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

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。

主权项

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：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，具体为：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再进行内存分配；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的字典D_t，使用小波变换初始化图像结构部分的字典D_n；步骤2.将图像数据和初始字典从CPU内存传送到GPU显存中，具体为：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；假定图像数据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；.步骤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)；令求解图像结构部分的子优化问题可描述为：$\begin{array}{c}(u^{(k+1)},D_n,{\alpha }_i)=\underset{u,D_n,{\alpha }_i}{\arg \min }{\lambda }_1\left|\right|(f-v^{\left(k\right)})-u|{|}^2+\underset{i}{\Sigma }||U_{i}u-D_n{\alpha }_i|{|}^2+\underset{i}{\Sigma }{u}_i|{\alpha }_i{|}_0\\ s.t.d_l^T{d}_l=1,l=1,\mathrm{...},k_1\end{array}---\left(1\right)$由上述过程得到一个表示结构部分的字典D_n,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：$u^{(k+2)}=\underset{u}{\arg \min }\left({\lambda }_2\right|▿u{|}_1+{\lambda }_3\left|\right|v\left|{{|}^2}_{H^{-1}}\right),s.t,v=u^{(k+1)}-u---\left(2\right)$步骤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：$\begin{array}{c}(v^{(k+1)},D_t,{\beta }_i)=\underset{v,D_t,{\beta }_i}{\arg \min }{\lambda }_1\left|\right|(f-u^{(k+2)})-v|{|}^2+\underset{i}{\Sigma }||V_{i}v-D_t{\beta }_i|{|}^2+\underset{i}{\Sigma }{\eta }_i|{\beta }_i{|}_0,\\ s.t.s_m^T{s}_m=1,m=1,\mathrm{...},k_2\end{array}---\left(3\right)$该子优化问题与公式(1)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：$v^{(k+2)}=\underset{v}{\arg \min }\left({\lambda }_2\right|▿u{|}_1+{\lambda }_3\left|\right|v\left|{{|}^2}_{H^{-1}}\right),s.t,u=v^{(k+1)}-v---\left(4\right)$步骤5.返回至步骤3，重复迭代3、4两步骤至K次后，得到分割后的图像结构部分u和图像纹理部分v；步骤6.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。