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技术

本发明专利技术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：由于本发明专利技术充分的利用了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。

【技术实现步骤摘要】
-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
本专利技术涉及信息
，更进一步涉及数字图像处理
中一种用图形 处理单兀（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。
技术介绍
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
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。
技术实现思路
专利技术目的：本专利技术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。 实现本专利技术的技术思路是：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Dn ⑵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Dt、Dn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本文档来自技高网...

【技术保护点】
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，其特征在于，包括如下步骤： 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，此后一直至程序运行结束前不在进行内存分配；并将待分解的图像读入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Dt，使用小波变换初始化图像结构部分字典Dn； 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Dt、Dn从CPU内存传送到GPU显存中；假定图像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)，Dt，分解出图像的结构部分u＝u(k+2)； 令Dn、Dt分别代表学习后的结构部分、纹理部分的字典，所以令Ui、Vi分别表示在结构部分和纹理部分第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：这一过程学习到一个表示结构部分的字典Dn,并对初始结构图像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： 4)在GPU平台上固定图像的结构部分u＝u(k+2),Dn，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： 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： 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。...

【技术特征摘要】
1. 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，其特征在于，包括如下步骤： 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，此后一直至程序运 行结束前不在进行内存分配；并将待分解的图像读入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Dt，使用小波变换初始化图像结构部分字典 Dn ; 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Dt、Dn从CPU内存传送到GPU显存中；假定图像f中 含有高斯白噪声n，且图像可以表示为其中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分解出图像的结构部分； 令Dn、Dt分别代表学习后的结构部分、纹理部分的字典，所以令，;仏、\分别表示在结构部分和纹理部分第i个位置的抽取像素块算子， λ λ 2, λ 3为平衡参数。求解图像结构部分的子优化问题可描述为：⑴ 这一过程学习到一个表示结构部分的字典Dn，并对初始结构图像...

【专利技术属性】
技术研发人员：詹曙，方琪，
申请(专利权)人：詹曙，方琪，
类型：发明
国别省市：安徽;34