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
【专利摘要】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。
【专利说明】-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
【技术领域】
[0001] 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。
【背景技术】
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 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】
[0006] 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。
[0007] 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：
[0008] (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；
[0009] 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
[0010] ⑵将图像数据和初始字典从CPU内存传送到GPU显存中；
[0011] 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。.
[0012] (3)在GPU平台上固定图像的纹理部分
【权利要求】
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
，Dn，分解出图像的纹理部分
； 这一步骤的子优化问题可描述为：
(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
；求解图像纹理部分的优化问题可描述为：
(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。
2.根据权利要求1所述的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：在GPU平台上实现了形态学分量分析，固定图像 的纹理部分，分解出图像的结构部分和在GPU平台上固定图像的结构部分，分解出图像的 纹理部分等方法。
【文档编号】G06T1/20GK104091305SQ201410345953
【公开日】2014年10月8日 申请日期:2014年8月11日 优先权日:2014年8月11日
【发明者】詹曙, 方琪 申请人:詹曙, 方琪