CN113064726B - 基于稀疏性和Burer-Monteiro分解的分布式图像分割方法 - Google Patents
基于稀疏性和Burer-Monteiro分解的分布式图像分割方法 Download PDFInfo
- Publication number
- CN113064726B CN113064726B CN202110358334.6A CN202110358334A CN113064726B CN 113064726 B CN113064726 B CN 113064726B CN 202110358334 A CN202110358334 A CN 202110358334A CN 113064726 B CN113064726 B CN 113064726B
- Authority
- CN
- China
- Prior art keywords
- computer node
- column
- variable
- local
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于稀疏性和Burer‑Monteiro分解的分布式图像分割方法,能够针对大规模图像数据的分布式图像进行分割。首先针对待分割图像构建像素数据拓扑图。利用拓扑图的邻接矩阵的稀疏性,将待分割图像的像素数据平均分配到m个不同的计算机节点上,每个计算机节点均构建分布式图像分割优化子问题。根据每个计算机节点分配到的像素数据,以及不同计算机节点之间的本地图像数据信息的中元素的耦合关系,确定不同计算机节点的本地列变量。每个计算机节点根据本地时钟,在其时钟周内根据接收到的通信信息进行本地列变量的迭代更新,直至每个计算机节点都得到优化的本地列向量;利用每个计算机节点得到的优化的本地列向量完成对图像的分割。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于稀疏性和Burer-Monteiro 分解的分布式图像分割算法。
背景技术
图像分割作为图像分析和计算机视觉领域中一个重要任务和经典难题,已经成为图像理解领域关注的热点。图像分割的主要目的是根据图像的灰度、色彩、纹理等特征相似度,将图像分割为互不相交的各个特征区域,使得特征在同一区域中表现出一致性。简言之,就是将感兴趣的目标从背景中分割出来。图像分割作为图像分析的第一步,其分割质量对于后续的图像处理具有重要影响。随着图像处理技术在越来越多的场景中广泛应用,图像分割变得愈发重要,也吸引了越来越多的研究。
图像分割方法有很多,主要分为传统的分割算法和结合特定工具的图像分割算法,涵盖了基于阈值的分割、基于区域的分割、基于边缘检测的分割、基于小波分析的分割、基于遗传算法的分割、基于深度学习的分割等。近些年来,基于图论的聚类算法作为一种新型工具被应用于图像分割,其本质是将图像分割转为最优化问题,即最大割问题(MAXCUT问题)。由于最大割问题为NP-hard 问题,Goemans和Williamson使用半定规划(SDP)给出了最大割问题的最优近似,有效的推动了最大割问题的高效求解。然而,半正定规划中所优化的变量为矩阵变量,随着图像尺寸的增加,这些图像分割算法所需要的存储空间和计算能力都会迅速增加,导致了图像分割时间的延长,而目前还没有能够实现高像素大尺寸图像分割的通用解决方案。随着网络系统的飞速发展,为了解决各种大规模的图像、视频和文本等数据处理任务,越来越多的应用联合多个计算机来进行大量数据的处理,提高处理数据的能力和速度。
因此,对于大尺寸高像素的图像数据,如何进行高效的、可靠的图像分割是目前亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种基于稀疏性和Burer-Monteiro分解的分布式图像分割方法,能够针对大规模图像数据的分布式图像进行分割,解决大规模图像分割的存储问题和计算问题,提高图像分割的效率,具有良好的可扩展性和鲁棒性。
为达到上述目的,本发明的技术方案为:一种基于稀疏性和Burer-Monteiro 分解的分布式图像分割方法,包括如下步骤:
S1:针对待分割图像构建像素数据拓扑图,拓扑图的邻接矩阵为M。
S2:利用拓扑图的邻接矩阵的稀疏性,基于团树思想,将待分割图像的像素数据平均分配到m个不同的计算机节点上,每个计算机节点均构建分布式图像分割优化子问题。
分布式图像分割优化子问题为:利用Burer-Monteiro分解,将最优近似的半定规划SDP问题转为单位球流体上的优化问题,其中的优化变量由半正定矩阵变量估计转为一般矩阵变量。
S3:根据每个计算机节点分配到的像素数据,以及不同计算机节点之间的本地图像数据信息的中元素的耦合关系,确定不同计算机节点的本地列变量,包括本地解耦列变量和耦合通信列变量。
S4、每个计算机节点根据本地时钟,在其时钟周内根据接收到的通信信息进行本地列变量的迭代更新,直至每个计算机节点都得到优化的本地列向量;
S5、利用每个计算机节点得到的优化的本地列向量完成对图像的分割。
进一步地,针对待分割图像构建像素数据拓扑图,拓扑图的邻接矩阵为M,具体为:
M(i,j)=max((2[‖rgb(i)-rgb(j)‖2>t]-1)‖rgb(i)-rgb(j)‖2,0),
其中,M(i,j)表示矩阵M的第(i,j)个元素;rgb(i)和rgb(j)分别代表第i个和第j个像素点的颜色信息;t为预设的可调节阈值;max(*,0)的输出为*和0两者中的较大值。
进一步地,利用拓扑图的邻接矩阵的稀疏性,基于团树思想,将待分割图像的像素数据平均分配到m个不同的计算机节点上,每个计算机节点均构建分布式图像分割优化子问题,具体为:
其中为求解和的内积;第i个个体计算机节点;为计算机节点对应优化变量的矩阵中的第j列的列向量(本地列变量);为计算机节点对应所优化变量的列向量的组合;表示第i个计算机节点和第 j个计算机节点之间存在连接边;为计算机节点对应所优化变量的列向量的组合;对于中的计算机节点s,即计算机节点对应优化变量的矩阵中的第s列的列向量等于计算机节点对应优化变量的矩阵中的第s列的的列向量。
接下来,求解分布式图像分割优化子问题,得到每个个体计算机节点对应的优化变量,具体如下。
每个计算机节点根据本地时钟,在其时钟周内根据接收到的通信信息进行本地列变量的迭代更新,直至每个计算机节点都得到优化的本地列向量,包括如下步骤:
S401:指定最先分配像素数据的计算机节点为1号节点,之后按照分配像素数据的顺序,依次类推;如果两个计算机节点的列变量集合存在交集,则编号低的计算机节点为子节点,编号高的计算机节点为父节点,计算机节点的所有父节点组成父辈个体计算机节点的所有子节点组成子辈进而得到个体计算机节点和父辈 之间的列变量交集索引和余集索引并得到个体计算机节点和子辈之间的列变量交集索引
S402:计算机节点根据本地时钟,在每个时钟周期内均执行一次如下迭代:
从计算机节点的接收缓冲区中取出通信信息,并根据如下S4021~S4022进行全部本地列变量的迭代:
其中,时,为更新后的本地解耦列向量;为更新前的本地解耦列变量;为的本地矩阵对应全局邻接矩阵M中索引为(j,l)的矩阵元素;时刻是子辈个体进行变量更新的时刻;对于本地的解耦列变量集合中不属于子代列变量的部分子代的通信信息为为迭代更新步长;函数
进一步地,S5具体为:当前计算机节点得到的优化的本地列向量的维度为 p;随机生成对应维度p的单位向量,利用单位向量和优化的本地列向量进行内积,如果内积小于0,则设置结果变量对应位置的像素值为0,否则为255,再将结果变量转为对应待分割图像维度的矩阵,由此完成对待分割图像的分割。
有益效果:
本发明提供了一种基于稀疏性和Burer-Monteiro分解的分布式异步图像分割算法,利用图像分割问题的稀疏性,建立分布式最大割问题,将大规模图像数据分配到多计算机网络中的不同个体上。每个计算机只利用本地的分配数据进行图像分割,同时为了保证图像分割的整体效果,通过网络和其他计算机进行计算变量的通信。所设计的分布式图像分割算法,通过联合网络中不同计算机,极大地降低了大规模图像分割的存储负担和计算负担。
本发明提供了一种基于稀疏性和Burer-Monteiro分解的分布式异步图像分割算法,通过利用凸估计技术,将大规模图像数据的分割问题转换为半正定规划问题,进一步为了降低计算复杂度,避免半正定投影运算,基于优化问题解的低秩性,利用Burer-Monteiro分解,将半正定变量转为单位球流体上的普通矩阵变量,降低了优化变量的维度。通过以上变化,可以降低半正定规划的计算难度,提高算法的计算效率。
本发明提供了一种基于稀疏性和Burer-Monteiro分解的分布式异步图像分割算法,可以联合网络中多个计算机的算力来进行大规模图像的分割。在所提出的分布式图像分割算法中,每个计算机根据本地时钟进行优化变量的迭代更新,个体之间无需进行时钟同步,提高了分布式算法的实用价值。同时,网络中不同计算机在进行算法迭代时,无需保持个体之间的网络通讯,只需要在一段时间内的个体连通,因此可以一定程度上容忍网络攻击和网络延迟等问题,具有良好的可扩展性和鲁棒性。
附图说明
图1为本发明的分布式图像分割算法的图像数据预处理和分布化子流程图。
图2为本发明的多计算机网络中分布式图像分割算法的主流程图。
图3为本发明实施例的不同计算机节点的图像数据分配示意图。
图4为本发明实施例的像素数据图的示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提出了一种基于稀疏性和Burer-Monteiro分解的分布式图像分割算法,如图1和图2流程所示,该方法包含如下步骤:
S1:建立图像对应的像素数据拓扑图,拓扑图的邻接矩阵为M。
将像素尺寸为S1×S2图像中的每个像素作为像素数据拓扑图的一个节点,根据每个像素的颜色信息建立不同节点之间的相似度对称矩阵全局邻接矩阵n=S1×S2,为n×n的实数矩阵,n为拓扑图的邻接矩阵M的尺寸。
计算方式如下:
M(i,j)=max((2[‖rgb(i)-rgb(j)‖2>t]-1)‖rgb(i)-rgb(j)‖2,0),
其中,表示矩阵M(i,j)的第(i,j)个元素;rgb(i)和rgb(j)分别代表第i个和第 j个像素点的颜色信息;t为可调节阈值。max(a,0)的输出为a和0中的较大值。其中,不同像素节点之间的连接关系如图4所示,不同像素节点之间的连接关系构成像素数据图的边集。由此得到一个和图像颜色信息相关的大规模稀疏矩阵M。
S2:利用拓扑图的邻接矩阵的稀疏性,基于团树思想,将待分割图像的像素数据平均分配到m个不同的计算机节点上,每个计算机节点均构建分布式图像分割优化子问题。
分布式图像分割优化子问题为:利用Burer-Monteiro分解,将最优近似的半定规划SDP问题转为单位球流体上的优化问题,其中的优化变量由半正定矩阵变量估计转为一般矩阵变量;
为了平衡不同计算机节点的计算负担,平均分配图像像素数据到m个不同的计算机节点。基于团树思想,m个节点构成计算机节点集合根据每个计算机只知道部分像素图的邻接矩阵信息的耦合关系,确定节点之间的连接边集如图3所示。建立如下相应的分布式优化问题,每个子问题的优化变量为矩阵变量估计
其中为求解和的内积;第i个个体计算机节点;为计算机节点对应优化变量的矩阵中的第j列的列向量(本地列变量);为计算机节点对应所优化变量的列向量的组合;为计算机节点对应优化变量的列向量的组合;表示第i个计算机节点和第j个计算机节点之间存在连接边;为计算机节点对应所优化变量的列向量的组合;对于中的计算机节点s,即计算机节点对应优化变量的矩阵中的第s列的列向量等于计算机节点对应优化变量的.矩阵中的第s列的的列向量。
接下来的步骤求解分布式图像分割优化子问题,得到每个个体计算机节点对应的优化变量。
S3:根据每个计算机节点分配到的像素数据,以及不同计算机节点之间的本地图像数据信息的中元素的耦合关系,确定不同计算机节点的本地列变量,包括本地解耦列变量和耦合通信列变量;
根据计算机节点的邻接矩阵元素对应的全局矩阵M的第(i,j)个元素是否为零,确定节点的本地列变量并记录其索引集合根据不同个体之间本地列变量索引集合的交集,得到个体之间的耦合通信列变量和个体的解耦列变量,耦合通信列变量的索引为
S4:每个计算机节点根据本地时钟,在其时钟周内根据接收到的通信信息进行本地列变量的迭代更新,直至每个计算机节点都得到优化的本地列向量,包括如下步骤:
S401:指定最先分配像素信息的计算机节点为1号节点,后面的依次类推。如果两个节点的列变量集合存在交集,则编号低的节点为子节点,编号高的节点为父节点。由步骤4可以得到个体和父辈之间的列变量交集索引和余集索引以及个体和子辈之间的列变量交集索引
S402:
在完成以上的图像数据预处理和分布化以后,计算机节点根据本地时钟,在每个本地时钟周期内均执行一次如下迭代:
从计算机节点的接收缓冲区中取出通信信息,并根据如下S4021~S4022进行全部本地列变量的迭代:
其中,其中,时,为更新后的本地解耦列向量;为更新前的本地解耦列变量;为的本地矩阵对应全局矩阵M中索引为(j,l)的矩阵元素;时刻是子辈个体进行变量更新的时刻;对于本地的解耦列变量集合中不属于子代列变量的部分子代的通信信息为函数为迭代更新步长,更新步长 B为异步机制的描述参数,即在B个时刻内,每个个体都至少更新过本地列变量一次,L为优化函数梯度的Lipschitz常数。
S5、利用每个计算机节点得到的优化的本地列向量完成对图像的分割。
当前计算机节点得到的优化的本地列向量的维度为p;
随机生成对应维度p的单位向量,利用单位向量和优化的本地列向量进行内积,如果内积小于0,则设置结果变量对应位置的像素值为0,否则为255,再将结果变量转为对应待分割图像维度的矩阵,由此完成对待分割图像的分割。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于稀疏性和Burer-Monteiro分解的分布式图像分割方法,其特征在于,包括如下步骤:
S1:针对待分割图像构建像素数据拓扑图,拓扑图的邻接矩阵为M;
S2:利用拓扑图的邻接矩阵的稀疏性,基于团树思想,将待分割图像的像素数据平均分配到m个不同的计算机节点上,每个计算机节点均构建分布式图像分割优化子问题;
所述分布式图像分割优化子问题为:利用Burer-Monteiro分解,将最优近似的半定规划SDP问题转为单位球流体上的优化问题,其中的优化变量由半正定矩阵变量估计转为一般矩阵变量;
该步骤具体为:
其中为求解和的内积;第i个个体计算机节点;为计算机节点对应优化变量的矩阵中的第j列的列向量,即本地列变量;Ji为计算机节点对应所优化变量的列向量的组合;表示第i个计算机节点和第j个计算机节点之间存在连接边;为计算机节点对应所优化变量的列向量的组合;对于中的计算机节点s,即计算机节点对应优化变量矩阵中的第s列的列向量等于计算机节点对应优化变量矩阵中的第s列的列向量;
求解所述分布式图像分割优化子问题,得到每个个体计算机节点对应的优化变量
S3:根据每个计算机节点分配到的像素数据,以及不同计算机节点之间的本地图像数据信息的中元素的耦合关系,确定不同计算机节点的本地列变量,包括本地解耦列变量和耦合通信列变量;
S4、每个计算机节点根据本地时钟,在其时钟周内根据接收到的通信信息进行本地列变量的迭代更新,直至每个计算机节点都得到优化的本地列向量,
包括如下步骤:
S401:指定最先分配像素数据的计算机节点为1号节点,之后按照分配像素数据的顺序,依次类推;如果两个计算机节点的列变量集合存在交集,则编号低的计算机节点为子节点,编号高的计算机节点为父节点,计算机节点的所有父节点组成父辈个体计算机节点的所有子节点组成子辈进而得到个体计算机节点和父辈之间的列变量交集索引和余集索引并得到个体计算机节点和子辈之间的列变量交集索引
S402:计算机节点根据本地时钟,在每个时钟周期内均执行一次如下迭代:
从所述计算机节点的接收缓冲区中取出通信信息,并根据如下S4021~S4022进行全部本地列变量的迭代:
S5、利用每个计算机节点得到的优化的本地列向量完成对图像的分割。
2.如权利要求1所述的图像分割方法,其特征在于,所述针对待分割图像构建像素数据拓扑图,拓扑图的邻接矩阵为M,具体为:
将像素尺寸为S1×S2的待分割图像中的每个像素作为像素数据拓扑图的一个节点,根据每个像素的颜色信息建立不同节点之间的相似度对称矩阵全局邻接矩阵n=S1×S2,为n×n的实数矩阵,n为拓扑图的邻接矩阵M的尺寸:
M(i,j)=max((2[‖rgb(i)-rgb(j)‖2>t]-1)‖rgb(i)-rgb(j)‖2,0),
其中,M(i,j)表示矩阵M的第(i,j)个元素;rgb(i)和rgb(j)分别代表第i个和第j个像素点的颜色信息;t为预设的可调节阈值;max(*,0)的输出为*和0两者中的较大值。
3.如权利要求1所述的图像分割方法,其特征在于,所述S5具体为:
当前计算机节点得到的优化的本地列向量的维度为p;
随机生成对应维度p的单位向量,利用所述单位向量和所述优化的本地列向量进行内积,如果内积小于0,则设置结果变量对应位置的像素值为0,否则为255,再将所述结果变量转为对应所述待分割图像维度的矩阵,由此完成对所述待分割图像的分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358334.6A CN113064726B (zh) | 2021-04-01 | 2021-04-01 | 基于稀疏性和Burer-Monteiro分解的分布式图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358334.6A CN113064726B (zh) | 2021-04-01 | 2021-04-01 | 基于稀疏性和Burer-Monteiro分解的分布式图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064726A CN113064726A (zh) | 2021-07-02 |
CN113064726B true CN113064726B (zh) | 2022-07-29 |
Family
ID=76565449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110358334.6A Active CN113064726B (zh) | 2021-04-01 | 2021-04-01 | 基于稀疏性和Burer-Monteiro分解的分布式图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064726B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020101237A4 (en) * | 2020-07-03 | 2020-08-06 | Southwest University | A computation-efficient distributed algorithm for convex constrained optimization problem |
CN111988185A (zh) * | 2020-08-31 | 2020-11-24 | 重庆邮电大学 | 一种基于Barzilai-Borwein步长的多步通信分布式优化方法 |
-
2021
- 2021-04-01 CN CN202110358334.6A patent/CN113064726B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020101237A4 (en) * | 2020-07-03 | 2020-08-06 | Southwest University | A computation-efficient distributed algorithm for convex constrained optimization problem |
CN111988185A (zh) * | 2020-08-31 | 2020-11-24 | 重庆邮电大学 | 一种基于Barzilai-Borwein步长的多步通信分布式优化方法 |
Non-Patent Citations (2)
Title |
---|
Distributed Algorithm for Discrete-Time Lyapunov Equations;Xia Jiang等;《2018 15th International Conference on》;20181121;第768-773页 * |
Dynamic Graph Cuts in Parallel;Miao Yu等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20170831;第3775-3788页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113064726A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Learning depth from single images with deep neural network embedding focal length | |
CN109118564B (zh) | 一种基于融合体素的三维点云标记方法和装置 | |
Pham et al. | Real-time progressive 3D semantic segmentation for indoor scenes | |
CN110458187B (zh) | 一种恶意代码家族聚类方法和系统 | |
CN111462282A (zh) | 一种场景图生成方法 | |
CN111627065A (zh) | 一种视觉定位方法及装置、存储介质 | |
CN110276768B (zh) | 图像分割方法、图像分割装置、图像分割设备及介质 | |
CN108898136B (zh) | 一种跨模态图像显著性检测方法 | |
CN113822284B (zh) | 一种基于边界注意力的rgbd图像语义分割方法 | |
CN114329232A (zh) | 一种基于科研网络的用户画像构建方法和系统 | |
CN113449612B (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
CN111339818A (zh) | 一种人脸多属性识别系统 | |
CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化系统及方法 | |
CN113807520A (zh) | 基于图神经网络的知识图谱对齐模型的训练方法 | |
CN115953535A (zh) | 三维重建方法、装置、计算设备和存储介质 | |
CN114626539A (zh) | 一种分布式slam系统及其学习方法 | |
CN111553296B (zh) | 一种基于fpga实现的二值神经网络立体视觉匹配方法 | |
Shen et al. | RGBT tracking based on cooperative low-rank graph model | |
CN116385660A (zh) | 室内单视图场景语义重建方法及系统 | |
CN115482387A (zh) | 基于多尺度类别原型的弱监督图像语义分割方法及系统 | |
CN114463548A (zh) | 一种基于视觉特征与胶囊网络的图像分类方法 | |
CN113064726B (zh) | 基于稀疏性和Burer-Monteiro分解的分布式图像分割方法 | |
Yao et al. | AGO: accelerating global optimization for accurate stereo matching | |
Yang et al. | An efficient accelerator for point-based and voxel-based point cloud neural networks | |
CN115690439A (zh) | 基于图像平面的特征点聚集方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |