Автор: Чудовская А.К.

Название статьи: Возможности распараллеливания алгоритмов выделения контура по технологии CUDA

Источник : Сбірка матеріалів IV міжнародної науково-практичної конференції молодих учених, аспірантів і студентів «Сучасна інформаційна Україна: інформатика, економіка, філософія» — Донецьк, 2010.

Выделение контуров является важнейшим этапом распознавания объектов на изображениях. Основными потребителями алгоритмов выделения контуров являются системы реального времени. От них требуется точное, а главное, быстрое выделение контуров объектов на изображении, а затем классификация их и анализ, либо сравнение с шаблоном.

Для достижения необходимого быстродействия предлагается использовать программно-аппаратную платформу CUDA. Важным этапом в реализации системы является выбор алгоритма, который будет программироваться. Алгоритм должен выбираться таким образом, чтобы максимально эффективно использовать сильные стороны платформы.

Наиболее логичным выбором алгоритма выделения контура является нейросетевой алгоритм, так как нейроны в одном слое нейросети работают независимо друг от друга и являются идеальными кандидатами для вынесения на независимые скалярные процессоры.

Для реализации процедуры выделения контура с помощью нейронной сети была принята следующая модель. На вход нейронной сети подается изображение окна наблюдения размером m Х n. Это изображение удовлетворяет следующим требованиям:

1. Изображение всегда содержит элемент контура, то есть в любом представленном изображении содержится граница перепада яркостей объекта и фона.
2. На изображении только один контур, то есть не предусматривается работа алгоритма с множественными   контурами.
3. На изображении может присутствовать аддитивный гауссов шум, который пре­пятствует правильной работе алгоритма.

На выходе необходимо получить основные параметры прямой, аппроксимирующей грани­цу перепада яркости: u  — интенсивность фона, u + h — интенсивность объекта, d — расстояния от центра окна до прямой,   - угол наклона прямой. Параметры пока­заны на рис. 1.

Для реализации этой модели была выбрана нейронная сеть типа многослой­ный персептрон, так как задача носит явно статис­тический характер. Сеть содержит два слоя. В первом слое 10 нейронов, во втором 4. Все искусственные нейроны используют логистическую функцию активации.

Так как окна, подаваемые на нейросеть, должны обязательно содержать часть границы, и при том только одну, то необходимо каким-либо образом эти окна найти. Одним из вариантов решения этой задачи является нахождение предварительного контура более быстрым и грубым методом. Затем найденное приближение контура разбивается на участки, которые уточняются на нейросети. Кроме того, отдельной задачей является сбор разрозненных участков контуров в один непрерывный контур. Решить эту задачу можно, к примеру, находя среднюю точку между двумя крайними точками аппроксимирующей прямой у двух соседних окон.

В качестве алгоритма предварительного определения контуров выбрана комбинация из нескольких этапов алгоритма Canny, а именно:

Шаг 1. Первым шагом является фильтрация шума в исходном изображении. Фильтр Гаусса можно вычислить с помощью простой маски. После того как подходящая маска была рассчитана, сглаживание Гаусса может быть выполнено с помощью стандартных методов свертки. Маски свертки, как правило, гораздо меньше, чем само изображение. В результате, маска двигается над изображением, манипулируя квадратом пикселей за один раз. Чем больше ширина маски Гаусса, тем меньше чувствительность детектора к шуму. 

Шаг 2. Нахождение края силы путем взятия градиента изображения. Оператор Собеля выполняет 2-D пространственное измерение градиента в изображении. Тогда приближенные градиенты абсолютных величин (края сил) в каждой точке может быть найдено.  Оператор Собеля использует пару 3x3 масок свертки: оценки градиента в направлении х (столбцы) и оценки градиента в Y-направлении (строк). 

Величина, или край силы, градиента затем аппроксимируется по формуле: |G| = |Gx| + |Gy|

Шаг 3. Гистерезис используется в качестве средства устранения полос. Полоса – это разбиение контура края, вызванное оператором выходного колебания выше и ниже порогового уровня. Гистерезис использует 2 порога, высокий и низкий. Любой пиксель в изображении, который имеет значение большее, чем T1 предположительно является краевым пикселем, и немедленно обозначается как таковой. Затем, любые пиксели, которые соединяются с этим краевым пикселем, и которые имеют значение, большее, чем T2, также выбираются как краевые пиксели. Для начала движения вдоль края необходим градиент T2, а для окончания – градиент ниже T1.

В итоге все изображение разбивается на окна размером m X n, пригодные для обработки нейросетью, но обработке подвергаются только те из них, которые содержат ровно один участок контура.

Таким образом, был рассмотрен возможный способ улучшения алгоритма и оптимизация для распараллеливание его по технологии CUDA. В дальнейшем планируется программная реализация алгоритма и сравнение с уже существующими для определения эффективности предложенного улучшения.

1. А.И. Перов, Г.Г. Соколов. «Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях»– Радиотехника, №7, 1998