专利名称：一种并行的分形网络演化影像分割方法
技术领域：
本发明涉及一种分形网络演化影像分割算法，尤其是涉及一种并行的分形网络演化影像分割方法。
背景技术：
影像图像分割作为一种重要的图像处理技术，已广泛应用在不同领域中，并提出了上千种分割方法，分水岭分割算法、均值漂移分割算法和Definiens公司的多分辨率影像分割算法等被应用得较多，其中分形网络演化法(Fractal Net Evolution Approach,FNEA)算法是一种有效的多尺度影像分割方法，并且被证实相比常用的只使用像素光谱信息的其他遥感分割算法，公认具有更好的分割效果。目前并行分解算法主要分为区域分解、功能分解、流水线、分而治之和同步并行等几类。常见的面向像素的并行遥感处理算法一般属于区域分解，但由于分割类算法涉及到的像素区域并不固定且范围较大，故区域分解方法并不适应。功能分解和流水线主要针对具有明确处理环节的遥感处理流程而非独立算法，并且各个处理环节较独立且交互少，比如对多张遥感图像进行地理编码且拼接的处理流程，本发明提出的算法不属于该类。同步并行算法主要用于对一些串行算法内部某些关键步骤的并行改造，而不是对问题解决方法的并行，属于一种辅助型的并行计算技术，多采用OpenMP等。由于图像的二维特点，一般遥感图像处理的并行算法一般是将图像分割成多个独立或带有一定重叠区域的矩形分块，然后分别对每个分块进行处理后，将结果输出到文件中进行合并。对于雷达滤波、极化分解、像素级分类、共生矩阵特征计算等问题，由于其算法处理单元为像素的小范围邻域，并且处理单元之间相互独立，因此分解与合并策略较为简单，可设计成通用方案，而对于FNEA算法，其处理单元涉及较大图像范围内像素，而且具体尺寸不固定，因此分解与合并较为复杂，并不能采用通用方案，需要根据算法特点进行设计
发明内容
本发明的上述技术问题主要是通过下述技术方案得以解决的一种并行的分形网络演化影像分割方法，其特征在于，包括以下步骤步骤I.将影像针对用户期望最终尺度分解成多个由小到大的若干尺度序列，然后串行化对每个尺度进行后续操作，其中，前一个小尺度的输出是后一个较大尺度的输A ；步骤2.将待分割图像按照步骤I中所分解的由小到大的若干尺度序列进行多级网格划分，形成第I级至第N级待处理网格，所述第I级至第N级待处理网格与上述由小到大的若干尺度序列相对应，即第I级待处理网格为最小尺度序列· 第N级待处理网格为最大尺度序列；步骤3.执行第M级待处理网格的节点对应的子任务，其中M=l、2 · · · N，N为正整数；步骤4.当第M级待处理网格的节点对应的子任务执行完毕后，将执行过程中产生的有效分割结果进行合并，以作为尺度序列中更大尺度的输入；步骤5.重复步骤3至步骤4，直至处理完至第N级待处理网格，即用户指定尺度后，处理结束。 本发明创造性的提出的并行图像分割算法属于分而治之类，所谓分而治之是指将问题不断分解形成具有层次关系的子问题以便于并行处理，其特点是需要根据问题本身的特点来进行问题分解，而不是期望采用一种通用处理手段来进行算法并行化，下面将FNEA算法的资源占用情况进行阐述，然后根据其特点来设计相应的并行策略来缓解和并行化资源消耗。本发明认为FNEA算法主要具有如下可用于并行分解的特点(I)分割实体尺寸可控。FNEA算法是一种多尺度算法，在区域生长过程中的异质度受到颜色和形状两个方面的控制，且大小与对象尺度成正比，因此对象尺度可以通过异质度的大小来进行控制。这种可控制的分割实体尺寸特点为后面的并行分解策略提供了基础。(2)分割输入形式可以是对象。FNEA是一种面向对象的多尺度分割算法，输入内容不仅仅可以是像素，也可以是对象集合。因此，在尺度序列生成后，前一个尺度的输出对象可以作为后一个尺度的输入对象，有利于提高算法的执行效率。(3) FNEA算法执行过程中，仅需计算对象拓扑和特征统计信息，而无需考虑像素特征，因此对于对象的表达可采用占用内存资源少的简化栅格表达，并且对象尺寸越大，内存消耗减少比例越大。该特点使得相同面积下的多个大尺度对象比多个小尺度对象占用的内存要大幅度减少，因此并行分解策略可以利用该特点来扩大分割处理范围。在上述的一种并行的分形网络演化影像分割方法，所述步骤2中，分割时基于以下定义将影像分为有效区，无效区和扩展区，并定义图像覆盖区域为Gimage,且图像被划分为η个规则矩形区域，分别为G1, G2,, Gn,则G1 U G2 U G3. . . U Gn = GifflageG1 n G2 n G3... n Gn = Φ定义扩展区EG1为被划分图像G1边界向外扩展若干像素的区域，其他依次类推得到EG2，对G1与EG1内的所有像素进行FNEA分割，设得到m个分割对象集合OG1 = 将m个分割对象根据与G1之间是否存在包含关系划分为两个集合并定义有效分割对象为CG1 = {O e OG1 and O八G1;无效分割对象为MT/, = (O ε OGi and (7隹(7; j ,其中〇八G1表示对象O与Gl在空间关系上为包含；则定义有效区为所有有效分割对象覆盖区域之和；无效区为所有非有效分割对象覆盖区域之和，即有效区=VG1= IO1 U O2 U O3. . . U Oz, Oz e CGj无效区=VNG1= IO1 U O2 U O3. . . U Oq, Oq e NCGj依次对G1, G2，…，Gn 进行 FNEA 分割，即得到 VG1, VG2, · · ·，VGn。在上述的一种并行的分形网络演化影像分割方法，所述的步骤2中，定义( 代表i
层中标号为η的子网格所在区域，设GLi G2 G3 戌^力^的下层子网格，第1层的扩展
· ·JJ区，有效区与无效区与单层网格划分相同，中间网格层的相关定义以递归形式给出网格扩展区
权利要求
1.一种并行的分形网络演化影像分割方法，其特征在于，包括以下步骤 步骤I.将影像针对用户期望最终尺度分解成多个由小到大的若干尺度序列，然后串行化对每个尺度进行后续操作，其中，前一个小尺度的输出是后一个较大尺度的输入； 步骤2.将待分割图像按照步骤I中所分解的由小到大的若干尺度序列进行多级网格划分，形成第I级至第N级待处理网格，所述第I级至第N级待处理网格与上述由小到大的若干尺度序列相对应，即第I级待处理网格为最小尺度序列· 第N级待处理网格为最大尺度序列； 步骤3.执行第M级待处理网格的节点对应的子任务，其中M=l、2 · · - N, N为正整数；步骤4.当第M级待处理网格的节点对应的子任务执行完毕后，将执行过程中产生的有效分割结果进行合并，以作为尺度序列中更大尺度的输入； 步骤5.重复步骤3至步骤4，直至处理完至第N级待处理网格，即用户指定尺度后，处理结束。
2.根据权利要求I所述的一种并行的分形网络演化影像分割方法，其特征在于，所述步骤2中，分割时基于以下定义将影像分为有效区，无效区和扩展区，并定义图像覆盖区域为Gimage,且图像被划分为η个规则矩形区域，分别为G1, G2,, Gn,则 G1 U G2 U G3. . . U Gn = Gimage G1 n G2 n G3... n Gn = Φ 定义扩展区EG1为被划分图像G1边界向外扩展若干像素的区域，其他依次类推得到EG2,对G1与EG1内的所有像素进行FNEA分害I]，设得到m个分割对象集合OG1 = IO1, 02，O3...0J，将m个分割对象根据与匕之间是否存在包含关系划分为两个集合并定义有效分割对象为CG1 = {O e OG1 and O八Gj ;无效分割对象为M T/, = {O G OG1 and 6 g 丨，其中o八G1表示对象O与Gl在空间关系上为包含； 则定义有效区为所有有效分割对象覆盖区域之和；无效区为所有非有效分割对象覆盖区域之和，即有效区-.VG1 = IO1 U O2 U O3... U Oz, Oz e CGj无效区=VNG1 = IO1 U O2 U O3... U Oq, Oq e NC Gj 依次对 G1, G2,. . . , Gn 进行 FNEA 分割，即得到 VG1, VG2,VGn。
3.根据权利要求I所述的一种并行的分形网络演化影像分割方法，其特征在于，所述的步骤2中，定义( 代表i层中标号为η的子网格所在区域，设GL Gl1 G1n3 . . . G“为(ξ的下层子网格，第I层的扩展区，有效区与无效区与单层网格划分相同，中间网格层的相关定义以递归形式给出 网格扩展区，其中代表G的扩展区G网格的分割数据输入区祝=呢—，其中啤m代表(网格有效区，对SGin内的所有像素(对象)进行FNEA分割，设得到m个分割对象集合=份，O2, Ov..OrJ .将这m个分割对象根据与^之间是否存在包含关系划分为两个集合CGl = {O G OG^ mi OAGiJNCGin = {O e OGin and O^GiJ 采用与单层网格划分类似，根据分割对象与G网格之间的包含关系来定义G的有效区，值得注意是FG:的有效区是不包含下层有效区的，称中的对象为有效分割对象，iVCGi中对象为无效分割对象，设有效区为所有有效分割对象覆盖区域之和，无效区为所有非有效分割对象覆盖区域之和。
4.根据权利要求I所述的一种并行的分形网络演化影像分割方法，其特征在于，所述的步骤3中，第一级网格节点子任务执行方法如下 步骤1，输入当前网格ID; 步骤2，根据网格ID得到网格覆盖范围G ； 步骤3，根据G得到网格扩展区EG ； 步骤4，读取原始图像中与EG相交的像素集合IG ； 步骤5，对IG执行FNEA分割算法，得到有效对象集合0G、有效对象集合NOG和无效区NVG ； 步骤6，读取原始图像中与NVG相交的像素集合IG2 ； 步骤7，判断当前网格存在上层网格节点中，若存在则将IG2作为输入传递到上层网格执行任务；否则将NOG放入最终分割结果FOG。
5.根据权利要求I所述的一种并行的分形网络演化影像分割方法，其特征在于，所述的步骤3中，第2级至第N级网格节点子任务执行方法如下 步骤1，输入当前网格ID以及下层格网的无效输出像素集集合IO ； 步骤2，根据网格ID得到网格覆盖范围G ； 步骤3，按照像素唯一标识对步骤I中的IO集合进行排序，去除相同ID像素，得到分割输入集合IG ； 步骤4，对IG执行FNEA分割算法，得到有效对象集合0G、有效对象集合NOG和无效区NVG ； 步骤5，将有效对象集合OG放入最终分割结果FOG ； 步骤6，读取原始图像中与NVG相交的像素集合IG2 ； 步骤7，判断当前网格是否存在上层网格节点，若存在则将像素集合IG2作为输入传递到上层网格执行任务；否则将NOG放入最终分割结果FOG ； 步骤8，在所有网格节点均执行完毕后，集合FOG即为本尺度下的最终分割结果。
全文摘要
本发明涉及一种并行的分形网络演化影像分割方法，包括以下步骤1.将用户期望的最终尺度分解成多个由小到大的尺度序列，然后串行化对每个尺度进行后续操作；其中，前一个小尺度的输出时较大尺度的输入；2.将待分割图像(或对象集)按照空间范围进行多级网格划分；3.执行每个网格节点对应的子任务；4.当所有子任务执行完毕后，将执行过程中产生的有效分割结果进行合并，以作为尺度序列中更大尺度的输入,直到用户指定的尺度。若未到用户指定尺度，继续执行2-4操作。本发明采用多级格网的分解与合并策略缓解和并行化资源消耗，改变了传统单机环境下的资源有效，分割效率较低的处理模式，有效地解决了资源占用问题，提高并行分割效率。
文档编号G06T7/00GK102831613SQ201210312528
公开日2012年12月19日 申请日期2012年8月29日 优先权日2012年8月29日
发明者呙维, 朱欣艳, 胡涛, 刘异 申请人:武汉大学