基于GPU集群的Mean Shift遥感图像分割算法并行化研究

发布时间：2017-08-07 06:12

  本文关键词：基于GPU集群的Mean Shift遥感图像分割算法并行化研究

  更多相关文章： Mean Shift算法 异构GPU集群 图像分割算法 OpenCL 变化检测

【摘要】：多年来虽然涌现出了多种遥感图像分割算法,但是遥感图像分割仍然存在分割精度低、适应性差的问题。作为图像分割领域比较经典的算法,Mean Shift算法是一种基于特征向量的聚类算法,被广泛应用在目标追踪、图像噪声平滑、图像分割等领域。虽然Mean Shift图像分割算法适应性强,具有较好的分割精度,但是它是一种计算密集型算法,随着图像像素数据量的增大,Mean Shift算法计算量呈现出指数级的增长趋势。当前,为了提升Mean Shift算法效率,解决Mean Shift算法性能瓶颈问题的主要方式是采用基于CUDA的单节点GPU加速来提升算法运算速度。然而,当前在这类研究中却存在以下两个问题:(1)使用CUDA编程模型实现的算法局限于特定的NVIDIA平台,不能在AMD或Intel等厂商的GPU上运行,并行算法的可移植性和通用性较差;(2)单GPU平台不能满足多幅遥感图像同时处理的需求。为解决Mean Shift图像分割算法的性能问题,本文有针对性的在异构计算系统GPU集群平台上对该算法进行并行化设计与应用研究,在该异构平台上CPU和GPU相互协作可以最大程度提升算法效率。具体的研究内容分为以下几点:(1)设计并实现Mean Shift图像分割并行算法,在单GPU节点上探索性能优化方法。首先,实现可以在Linux环境下运行的串行算法;其次,使用Intel VTune性能分析工具分析串行算法性能问题,定位串行算法热点;再次,分析串行算法的性能瓶颈,设计相应的算法并行化策略;然后,概括并行框架和并行流程,使用异构计算编程模型OpenCL实现相应的并行算法;最后,从数据传输和数据分配两个方面出发,对已完成的并行算法进行优化,进一步提升并行算法的效率。(2)将并行算法移植到异构GPU集群平台,提出一个合适的任务调度和负载均衡策略应用到大规模遥感图像处理应用程序中。调度策略的实现依赖于MPI和OpenCL两种编程模型,MPI用于不同节点间的粗粒度的任务划分,OpenCL用于GPU节点工作项细粒度的负载均衡,以及计算单元中计算的实现。(3)将我们提出的方法与特定应用相结合,本文通过研究多时相遥感图像变化检测应用问题来验证所提方法的正确性和有效性。对上述研究内容进行测试分析,实验结果数据表明:在单GPU平台上,我们设计的并行算法获得了良好的加速比;在并行算法优化时,针对工作项的负载不均衡问题,重新设计工作项的数据分配策略,解决了算法加速比与OpenCL工作项数目的相关性问题,使得工作项数目变化时算法加速比可以稳定在某个区间;在GPU集群上实现了并行算法,算法的加速比基本与GPU节点数目成线性关系,基本解决了GPU集群的负载调度问题;此外,在多时相遥感图像变化检测领域的实验示例中,通过Mean Shift图像分割算法与图像差值法的结合研究,获得了良好的检测精度,验证了Mean Shift图像分割算法在多时相遥感图像变化检测领域应用的可行性。
【关键词】：Mean Shift算法 异构GPU集群 图像分割算法 OpenCL 变化检测
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-19
• 1.1 研究背景与意义11-12
• 1.2 国内外研究现状12-16
• 1.3 研究内容与技术路线16-18
• 1.3.1 研究内容16-17
• 1.3.2 技术路线17-18
• 1.4 本文组织结构18-19
• 第二章 图像分割知识概述19-26
• 2.1 图像分割的概念19-20
• 2.2 图像分割算法分类20-22
• 2.2.1 基于边缘的图像分割方法20
• 2.2.2 基于区域的图像分割方法20-21
• 2.2.3 基于阈值的图像分割方法21
• 2.2.4 与特定理论相结合的图像分割方法21-22
• 2.3 Mean Shift图像分割算法理论22-25
• 2.3.1 Mean Shift算法原理22-24
• 2.3.2 Mean Shift算法处理流程24-25
• 2.4 本章小结25-26
• 第三章 异构计算相关基础26-38
• 3.1 异构计算简介26-29
• 3.1.1 异构计算概述26-27
• 3.1.2 GPU体系结构概述27-29
• 3.1.3 CPU与GPU架构的区别29
• 3.2 异构系统编程模型29-35
• 3.2.1 MPI编程模型介绍29-32
• 3.2.2 OpenCL编程模型介绍32-35
• 3.3 异构系统的任务调度35-37
• 3.4 本章小结37-38
• 第四章 基于GPU集群的Mean Shift图像分割算法并行化实现38-65
• 4.1 Mean Shift串行算法处理流程38-39
• 4.2 Mean Shift串行算法热点分析39-43
• 4.3 Mean Shift算法并行化分析与设计43-52
• 4.3.1 Mean Shift算法整体并行化思路43-44
• 4.3.2 Mean Shift算法并行化策略44-45
• 4.3.3 Mean Shift并行算法的实现45-48
• 4.3.4 Mean Shift算法并行化实验分析48-52
• 4.4 Mean Shift算法并行化优化52-60
• 4.4.1 优化一：数据传输和读取方式优化53-54
• 4.4.2 优化二：数据分配方式优化54-57
• 4.4.3 Mean Shift并行算法优化测试57-60
• 4.5 GPU集群多任务调度60-63
• 4.6 本章小结63-65
• 第五章 基于GPU集群的并行Mean Shift算法应用65-72
• 5.1 遥感图像变化检测概述65-66
• 5.2 基于GPU集群的并行Mean Shift图像分割的变化检测66-67
• 5.3 图像分割及变化检测测试67-71
• 5.3.1 变化检测性能评价指标67
• 5.3.2 实验数据说明67-69
• 5.3.3 实验测试分析69-71
• 5.4 本章小结71-72
• 第六章 总结与展望72-74
• 6.1 研究总结72
• 6.2 研究展望72-74
• 致谢74-75
• 参考文献75-80
• 攻读硕士学位期间取得的成果80-81

【参考文献】

中国期刊全文数据库 前10条

1 李宏益;吴素萍;;Mean Shift图像分割算法的并行化[J];中国图象图形学报;2013年12期

2 龚建周;陈健飞;刘彦随;;基于E0-1 Hyperion影像地物识别与分类不同方法的效果比较[J];应用基础与工程科学学报;2013年03期

3 刘慧明;张峰;宋创业;;基于NDVI假彩色合成法的土地覆被变化监测[J];生态科学;2013年03期

4 周家香;朱建军;马慧云;梅小明;;改进的Mean-Shift遥感影像分割方法[J];中南大学学报(自然科学版);2012年02期

5 李文石;姚宗宝;;基于阿姆达尔定律和兰特法则计算多核架构的加速比[J];电子学报;2012年02期

6 孙晓霞;张继贤;燕琴;高井祥;;遥感影像变化检测方法综述及展望[J];遥感信息;2011年01期

7 丁亮;张永平;张雪英;;图像分割方法及性能评价综述[J];软件;2010年12期

8 张繁;王章野;姚建;吴韬;彭群生;;应用GPU集群加速计算蛋白质分子场[J];计算机辅助设计与图形学学报;2010年03期

9 吴炜;沈占锋;骆剑承;陈秋晓;胡晓东;;均值漂移高分辨率遥感影像多尺度分割的集群实现[J];计算机工程与应用;2009年34期

10 李艳灵;沈轶;;基于共轭梯度法的快速Mean Shift图像分割[J];光电工程;2009年08期

中国博士学位论文全文数据库 前1条

1 罗旺;遥感图像的变化检测与标注方法研究[D];电子科技大学;2012年

中国硕士学位论文全文数据库 前5条

1 马俊峰;基于OpenCL的多GPU并行计算的研究与应用[D];哈尔滨理工大学;2014年

2 熊羽;遥感图像变化检测研究[D];昆明理工大学;2013年

3 付云凤;基于阈值的图像分割研究[D];重庆大学;2013年

4 卢建华;基于直方图阈值法的遥感图像分割算法研究[D];福建农林大学;2013年

5 范元章;多时相遥感图像变化检测方法研究[D];西安电子科技大学;2010年

，

本文编号：633149