Глава 6. Обработка изображений на высокопроизводительных вычислительных системах параллельной архитектуры.


В шестой главе рассмотрены вопросы повышения производительности обработки изображений за счет использования параллельных вычислений. Приведен анализ существующих вариантов программного обеспечения и аппаратной реализации многопроцессорных систем. Описан созданный на УВЦ ФПК МИИГАиК многопроцессорный аппаратно-программный комплекс. Изложена разработанная методология определения оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания алгоритмов обработки изображений.

Одним из путей повышения эффективности цифровой обработки изображений является использование многопроцессорных вычислительных систем. Локальные сети, специально собранные для использования в качестве многопроцессорной системы, компактно размещенные в одном или нескольких шкафах, оснащенные программным обеспечением, ориентированным исключительно на управление установкой как единым целым, называются кластерами выделенных рабочих станций.

В идеале решение задачи на L процессорах должно выполняться в L раз быстрее, чем на одном процессоре, или/и должно позволить решить задачу с объемами данных, в L раз большими. На самом деле такое ускорение практически никогда не достигается.

Существует три возможности распаралле­ливания вычислений: первая - распаралле­ливание по структурам данных; вторая - распаралле­ливание по алгоритмам преобразований; третья заключается в использовании различных комбина­ций первых двух.

Алгоритмическое распаралле­ливание представляет собой задачу, решение которой полностью зависит от вида конкретного алгоритма. В тоже время отличительной особенностью задач обработки изображений является наличие "естественного" параллелизма по данным. Распараллеливание по данным предполагает разбиение входных данных на порции, например - разбиение изображения на несколько областей, обработка которых ведется независимо и од­новременно, с применением одного и того же алгоритма. В общем случае разбиение входных данных предполагает сбор и интегра­цию результатов обработки отдельных порций. Распараллеливание, свя­занное с декомпозицией данных, опирается на структуры данных, встречающиеся в обработке изображений. Ряд алгоритмов решения задач классификации изображений не требуют одновременного обращения ко всем элементам изо­бражения и используют построчное (постолбцовое) сканирование, при этом в каждый момент времени обрабатывается один элемент изображения. К ним относятся такие широко используемые алгоритмы:

- классификация по минимуму расстояния;

- классификация гиперпараллелепипедным методом;

- классификация по принципу максимального правдоподобия.

При решении задач предварительной обработки наиболее широко используются различные виды пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая, сравнительно небольшая, окрестность обрабатываемого элемента изображения.

Рассмотрим разбиение изображения на (возможно, пересекающиеся) полосы в направлении, перпендикулярном направлению построчного (постолб­цового) сканирования. Этот способ удовлетворяет требованиям, обычно предъявляемым обработкой в реальном време­ни, снимает необходимость обмена промежуточными результатами между параллельными процессами выполнения локальных операций и легко реализуется как программно, так и аппаратно. Процесс сборки результирующего изображения состоит из действий, в точности противоположных разбиению.

Для проведения оценки эффективности многопроцессорной классификации, использующей поэлементное сканирование изображений, введем следующие обозначения:

tвып – время обработки одной строки (столбца) данных;

tпер – время пересылки одной строки (столбца) данных (включает в себя время пересылки при разбиении данных, время пересылки при сборке данных и время задержки, связанной с возможной несинхронной работой процессоров);

l – число задействованных процессоров;

n – число строк (столбцов) обрабатываемого изображения.

Определим параметр t как отношение времени пересылки ко времени выполнения

t = tпер/ tвып (12)

С учетом введенных обозначений была получена следующая формула, определяющая зависимость выигрыша от числа процессоров K(l) для алгоритмов, использующих поэлементное сканирование изображений

K(l)= (13)

Максимальный выигрыш Kmax в этом случае определяется выражением

Kmax = (14)

Несколько более сложным является процесс распараллеливания по данным задач предварительной обработки пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая окрестность обрабатываемого элемента изображения. Поэтому разбиение изображения необходимо осуществлять на пересекающиеся полосы в направлении, перпендикулярном направлению построчного (постолб­цового) сканирования. Введем обозначение

w – размер окна используемого пространственного фильтра.

Выражение для определения выигрыша K в этом случае примет следующий вид

K= (15)

А выражение для определения максимального значения выигрыша Kmax

(16)

Результаты исследований, описанных в главе 6, показывают, что эффективность использования распараллеливания по данным обработки изображений алгоритмами, использующими поэлементное сканирование, и скользящими пространственными фильтрами резко возрастает с уменьшением отношения времени пересылки к времени выполнения t в интервале значений 0.2 – 0. Для алгоритмов фильтрации скользящими окнами время выполнения возрастает пропорционально квадрату линейного размера окна, поэтому распараллеливание наиболее эффективно при использовании фильтров с окнами большого размера.

Заключение

Результаты исследований, представленные в данной работе, можно рассматривать как решение актуальной научной проблемы тематической обработки изображений земной поверхности на основе многоуровневых алгоритмов сегментации.

В ходе выполнения научно-исследовательских работ достигнута основная цель диссертационной работы - разработаны теория и практическая методология тематической обработки изображений на основе многоуровневой классификации. Проведены экспериментальные исследования возможностей повышения эффективности автоматизированной сегментации АКС за счет использования методологии многоуровневой тематической обработки при решении различных задач.

Основные результаты и выводы диссертационной работы заключаются в следующем:

- разработаны теория и методология тематической обработки на основе многоуровневой классификации, с использованием структурно-пространственной модели исследуемых изображений;

- разработаны методология выделения элементов пространственной структуры и теоретическая схема построения структурно-пространственной модели;

- созданы новые алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений;

- предложен новый вид информационных признаков (спектрально-контекстные), который позволяет существенно увеличить число выделяемых классов точечных объектов;

- проведено экспериментальное исследование методик тематической сегментации многозональных аэрокосмических изображений на основе многоуровневой классификации для определения природно-хозяйственных объектов исследуемых территорий;

- разработана методика многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения;

- разработана методика автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки;

- разработана методика количественной оценки эффективности распараллеливания и расчета оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами классификации, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами.

- проведены экспериментальные исследования эффективности разработанных методологий тематической сегментации аэрокосмических изображений земной поверхности, полученных методами дистанционного зондирования.

Экспериментальные исследования показали, что использование алгоритмов многоуровневой сегментации при тематической обработке материалов многозональной съемки позволяет повысить достоверность сегментации значительного числа объектов.

Экспериментальное исследование тематической обработки радиолокационных снимков показало возможность эффективного использования автоматизированных методов сегментации.

Разработанная методика автоматизированной тематической обработки данных тепловизионной аэросъемки для мониторинга состояния теплотрасс, с использованием локальных классификаторов, позволяет сократить временные затраты на обработку и значительно повысить оперативность получения информации.

1.



Дата добавления: 2016-06-18; просмотров: 2594;


Поиск по сайту:

Воспользовавшись поиском можно найти нужную информацию на сайте.

Поделитесь с друзьями:

Считаете данную информацию полезной, тогда расскажите друзьям в соц. сетях.
Poznayka.org - Познайка.Орг - 2016-2024 год. Материал предоставляется для ознакомительных и учебных целей.
Генерация страницы за: 0.009 сек.