量子图像理解中低层图像特征的表示和提取

The storage and the compute ability of quantum computers are higher than those of classical computers because of the superposition and the entanglement of quantum. Quantum computing is suitable to solve the problems that are not efficient in classical computers. Image understanding is one of them. In quantum image understanding, image feature extraction is the prerequisite and key issue in visual information analysis. The project researches the first step of quantum image understanding: the quantum low-level image feature extraction. The main content is that for the three main low-level features: color, texture and shape, the quantum feature representation and the quantum extraction algorithms are proposed firstly, and then analyze them theoretically. No matter what the features are, they can be viewed as matrices. They can be stored in the entanglement of the coordinate information and the value information. We put aside the shackles of the classical algorithms and divide the process of feature extraction into 7 modules according to the realizing principle. The quantum feature extraction algorithms can be proposed by realizing the 7 modules in quantum computers and building them to complete schemes. The innovations include the pixel-pixel operation method based on dislocation storage and the color segmentation method based on binary tree. This project explores the new type of calculation method--- quantum computing to reduce the time and space complexity of image understanding and solves the issue about the quantum image low-level feature extraction. This work can provide some novel theoretical and technical foundation to promote the development of image understanding.

量子态所具有的叠加和纠缠性质，使量子计算机比经典计算机具有更强的存储和计算能力。量子计算适合用来解决在经典计算机上处理起来效率不高的问题，图像理解便是其中之一。本项目研究量子图像理解中的一个关键环节：量子图像的低层特征提取。针对颜色、纹理和形状这三大低层特征，首先解决其量子表示（即存储）问题，然后给出量子提取算法，最后进行理论分析。存储时，将特征看成是矩阵，矩阵中每个元素具有坐标和值两个属性，特征就存储在坐标和值的纠缠态中。提取特征时，抛开经典算法的束缚，按算法的量子实现原理分割为7个模块，先给出7个模块的量子算法，然后以此为基础设计出各种低层特征提取的量子算法。项目创新点包括提出基于错位存储的像素间操作方法，以及基于二叉树的颜色分割方法。本项目探索用量子计算这一新型计算方法降低图像理解时空复杂度，解决其中量子图像低层特征的表示和提取问题，为推动图像理解的发展提供一些新的理论和技术。

量子态所具有的叠加和纠缠性质，使量子计算机比经典计算机具有更强的存储和计算能力。量子计算适合用来解决在经典计算机上处理起来效率不高的问题，图像理解便是其中之一。本项目研究量子图像理解中的一个关键环节：量子图像的低层特征提取。针对颜色、纹理和形状这三大低层特征，首先解决其量子表示（即存储）问题，然后给出量子提取算法，最后进行理论分析。存储时，将特征看成是矩阵，矩阵中每个元素具有坐标和值两个属性，特征就存储在坐标和值的纠缠态中。提取特征时，抛开经典算法的束缚，按算法的量子实现原理分割为7个模块，先给出7个模块的量子算法，然后以此为基础设计出各种低层特征提取的量子算法。本项目探索用量子计算这一新型计算方法降低图像理解时空复杂度，解决其中量子图像低层特征的表示和提取问题，为推动图像理解的发展提供一些新的理论和技术。. 项目执行期间，项目组在国内外主流学术期刊上发表高水平论文9篇，全部为SCI检索，另有2篇处于审稿阶段。出版学术专著1部。申请国家发明专利6项，其中2项已授权。2015.8-2016.9在美国Purdue University做访问学者，从事量子图像处理方面的研究；2017年10月，前往日本横滨国立大学、神奈川大学和崇城大学就量子图像处理进行短期学术交流。培养硕士毕业生4人，在读博士生1人，在读硕士生4人，其中4人获得国家奖学金，4人获得北京工业大学优秀硕士学位论文以及北京市优秀毕业生，1人获得北京工业大学科技之星。项目组圆满完成了项目计划书制定的研究计划，达到了预期的研究目标。