首页> 中国专利> 一种用于计算机图形图像处理的、基于GPU平台和形态学分量分析的快速图像分割方法

一种用于计算机图形图像处理的、基于GPU平台和形态学分量分析的快速图像分割方法

页面导航

摘要
著录项
法律信息
说明书
相似文献

摘要

本发明公开了一种用于计算机图形图像处理的、基于GPU平台和形态学分量分析的快速图像分割方法。针对传统的图像分割技术运算效率低、分割效果不佳，提出一种基于GPU平台和形态学分量分析的快速图像分割方法，能有效的减少运算时间、显著的提高分解效果。其实现步骤如为：由于本发明充分的利用了GPU并行运算的优势，并且实现了形态学分量分析的算法，大大提高图像分割的效率，从而实现图像的快速分割。

著录项

公开/公告号CN104091305A

专利类型发明专利
公开/公告日2014-10-08

原文格式PDF
申请/专利权人詹曙;方琪;
展开▼

申请/专利号CN201410345953.1
发明设计人詹曙;方琪;
展开▼

申请日2014-08-11
分类号G06T1/20(20060101);G06T7/00(20060101);
代理机构
代理人
地址 230009 安徽省合肥市包河区屯溪路193号合肥工业大学计算机与信息学院
入库时间 2023-12-17 01:59:14

法律信息

法律状态公告日

法律状态信息

法律状态
2018-08-31

未缴年费专利权终止 IPC(主分类):G06T1/20 授权公告日:20160518 终止日期:20170811 申请日:20140811

专利权的终止
2016-05-18

授权

授权
2014-12-17

实质审查的生效 IPC(主分类):G06T1/20 申请日:20140811

实质审查的生效
2014-10-08

公开

公开

说明书

技术领域

本发明涉及信息技术领域，更进一步涉及数字图像处理技术领域中一种用图形处理单元(Graphics Processing Unit，GPU)通过形态分量分析方法(Morphological Component Analysis,MCA)来实现图像的快速分割。该技术可以广泛应用于图像分割、目标检测与识别等领域。

背景技术

图像处理和计算机视觉中的一个重要问题是区分图像的不同特征，图像分割的目的是分离图像中具有不同特征的成分，图像可以由图像结构和图像纹理两部分组成，其中，图像结构部分包含了图像的几何特征信息，由分片光滑的区域及清晰的边缘构成。而图像纹理部分则是由图像的高频震荡分量和噪声组成。近年来，图像分割成为低层视觉和图像处理中的一个前沿领域，成功的图像分割方法在众多科学和技术领域中具有重要的应用价值，包括模式识别系统、医学图像处理、语音信号处理、通信系统等，所以提高图像的分割效果成为数字图像处理领域的一个普遍需求。

近年来，基于字典的稀疏表示方法在图像处理中得到了越来越多的应用。在字典设计方面，构造出了许多种有效的解析字典，如小波域字典、离散余弦字典、曲线波字典等，从而提出了基于稀疏表示(SR,Sparse Representation)和形态学成分分析的图像分割的方法，大大的提高了图像分割的效果。然而由于MCA图像分割的过程中，一方面，需要两个预先设定的字典，一个用来描述图像的纹理部分，另一个用来描述图像的几何结构部分。为了提高图像分割的效果，往往这些字典的训练是由大量的具有相似内容的训练样本组成，而传统的字典训练方法需要消耗大量的时间。另一方面，在分割图像的各个形态学分量过程中，将图像按照一个给定的字典中的原子来提取每个形态学分量，然后根据稀疏性约束去寻找图像分解逆问题的可接受解。在分解过程中需对上述过程进行数百次的迭代运算，从而消耗大量的计算时间。

计算机图形处理器(Graphics Processing Unit，GPU)的高速发展，不但促进了图像处理、虚拟现实、计算机仿真等应用领域的快速发展，同时也为人们利用GPU进行图形处理以外的通用计算提供了良好的运行平台。基于GPU的图形处理及其通用计算成为图形学及高性能计算领域的热点研究课题。近年来，随着图形处理单元(GPU)和并行处理技术的发展，并行图像处理技术应运而生，并成为图像处理领域和计算机科学领域的一个重要发展方向，渐渐为各种理论的快速实现提供了一条崭新而强有力的处理途径。GPU是目前广泛存在于超级计算机，服务器、工作站、个人电脑、甚至在移动设备中的图形处理器，它集成了几何变换、光照、三角形构造、裁剪和绘制引擎等功能，并具有每秒至少1千万个多边形的处理能力.。GPU极大提升了计算机图形处理的速度、增强了图形的质量，并促进了与计算机图形相关其它应用领域的快速发展。与中央处理器(Central Processing Unit，CPU)的串行设计模式不同，GPU为图形处理设计，具有天然的并行计算特性。

由于图像数据本身就比较庞大，加之图像分解技术往往不惜提高算法的复杂度换取高质量的分割效果。由于处理的时间太长，目前现有的图像分割技术是基于CPU的串行运算实现的，将会花费大量的运算时间。目前尚未发现相关专利或文献上针对GPU平台和形态学分量分析的快速图像分割方法的讨论。

发明内容

发明目的：本发明所要解决的技术难题是针对传统的图像分割技术运算效率低、分割效果不佳，提出一种基于GPU平台和形态学分量分析的快速图像分割方法，能有效的减少运算时间、显著的提高分解效果。

实现本发明的技术思路是：利用GPU的并行计算以及图像的形态学成分分析实现一种快速图像分割的技术，使并行实现的时间较串行实现时间大大缩短，从而达到快速分割图像的目的。主要步骤如下：

(1)进行内存分配优化及初始化，将待分割的图像读入CPU内存中，并初始化字典矩阵；

根据输入图像的分辨率大小统一分配CPU和GPU端内存并初始化，并将待分割的图像读入CPU内存中，并初始化字典矩阵，使用局部余弦变换LDCT初始化图像纹理部分字典D_t，使用小波变换初始化图像结构部分字典D_n

(2)将图像数据和初始字典从CPU内存传送到GPU显存中；

将待分割的图像数据f和初始字典D_t、D_n从CPU内存传送到GPU显存中。图像f中含有高斯白噪声n，且图像可以表示为f＝u+v+n，其中u为图像的结构部分，v为图像的纹理部分。.

(3)在GPU平台上固定图像的纹理部分v＝v^(k)，D_t，分解出图像的结构部分u＝u^(k+2)；

令D_n、D_t分别代表学习后的结构部分、纹理部分的字典，所以令 U_i、V_i分别表示在图像结构部分和图像纹理部分第i个位置的抽取像素块算子，λ₁,λ₂,λ₃为平衡参数。求解图像结构部分的子优化问题可描述为：

$(\begin{matrix} (u^{(k + 1)}, D_{n}, α_{i}) = \underset{u, D_{n}, α_{i}}{\arg \min} λ_{1} {| | (f - v^{(k)} - u) | |}^{2} + \underset{i}{Σ} {| | U_{i} u - D_{n} α_{i} | |}^{2} + \underset{i}{Σ} u_{i} {| α_{i} |}_{0} \\ s . t . d_{l}^{T} d_{l} = 1, l = 1, . . ., k_{1} \end{matrix}) - - - (1)$

这一过程学习到一个表示图像结构部分的字典D_n,并对图像结构部分u^(k)＝f-v^(k)做去噪处理,因此得到一个去噪版本的结构图像u^(k+1)，接下来将结构图像中剩余的纹理成分分离出去，从而得到分离出纹理成分的结构图像u^(k+2)。子优化问题可描述为：

$u^{(k + 2)} = \underset{u}{\arg \min} (λ_{2} {| ▿ u |}_{1} + λ_{3} {| | v | |}^{2}_{H^{- 1}}), s . t, v = u^{(k + 1)} - u - - - (2)$

(4)在GPU平台上固定图像的结构部分u＝u^(k+2),D_n，分解出图像的纹理部分v＝v^(k+2)；

这一步骤的子优化问题可描述为：

$(\begin{matrix} (v^{(k + 1)}, D_{t}, β_{i}) = \underset{v, D_{t}, β_{i}}{\arg \min} λ_{1} {| | (f - u^{(k + 2)} - v) | |}^{2} + \underset{i}{Σ} {| | V_{i} v - D_{t} β_{i} | |}^{2} + \underset{i}{Σ} η_{i} {| β_{i} |}_{0}, \\ s . t . s_{m}^{T} s_{m} = 1, m = 1, . . ., k_{2} \end{matrix}) - - - (3)$

该子优化问题与(1)式一致，求解时分为纹理字典学习和纹理字典的重建。接下来是将纹理图像中剩余的结构成分分离出去，从而引导下一次结构字典的学习，同时得到分割后纹理图像v＝v^(k+2)。求解图像纹理部分的优化问题可描述为：

$v^{(k + 2)} = \underset{v}{\arg \min} (λ_{2} {| ▿ u |}_{1} + λ_{3} {| | v | |}^{2}_{H^{- 1}}), s . t, u = v^{(k + 1)} - v - - - (4)$

返回至步骤(3)，重复迭代(3)、(4)两步骤k次后得到分割后的图像结构部分u和图像纹理部分v。

(5)将分割后的结构图像u和纹理图像v从GPU的显存中传送回CPU的内存中，并显示分割后的结构图像和纹理图像，同时释放出预先设定的内存；

与现有成果相比，本发明的有益效果是：

本发明由于首次将形态学分量分析应用于图像分割，可以有效地分割出图像的结构部分和图像的纹理部分；

本发明由于采用了一种利用GPU并行计算的图像分割的框架，对串行算法中存在计算速度慢等问题实现了图像的并行化快速分割，大大缩短了图像分割的运行时间；

附图说明

图1是本发明的流程图；

图2是本发明试验中使用的两幅待分割的测试图像；

图3是本发明第一幅测试图像进行图像分割后的结构图像和纹理图像；

图4是本发明第二幅测试图像进行图像分割后的结构图像和纹理图像；

具体实施方式