تقسیم بندی موازی تصویر با Reduction-Sweeps بر روی پردازنده چند هسته ای و GPU
چکیده
ما در این مقاله الگوریتم Reduction-Sweeps ، یک الگوریتم تقسیم بندی تصویر مبتنی بر گراف جدید را معرفی می کنیم که برای موازی سازی ساده طراحی شده است. که بر اساس رویکرد خوشه بندی متمرکز بر ویژگی های تصویر محلی می باشد. هر پیکسل بطور ضمنی به روش مستقل با همسایگانش مقایسه شده است، و آنهایی که با توجه به معیار رنگ به اندازه کافی مشابه می باشند بهم پیوند خورده اند. ما در حالیکه همچنان کیفیت عینی نتایج را حفظ می کنیم به زمانهای اجرای سریع دست می یابیم. الگوریتم در چهار پیاده سازی مختلف ارائه شده است: CPU (واحد پردازنده مرکزی)ترتیبی، CPU موازی، GPU (واحد پردازش گرافیکی)و CPU-GPU ترکیبی. ما زمانهای اجرای چهار نسخه را با یکدیگر و با دیگر الگوریتم های تقسیم بندی تصویر مرتبط نزدیک به آنها، مقایسه میکنیم.
1-مقدمه
تقسیم بندی تصویر یک روش پردازش تصویر است که یک تصویر را به قطعات یا بخش های مرتبط تقسیم می کند. تمام پیکسل ها در یکی از این بخش ها بر اساس برخی معیارها، مانند رنگ یا شدت نور مشابه هستند. با تشکیل این دسته از عناصر مشابه، فرآیند نویز را حذف کرده و آنالیز بعدی را تسهیل می کند.تقسیم بندی یک مرحله بسیار مهم برای بسیاری از برنامه های کاربردی است که برای تشخیص اشیاء یا مرزها در تصویرمهم می باشد. برخی از مثالها عبارتند از: تشخیص الگوی به کار رفته برای تصویربرداری پزشکی [1] [2]؛ شناسایی شی برای AI و رباتیک[3] [4]؛ و برچسب گذاری و طبقه بندی محتوا درتصاویر [5] [6].تحقیقات زیادی بر روی این موضوع انجام شده است، اما بسیاری از رویکردها ذاتا در طبیعت ترتیبی هستند، و ایجاد آنها برای موازی کردن دشوار می باشد. چند روش وجود دارد که در آنها موازی سازی به وسیله تقسیم کردن تصویر، اجرای الگوریتم بر روی هر یک از قطعات، و سپس با دوختن مرزها بین نتایج به دست می آید. این راه حل ممکن است بهتر از یک راه حل صرفا ترتیبی از لحاظ عملکرد باشد، اما هنوز برای بسیاری از برنامه های کاربردی ایده آل نیست. ما الگوریتم تقسیم بندی تصویر مبتنی بر گراف طراحی شده با به موازی سازی آسان و موثر در ذهن را ارائه می دهیم. زیرا فقط از ویژگی های تصویر محلی استفاده می کند، و الگوریتمSweep Reduction می تواند به طور مستقل بخشهای مختلف تصویر را مقایسه و به هم متصل کند. که منجر به اجرای سریعتر بدون از دست دادن کیفیت عینی می گردد. هیچ اطلاعات قبلی از تصویر مورد نیاز نیست، هرچند بهینه سازی پارامترها ممکن است منجر به نتایج بهتر برای تصاویر فردی گردد. این مقاله به شرح زیر می باشد: بخش دوم خلاصه ای از تحقیقات مربوط به تقسیم بندی تصویر را ارائه می دهد. بخش سوم الگوریتم Reduction Sweep را ارائه داده و جزئیات مراحل آن را توضیح می دهد. بخش چهار، چهار پیاده سازی مختلف الگوریتم را شرح می دهد. بخش پنج نتایج را ارائه می دهد در حالیکه بخش شش نتایج را استخراج کرده و برخی از مسیرهای آینده را معرفی می کند.
Abstract
In this paper we introduce the Reduction Sweep algorithm, a novel graph-based image segmentation algorithm that is designed for easy parallelization. It is based on a clustering approach focusing on local image characteristics. Each pixel is compared with its neighbors in an implicitly independent manner, and those deemed sufficiently similar according to a color criterion are joined. We achieve fast execution times while still maintaining the visual quality of the results. The algorithm is presented in four different implementations: sequential CPU, parallel CPU, GPU, and hybrid CPU-GPU. We compare the execution times of the four versions with each other and with other closely related image segmentation algorithms.
I. INTRODUCTION
Image segmentation is an image processing technique that divides an image into contiguous regions, or segments. All pixels in one of these segments are similar according to some criterion, such as color or intensity. By forming these clusters of similar elements, the process eliminates noise and facilitates posterior analysis. Segmentation is a crucial step for many applications where it is important to discern objects or boundaries within the image. Some examples are: pattern recognition applied to medical imaging [1] [2]; object recognition for AI and robotics [3] [4]; and the labeling and categorization of content in images [5] [6]. There has been much research done on the subject, but many of the approaches are inherently sequential in nature, making them difficult to parallelize. There are some methods in which parallelization is achieved by dividing the image, executing the algorithm over each of the parts, then stitching the borders between results. This solution may be better than a purely sequential one in terms of performance, but it is still not ideal for many applications. We present a graph-based image segmentation algorithm designed with easy and efficient parallelization in mind. Because it only uses local image characteristics, the Reduction Sweep algorithm can compare and join many different regions of the image independently. This leads to faster execution without sacrificing visual quality. No prior knowledge of the image is required, although tweaking the parameters may lead to better results for individual images. This paper is organized as follows: Section II provides a brief overview of related research on image segmentation. Section III presents the Reduction Sweep algorithm and explains its steps in detail. Section IV describes the four different implementations of the algorithm. Section V presents the results while section VI draws some conclusions and provides some future directions.
چکیده
1-مقدمه
2-کار مرتبط
3- الگوریتم
الف-مجموعه نامرتب
ب- معیار ادغام
پ- ترتیب Sweep
د- Post-process
4 -پیاده سازی
5- نتایج
6- نتیجه گیری
Abstract
I. INTRODUCTION
II. RELATED WORK
III. ALGORITHM
A. The disjoint set
B. Merge criterion
C. Sweep Order
D. Post-process
IV. IMPLEMENTATION
V. RESULTS
VI. CONCLUSIONS
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه