本文關(guān)鍵詞：基于GPU集群的Mean Shift遙感圖像分割算法并行化研究

  更多相關(guān)文章： Mean Shift算法 異構(gòu)GPU集群 圖像分割算法 OpenCL 變化檢測

【摘要】：多年來雖然涌現(xiàn)出了多種遙感圖像分割算法,但是遙感圖像分割仍然存在分割精度低、適應(yīng)性差的問題。作為圖像分割領(lǐng)域比較經(jīng)典的算法,Mean Shift算法是一種基于特征向量的聚類算法,被廣泛應(yīng)用在目標(biāo)追蹤、圖像噪聲平滑、圖像分割等領(lǐng)域。雖然Mean Shift圖像分割算法適應(yīng)性強(qiáng),具有較好的分割精度,但是它是一種計(jì)算密集型算法,隨著圖像像素?cái)?shù)據(jù)量的增大,Mean Shift算法計(jì)算量呈現(xiàn)出指數(shù)級(jí)的增長趨勢(shì)。當(dāng)前,為了提升Mean Shift算法效率,解決Mean Shift算法性能瓶頸問題的主要方式是采用基于CUDA的單節(jié)點(diǎn)GPU加速來提升算法運(yùn)算速度。然而,當(dāng)前在這類研究中卻存在以下兩個(gè)問題:(1)使用CUDA編程模型實(shí)現(xiàn)的算法局限于特定的NVIDIA平臺(tái),不能在AMD或Intel等廠商的GPU上運(yùn)行,并行算法的可移植性和通用性較差;(2)單GPU平臺(tái)不能滿足多幅遙感圖像同時(shí)處理的需求。為解決Mean Shift圖像分割算法的性能問題,本文有針對(duì)性的在異構(gòu)計(jì)算系統(tǒng)GPU集群平臺(tái)上對(duì)該算法進(jìn)行并行化設(shè)計(jì)與應(yīng)用研究,在該異構(gòu)平臺(tái)上CPU和GPU相互協(xié)作可以最大程度提升算法效率。具體的研究內(nèi)容分為以下幾點(diǎn):(1)設(shè)計(jì)并實(shí)現(xiàn)Mean Shift圖像分割并行算法,在單GPU節(jié)點(diǎn)上探索性能優(yōu)化方法。首先,實(shí)現(xiàn)可以在Linux環(huán)境下運(yùn)行的串行算法;其次,使用Intel VTune性能分析工具分析串行算法性能問題,定位串行算法熱點(diǎn);再次,分析串行算法的性能瓶頸,設(shè)計(jì)相應(yīng)的算法并行化策略;然后,概括并行框架和并行流程,使用異構(gòu)計(jì)算編程模型OpenCL實(shí)現(xiàn)相應(yīng)的并行算法;最后,從數(shù)據(jù)傳輸和數(shù)據(jù)分配兩個(gè)方面出發(fā),對(duì)已完成的并行算法進(jìn)行優(yōu)化,進(jìn)一步提升并行算法的效率。(2)將并行算法移植到異構(gòu)GPU集群平臺(tái),提出一個(gè)合適的任務(wù)調(diào)度和負(fù)載均衡策略應(yīng)用到大規(guī)模遙感圖像處理應(yīng)用程序中。調(diào)度策略的實(shí)現(xiàn)依賴于MPI和OpenCL兩種編程模型,MPI用于不同節(jié)點(diǎn)間的粗粒度的任務(wù)劃分,OpenCL用于GPU節(jié)點(diǎn)工作項(xiàng)細(xì)粒度的負(fù)載均衡,以及計(jì)算單元中計(jì)算的實(shí)現(xiàn)。(3)將我們提出的方法與特定應(yīng)用相結(jié)合,本文通過研究多時(shí)相遙感圖像變化檢測應(yīng)用問題來驗(yàn)證所提方法的正確性和有效性。對(duì)上述研究內(nèi)容進(jìn)行測試分析,實(shí)驗(yàn)結(jié)果數(shù)據(jù)表明:在單GPU平臺(tái)上,我們?cè)O(shè)計(jì)的并行算法獲得了良好的加速比;在并行算法優(yōu)化時(shí),針對(duì)工作項(xiàng)的負(fù)載不均衡問題,重新設(shè)計(jì)工作項(xiàng)的數(shù)據(jù)分配策略,解決了算法加速比與OpenCL工作項(xiàng)數(shù)目的相關(guān)性問題,使得工作項(xiàng)數(shù)目變化時(shí)算法加速比可以穩(wěn)定在某個(gè)區(qū)間;在GPU集群上實(shí)現(xiàn)了并行算法,算法的加速比基本與GPU節(jié)點(diǎn)數(shù)目成線性關(guān)系,基本解決了GPU集群的負(fù)載調(diào)度問題;此外,在多時(shí)相遙感圖像變化檢測領(lǐng)域的實(shí)驗(yàn)示例中,通過Mean Shift圖像分割算法與圖像差值法的結(jié)合研究,獲得了良好的檢測精度,驗(yàn)證了Mean Shift圖像分割算法在多時(shí)相遙感圖像變化檢測領(lǐng)域應(yīng)用的可行性。
【關(guān)鍵詞】：Mean Shift算法 異構(gòu)GPU集群 圖像分割算法 OpenCL 變化檢測
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 緒論11-19
• 1.1 研究背景與意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-16
• 1.3 研究內(nèi)容與技術(shù)路線16-18
• 1.3.1 研究內(nèi)容16-17
• 1.3.2 技術(shù)路線17-18
• 1.4 本文組織結(jié)構(gòu)18-19
• 第二章 圖像分割知識(shí)概述19-26
• 2.1 圖像分割的概念19-20
• 2.2 圖像分割算法分類20-22
• 2.2.1 基于邊緣的圖像分割方法20
• 2.2.2 基于區(qū)域的圖像分割方法20-21
• 2.2.3 基于閾值的圖像分割方法21
• 2.2.4 與特定理論相結(jié)合的圖像分割方法21-22
• 2.3 Mean Shift圖像分割算法理論22-25
• 2.3.1 Mean Shift算法原理22-24
• 2.3.2 Mean Shift算法處理流程24-25
• 2.4 本章小結(jié)25-26
• 第三章 異構(gòu)計(jì)算相關(guān)基礎(chǔ)26-38
• 3.1 異構(gòu)計(jì)算簡介26-29
• 3.1.1 異構(gòu)計(jì)算概述26-27
• 3.1.2 GPU體系結(jié)構(gòu)概述27-29
• 3.1.3 CPU與GPU架構(gòu)的區(qū)別29
• 3.2 異構(gòu)系統(tǒng)編程模型29-35
• 3.2.1 MPI編程模型介紹29-32
• 3.2.2 OpenCL編程模型介紹32-35
• 3.3 異構(gòu)系統(tǒng)的任務(wù)調(diào)度35-37
• 3.4 本章小結(jié)37-38
• 第四章 基于GPU集群的Mean Shift圖像分割算法并行化實(shí)現(xiàn)38-65
• 4.1 Mean Shift串行算法處理流程38-39
• 4.2 Mean Shift串行算法熱點(diǎn)分析39-43
• 4.3 Mean Shift算法并行化分析與設(shè)計(jì)43-52
• 4.3.1 Mean Shift算法整體并行化思路43-44
• 4.3.2 Mean Shift算法并行化策略44-45
• 4.3.3 Mean Shift并行算法的實(shí)現(xiàn)45-48
• 4.3.4 Mean Shift算法并行化實(shí)驗(yàn)分析48-52
• 4.4 Mean Shift算法并行化優(yōu)化52-60
• 4.4.1 優(yōu)化一：數(shù)據(jù)傳輸和讀取方式優(yōu)化53-54
• 4.4.2 優(yōu)化二：數(shù)據(jù)分配方式優(yōu)化54-57
• 4.4.3 Mean Shift并行算法優(yōu)化測試57-60
• 4.5 GPU集群多任務(wù)調(diào)度60-63
• 4.6 本章小結(jié)63-65
• 第五章 基于GPU集群的并行Mean Shift算法應(yīng)用65-72
• 5.1 遙感圖像變化檢測概述65-66
• 5.2 基于GPU集群的并行Mean Shift圖像分割的變化檢測66-67
• 5.3 圖像分割及變化檢測測試67-71
• 5.3.1 變化檢測性能評(píng)價(jià)指標(biāo)67
• 5.3.2 實(shí)驗(yàn)數(shù)據(jù)說明67-69
• 5.3.3 實(shí)驗(yàn)測試分析69-71
• 5.4 本章小結(jié)71-72
• 第六章 總結(jié)與展望72-74
• 6.1 研究總結(jié)72
• 6.2 研究展望72-74
• 致謝74-75
• 參考文獻(xiàn)75-80
• 攻讀碩士學(xué)位期間取得的成果80-81

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李宏益;吳素萍;;Mean Shift圖像分割算法的并行化[J];中國圖象圖形學(xué)報(bào);2013年12期

2 龔建周;陳健飛;劉彥隨;;基于E0-1 Hyperion影像地物識(shí)別與分類不同方法的效果比較[J];應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào);2013年03期

3 劉慧明;張峰;宋創(chuàng)業(yè);;基于NDVI假彩色合成法的土地覆被變化監(jiān)測[J];生態(tài)科學(xué);2013年03期

4 周家香;朱建軍;馬慧云;梅小明;;改進(jìn)的Mean-Shift遙感影像分割方法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

5 李文石;姚宗寶;;基于阿姆達(dá)爾定律和蘭特法則計(jì)算多核架構(gòu)的加速比[J];電子學(xué)報(bào);2012年02期

6 孫曉霞;張繼賢;燕琴;高井祥;;遙感影像變化檢測方法綜述及展望[J];遙感信息;2011年01期

7 丁亮;張永平;張雪英;;圖像分割方法及性能評(píng)價(jià)綜述[J];軟件;2010年12期

8 張繁;王章野;姚建;吳韜;彭群生;;應(yīng)用GPU集群加速計(jì)算蛋白質(zhì)分子場[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2010年03期

9 吳煒;沈占鋒;駱劍承;陳秋曉;胡曉東;;均值漂移高分辨率遙感影像多尺度分割的集群實(shí)現(xiàn)[J];計(jì)算機(jī)工程與應(yīng)用;2009年34期

10 李艷靈;沈軼;;基于共軛梯度法的快速M(fèi)ean Shift圖像分割[J];光電工程;2009年08期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 羅旺;遙感圖像的變化檢測與標(biāo)注方法研究[D];電子科技大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 馬俊峰;基于OpenCL的多GPU并行計(jì)算的研究與應(yīng)用[D];哈爾濱理工大學(xué);2014年

2 熊羽;遙感圖像變化檢測研究[D];昆明理工大學(xué);2013年

3 付云鳳;基于閾值的圖像分割研究[D];重慶大學(xué);2013年

4 盧建華;基于直方圖閾值法的遙感圖像分割算法研究[D];福建農(nóng)林大學(xué);2013年

5 范元章;多時(shí)相遙感圖像變化檢測方法研究[D];西安電子科技大學(xué);2010年

，

本文編號(hào)：633149