้น GPUs
ถูกนำมาใช้เนื่องจากเวลาในการพัฒนาน้อยลงและการเจริญเติบโตได้เร็วขึ้นของ.
การดำเนินการของการสกัดคุณลักษณะบน GPU ยังสามารถทำได้โดยการทำแผนที่ภาพแต่ละภาพอนุกรรมการเพื่อหนึ่งบล็อก
แต่ละภาพบล็อกการประมวลผลโดยหนึ่งด้าย แต่ละภาพที่แสดงเป็นพื้นที่สองมิติที่สามารถแมปไปยัง
หัวข้อ CUDA มี 16 บล็อกในตารางและยัง 64 หัวข้อในแต่ละบล็อกจะมี ดังนั้นการสกัดคุณลักษณะ
ดำเนินการในบล็อกภาพทั้งหมดในแบบคู่ขนานโดยหัวข้อ CUDA [26].
IV ความคล้ายคลึงกัน Matching กับ GPU
ในระยะนี้เวกเตอร์คุณลักษณะของภาพแบบสอบถามเช่นเดียวกับที่ของฐานข้อมูลภาพจะถูกเปรียบเทียบของพวกเขา
คล้ายคลึงกันและทำให้การจับคู่ที่เหมาะสมที่สุดคือการค้นหา เมื่อจัดการกับปัญหาที่ตรงกันข้ามเช่น denoising
หรือ de-บิดของภาพ, การวัดความคล้ายคลึงกันเป็นสิ่งจำเป็นในการประเมินวิธีการที่ดีประมาณการ
อธิบายข้อสังเกต หน่วยประมวลผลกราฟิก (GPU) มีบทบาทสำคัญที่จะ speedup การประมวลผลของ
ภาพขั้นตอนวิธีการจับคู่ฐานข้อมูลเพราะมีแกนการดำเนิน inbuilt มากขึ้น [27] หนึ่งในเทคนิค
ที่มีพื้นที่เป็นคุณลักษณะเช่นเดียวกับความคล้ายคลึงกันในพื้นที่นี้มีการกำหนด พื้นที่คุณสมบัติจะขึ้นอยู่กับระดับโลก
ตัวอธิบายของภาพในโดเมนระดับหลายเปลี่ยน [28] หลังจากการสลายตัวเป็น Laplacian
ปิรามิด, ค่าสัมประสิทธิ์จะจัดในภายในขนาด / ระหว่างขนาด / แพทช์ระหว่างช่องซึ่งสะท้อนให้เห็นถึง
การพึ่งพาของสัมประสิทธิ์เพื่อนบ้านในการปรากฏตัวของโครงสร้างที่เฉพาะเจาะจงหรือพื้นผิว ในแต่ละระดับ
ความน่าจะเป็นฟังก์ชั่นความหนาแน่น (PDF) ของแพทช์เหล่านี้จะถูกใช้เป็นตัวบอกข้อมูลที่เกี่ยวข้อง [28].
เพราะ sparsity ของขนาดหลายแปลง, แพทช์ที่สำคัญที่สุดเรียกว่าเบาบางมีหลายระดับการ
แพทช์ (SMP ) อธิบายได้อย่างมีประสิทธิภาพไฟล์ PDF เหล่านี้ วิธีการแตกต่าง Kullback-Leibler จะใช้สำหรับการ
วัดสถิติซึ่งจะขึ้นอยู่กับการเปรียบเทียบของฟังก์ชั่นความหนาแน่นของความน่าจะเป็นเหล่านี้ที่ quantifies
ความใกล้ชิดระหว่างสองฟังก์ชั่นความหนาแน่นของความน่าจะเป็นและแสดงให้เห็นแล้วแสดงที่ดีในบริบทของ
การดึงภาพ วัดความคล้ายคลึงกันจะกระทำโดยที่ k ค้นหาเพื่อนบ้านที่ใกล้ที่สุด เพื่อเพิ่มความเร็วในการคำนวณ

ผลลัพธ์ (ไทย) 3:

มีอีกวิธีหนึ่งที่สามารถสร้างขึ้นโดยใช้เวกเตอร์คุณลักษณะร่อนและ GPU . ขั้นตอนทั้งหมดของ
ร่อนที่ดีที่สุดสำหรับการเพิ่มประสิทธิภาพ GPU ดีกว่า และเมื่อเปรียบเทียบกับการใช้ซีพียูทั้งหมดขั้นตอนวิธีต้นฉบับ
และตนเอง SSE รุ่น ได้แจ้งว่า ระบบนี้เป็นระบบที่ใช้กับสองโปรแกรมเฟส ดีเทคชั่น

โปรแกรมเหล่านั้นจะถูกยึดเพิ่มขึ้นน้ำตกคำลักษณนามชั้น
ตรวจจับใบหน้าหลาย ( mlfd ) และชั้นเดียวตรวจจับใบหน้า ( slfd ) เราแสดงให้เห็นว่าการใช้ slfd
กับ GPU แสดงถึงเก้าครั้งเร็วกว่าคู่ซีพียูของ การ mlfd บนมืออื่น ๆที่สามารถเร่งการใช้ GPU และ
าได้ถึงสามครั้งเร็วกว่า CPU
[ 20 ]หนึ่งในวิธีการออนไลน์คุณลักษณะวิธีสกัด ซึ่งจะใช้ในกรณีที่เครื่องมือค้นหา meta ที่
เราไม่ได้ดูแลเนื้อหาใด ๆ -- ตามดัชนี ดังนั้นเราต้องศึกษาคุณสมบัติในระหว่างการประมวลผลแบบสอบถาม
[ 21 ] ที่นี่ mpeg-7 ภาพและภาพในลายเซ็นที่เรียกว่าคุณสมบัติใช้ การจัดอันดับเมื่อ
ภาพกลับมาจากอื่น ๆเครื่องมือค้นหาได้รับการสอบถามการสกัดคุณลักษณะ
ภาพสูงสุดคือประหารชีวิต ตั้งแต่ออนไลน์คุณลักษณะการสกัดจะต้องได้เร็วขึ้นและไม่มีความล่าช้า ดังนั้นการใช้ GPU ของมัน

ควรใช้ การสกัดคุณลักษณะยังพบการประยุกต์ใช้ในการจำแนกภาพทางการแพทย์กระบวนการสำหรับการตรวจหาโรคมะเร็ง
ผิวต้นที่ภาพจะแบ่งตามคุณสมบัติและ haralick เรขาคณิตเศษส่วน .ความเร็วและประสิทธิภาพของพื้นผิวและการวิเคราะห์แฟร็กทัล
สามารถปรับปรุงโดยการขนานการ GPU . ใน
เพื่อ parallelize โค้ด และรันมันในบน GPU , เคยใช้โปรแกรม GPU การปฏิบัติ
เขียนใหม่โดยใช้แจ็คเก็ตซึ่งเป็นแพลตฟอร์มใหม่ [ 22 ] ที่ช่วยเชื่อมต่อ M ภาษา GPU . มัน
ให้การสนับสนุนเฉพาะประเภทข้อมูลคู่กับ CPU โปรแกรมประเภทข้อมูลและชุดของฟังก์ชัน GPU
ตั้งแต่การใช้งานพื้นฐานคณิตศาสตร์ที่ซับซ้อนหรือการประมวลผลสัญญาณวิธีแก้ปัญหา .
ท่องแบบเป็นแนวทางหนึ่งซึ่งมีหลายระดับคุณลักษณะเครื่องที่ประกอบด้วยสามขั้นตอนพื้นฐาน
[ 23 ] :
1 คุณลักษณะการค้นหาในพื้นที่ขนาด .
2 งานปฐมนิเทศ .
3คุณลักษณะรายละเอียด .
ท่องยังสามารถ speeded ขึ้น โดยใช้กับ ggpu [ 20 ] [ 14 ] และ susurf [ 24 ] .
อีกเทคนิคการสกัดคุณลักษณะและ glcm features.glcm เนื้อ haralick เป็น
ระดับสีเทา Co เกิดเมทริกซ์ซึ่งเป็นวิธีการทั่วไปในการแยกเนื้อคุณลักษณะ มันประกอบด้วยสอง -
ข้อมูลสถิติของความสัมพันธ์เชิงพื้นที่ของพิกเซลของภาพharalick คุณลักษณะพื้นผิวจะสกัด
ใช้ glcms เหล่านี้ เทคนิคเหล่านี้สามารถดำเนินการได้เร็วขึ้น โดยการใช้งานที่แตกต่างกันและข้อมูลขนาน
[ 25 ] . การคำนวณทั้งสองของเทคนิคเหล่านี้สามารถเร่งการใช้หน่วยประมวลผลกราฟิก ( GPUs )
[ 25 ] สำหรับการใช้งานทางชีวภาพ เนื่องจากในการใช้งานทางชีวภาพ คุณสมบัติที่ได้จากกล้องจุลทรรศน์
ภาพเซลล์ดังนั้นมันใช้เวลาหลายสัปดาห์เนื่องจากการประมวลผลตัวเลขขนาดใหญ่ของภาพ ดังนั้น GPUs
ใช้เนื่องจากเวลาในการพัฒนาน้อย และเจริญเติบโตได้เร็วขึ้น ใช้ในการสกัดคุณลักษณะ
GPU ยังสามารถทำได้โดยการทำแผนที่แต่ละภาพย่อยหนึ่งบล็อก
แต่ละบล็อกภาพประมวลผลโดยหัวข้อ แต่ละภาพมีพื้นที่สองมิติที่สามารถแมปไปยัง
การกระทู้มี 16 บล็อกในตารางและ 64 หัวข้อในแต่ละบล็อก ดังนั้น การสกัดลักษณะเด่นคือแสดงภาพทั้งหมดในบล็อก
ขนานโดยการกระทู้ [ 26 ] .
4 ความเหมือนที่ตรงกันกับ GPU
ในระยะนี้คุณลักษณะเวกเตอร์ของภาพแบบสอบถามเช่นเดียวกับที่ของฐานข้อมูลภาพเปรียบเทียบสำหรับความคล้ายคลึงกันของพวกเขาและดังนั้นจึงตรงกับ
เหมาะสมที่สุด คือ ค้นหาเมื่อจัดการกับปัญหาผกผันเช่น denoising
หรือ de สังวัตนาการของภาพ เหมือนวัด จะต้องประเมินว่าประมาณการ
อธิบายการสังเกต หน่วยหน่วยประมวลผลกราฟิก ( GPU ) มีบทบาทในการเร่งความเร็วการประมวลผล
ฐานข้อมูลภาพขั้นตอนวิธีการจับคู่ เพราะว่ามันมีมากกว่าการ inbuilt แกน [ 27 ] หนึ่งในเทคนิค
คือที่พื้นที่คุณลักษณะตลอดจนความเหมือนบนพื้นที่นี้จะกำหนด คุณลักษณะพื้นที่จะขึ้นอยู่กับหัวเรื่องทั่วโลก
ของภาพในแบบหลายขนาดเปลี่ยนโดเมน [ 28 ] หลังจากการเน่าสลายตัวในพีระมิด Laplacian
, ) จัดอยู่ในระดับ / อินเตอร์ / อินเตอร์ ขนาดช่องซึ่งสะท้อน
ภายในแพทช์เมืองขึ้นของประเทศเพื่อนบ้าน ) ในการแสดงตนของโครงสร้างที่เฉพาะเจาะจงหรือพื้นผิว ในแต่ละระดับ
ฟังก์ชันความหนาแน่นของความน่าจะเป็น ( PDF ) ของซอฟต์แวร์เหล่านี้ใช้เป็นหัวเรื่องของข้อมูลที่เกี่ยวข้อง [ 28 ] .
เพราะ sparsity ของขนาด หลายแปลง , แพทช์ที่สำคัญที่สุดที่เรียกว่าหร็อมแหร็มหลายมาตราส่วน
แพทช์ ( SMP ) อธิบายได้อย่างมีประสิทธิภาพไฟล์เหล่านี้ความแตกต่างที่คัลแบ็กลี๊บเลอร์จะใช้วิธีทางสถิติสำหรับ
วัดซึ่งจะขึ้นอยู่กับการเปรียบเทียบเหล่านี้ความหนาแน่นความน่าจะเป็นฟังก์ชันที่ quantifies
ความใกล้ชิดระหว่างสองฟังก์ชันความหนาแน่นของความน่าจะเป็นและสมรรถนะที่ดี แสดงให้เห็นแล้วในบริบทของ
ค้นคืนภาพ ความเหมือนเป็นวัดที่ทำโดย K th เพื่อนบ้านที่ใกล้ที่สุดค้นหา เพื่อเพิ่มความเร็วในการคำนวณ