一种图像数据集的稀疏表示的加速方法以及装置制造方法及图纸

本发明专利技术实施例公开一种图像数据集的稀疏表示的加速方法，所述方法包括：获得图像数据集S；将S中每个图像转换为图像块；将S中的图像块分为m个块组，其中m为最大数量的CPU线程数；在GPU中，通过m个CPU线程并行计算IK‑SVD算法对所述m个块组的稀疏表示，所述GPU支持Hyper‑Q功能与动态并行功能。由于采用了将图像数据集S中每个图像转换为图像块，并将S中的图像块分为m个块组，最后在GPU中通过m个CPU线程并行技术IK‑SVD算法对m个块组的稀疏表示的技术方案，其中m个CPU线程在GPU中计算m个块组的稀疏表示时各不影响，同时IK‑SVD算法需要多次执行稀疏编码，所以在GPU中通过m个线程并行计算IK‑SVD算法对m个块组的稀疏表示时的计算速度能够得到大大提高。

【技术实现步骤摘要】

本专利技术涉及数据处理领域，尤其涉及一种图像数据集的稀疏表示的加速方法以及装置。
技术介绍
图像数据集的稀疏表示包括自学习方法，自学习方法不需任何预定的形式获取超完备字典，自学习方法的基本假设是：复杂的非相干特性的结构可以直接从数据提取，而不是使用一个数学表达描述。例如，给定一组图像向量，K-SVD(全称：K-SingularValueDecomposition；中文：K-奇异值分解)方法能在严格的稀疏约束下寻找导致在该组中每个成员表示最好的字典。非参数贝叶斯字典学习使用一个截断的β-伯努利过程来学习相匹配的图像块的字典。在当前大数据的时代，图像数据集的大小已经呈爆炸式的增长，而自学习的方法不能有效的处理非常大的数据集，因为每次学习迭代都需要访问整个数据集，处理速度较慢。因此，现有技术中存在对图像数据集的稀疏表示的处理速度较慢的技术问题。
技术实现思路
本专利技术实施例通过提供一种图像数据集的稀疏表示的加速方法以及装置，用以解决现有技术中存在的对图像数据集的稀疏表示的处理速度较慢的技术问题。本专利技术实施例提供了一种图像数据集的稀疏表示的加速方法，所述方法包括：获得图像数据集S，S＝{Yi|1≤i≤s^Yi∈Rn×N

【技术保护点】
一种图像数据集的稀疏表示的加速方法，其特征在于，所述方法包括：获得图像数据集S，S＝{Yi|1≤i≤s^Yi∈Rn×N}；将S中每个图像转换为图像块；将S中的图像块分为m个块组，其中m为最大数量的CPU线程数；在GPU中，通过m个CPU线程并行计算IK‑SVD算法对所述m个块组的稀疏表示，所述GPU支持Hyper‑Q功能与动态并行功能。

【技术特征摘要】
1.一种图像数据集的稀疏表示的加速方法，其特征在于，所述方法...

【专利技术属性】
技术研发人员：邓泽，王力哲，陈小岛，陈云亮，杜波，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42