量子图像匹配与分类算法研究
发布时间：2020-12-14 17:13
近年来,量子计算凭借优越的计算能力,受到广泛关注,并吸引了很多研究学者投身到量子计算领域的研究中。由于图像处理的广泛应用,结合量子计算的量子图像处理成为量子计算研究的重要阵地,有重要理论意义。大多数已有的量子图像处理算法没有考虑到度量的问题。如果用户想得到结果,他们必须多次测量最终状态来得到所有像素的值。另外,算法执行一次只能测量一次最终状态。为了测量多次,用户必须多次执行算法。因此,算法的有效性有待商榷。量子图像匹配是图像视觉、图像理解的基础算法。已有的量子图像匹配方案也存在测量问题。所以,我们提出一种针对简单图像匹配问题的能有效测量的量子图像匹配算法。这一方案通过调整各像素的概率使目标像素有更高的概率被测量。复杂度分析表明该算法仅有线性复杂度。考虑到图像中像素值不唯一,我们改进并提出了一种性能稳定的量子图像匹配算法,确保在复杂的图像匹配问题中正确输出唯一的坐标。复杂度分析表明,该算法在正确处理复杂图像匹配问题的同时,其效率优于经典算法。图像分类是图像处理领域中应用较为广泛的技术之一。近年来,基于机器学习算法的图像分类方案,进一步提高了分类精度,被广泛应用于生产实践。由于机器学习算法...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
搜索过程复杂度比较
因此我们得到量子态 0010 0001 0011 b。经过测量，输出二进制串：0010，0001 和 0011，分别对应索引 2，1 和 3，也就是表 4-2 中 3 个最小距离对应的索引。因此，最相似于测试图像的 3 个训练图像分别是 airplanes_2.jpg，airplanes_1.jpg 和 airplanes_3.jpg。由于这三个图片都属于 airplanes 类，所以测试图像归类为 airplanes 类。至此，测试图像被正确分类，一次图像分类任务完成。4.4.2 Graz-01 数据集的实验Graz-01 数据集有两个主类，bikes 和 persons，以及背景类。许多图像分类研究使用该数据集进行实验分析和比较。为此，我们对该数据集进行仿真实验，展示我们方案的精度。由于 KNN 算法自身的特性，我们移除数据集中的背景类。因此，实验数据包括 2 个类（bikes 和 persons），共 833 张图片。仿真实验数据如图 4-8 所示。
图 4-9 Caltech-101 数据集的分类精度Fig. 4-9 Performance on the Caltech-101 dataset4.5 本章小结本章给出了一套完整的基于 QKNN 的图像分类方案，用量子计算的叠加和纠缠特性提升了图像分类工作的效率。首先，提取图像的特征向量。然后将特征向量输入量子计算机，制备成量子态，并行化计算测试图像和训练图像在特征空间中的距离。进而用 AE 算法将距离信息从振幅转存至量子比特，用最小值搜索算法加速搜索 k 个最小的距离，将其对应的索引存储至辅助量子比特。最后测量输出索引后，根据多数投票原则确定其类别。复杂度分析表明量子过程的复杂度是O kM ，优于经典算法。由于所测量的辅助量子比特只存储一种状态，而非叠加态，因此只需测量一次就能输出正确结果，保证了算法是有效的、可行的。此外，我们的量子方案提高了算法
【参考文献】：
期刊论文
[1]改进的量子图像水印算法[J]. 肖红,李盼池,李滨旭. 信号处理. 2017(02)
[2]量子K-近邻算法[J]. 陈汉武,高越,张军. 东南大学学报(自然科学版). 2015(04)
[3]基于多目标扩展通用Toffoli门的量子比较器设计[J]. 王冬,刘志昊,朱皖宁,李善治. 计算机科学. 2012(09)
[4]量子搜索算法[J]. 孙吉贵,何雨果. 软件学报. 2003(03)
硕士论文
[1]图像配准理论及算法研究[D]. 张锐娟.西安电子科技大学 2009
本文编号：2916712
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
搜索过程复杂度比较
因此我们得到量子态 0010 0001 0011 b。经过测量，输出二进制串：0010，0001 和 0011，分别对应索引 2，1 和 3，也就是表 4-2 中 3 个最小距离对应的索引。因此，最相似于测试图像的 3 个训练图像分别是 airplanes_2.jpg，airplanes_1.jpg 和 airplanes_3.jpg。由于这三个图片都属于 airplanes 类，所以测试图像归类为 airplanes 类。至此，测试图像被正确分类，一次图像分类任务完成。4.4.2 Graz-01 数据集的实验Graz-01 数据集有两个主类，bikes 和 persons，以及背景类。许多图像分类研究使用该数据集进行实验分析和比较。为此，我们对该数据集进行仿真实验，展示我们方案的精度。由于 KNN 算法自身的特性，我们移除数据集中的背景类。因此，实验数据包括 2 个类（bikes 和 persons），共 833 张图片。仿真实验数据如图 4-8 所示。
图 4-9 Caltech-101 数据集的分类精度Fig. 4-9 Performance on the Caltech-101 dataset4.5 本章小结本章给出了一套完整的基于 QKNN 的图像分类方案，用量子计算的叠加和纠缠特性提升了图像分类工作的效率。首先，提取图像的特征向量。然后将特征向量输入量子计算机，制备成量子态，并行化计算测试图像和训练图像在特征空间中的距离。进而用 AE 算法将距离信息从振幅转存至量子比特，用最小值搜索算法加速搜索 k 个最小的距离，将其对应的索引存储至辅助量子比特。最后测量输出索引后，根据多数投票原则确定其类别。复杂度分析表明量子过程的复杂度是O kM ，优于经典算法。由于所测量的辅助量子比特只存储一种状态，而非叠加态，因此只需测量一次就能输出正确结果，保证了算法是有效的、可行的。此外，我们的量子方案提高了算法
【参考文献】：
期刊论文
[1]改进的量子图像水印算法[J]. 肖红,李盼池,李滨旭. 信号处理. 2017(02)
[2]量子K-近邻算法[J]. 陈汉武,高越,张军. 东南大学学报(自然科学版). 2015(04)
[3]基于多目标扩展通用Toffoli门的量子比较器设计[J]. 王冬,刘志昊,朱皖宁,李善治. 计算机科学. 2012(09)
[4]量子搜索算法[J]. 孙吉贵,何雨果. 软件学报. 2003(03)
硕士论文
[1]图像配准理论及算法研究[D]. 张锐娟.西安电子科技大学 2009
本文编号：2916712
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/2916712.html
