Preview

Доклады БГУИР

Расширенный поиск

Параллельное выращивание областей полутоновых изображений на основе выборочного среднего значения яркости области по маршруту роста

https://doi.org/10.35596/1729-7648-2021-19-6-83-91

Полный текст:

Аннотация

Рассматривается задача параллельной сегментации полутоновых изображений по яркости для реализации на базе программируемых логических интегральных схем. Сегментация разделяет изображение на области, образованные из пикселей с примерно одинаковыми яркостями, и является вычислительно сложной операцией из-за многократной проверки значения каждого пикселя на возможность присоединения к смежной области. Для ускорения сегментации разработаны параллельные алгоритмы выращивания областей, в которых обработка начинается с окрестностей предварительно выделенных начальных пикселей роста. Условие присоединения к области смежного пикселя учитывает среднюю яркость области для ограничения дисперсии значений ее пикселей. Поэтому при добавлении к области каждого нового пикселя ее средняя яркость пересчитывается. Это приводит к высокой временной сложности. В некоторых параллельных алгоритмах вычисляется выборочное среднее в окне небольшого размера, что позволяет незначительно снизить временную сложность при согласовании размера окна с размерами сегментов. Для существенного снижения временной сложности в статье предложена модель параллельного выращивания областей изображения на основе упрощенного условия присоединения смежных пикселей к области, учитывающего выборочное среднее значение яркости области по маршруту роста, связывающему граничный пиксель области и начальный пиксель роста через последовательность пикселей, используемых для присоединения рассматриваемого граничного пикселя к области. Существенное уменьшение временной сложности предложенной модели параллельного выращивания областей изображения по сравнению с известными моделями достигается за счет незначительного увеличения пространственной сложности.

Об авторе

В. Ю. Цветков
Белорусский государственный университет информатики и радиоэлектроники
Беларусь

Цветков Виктор Юрьевич, доктор технических наук, доцент, заведующий кафедрой инфокоммуникационных технологий

220013, г. Минск, ул. П. Бровки, 6



Список литературы

1. Praveena M., Balaji N., Naidu C.D. FPGA implementation of high speed medical image segmentation using genetic algorithm. Journal of Theoretical and Applied Information Technology. 2017;95(13):2981-2988.

2. Quesada-Barriuso P., Heras D.B., Argüello F. Efficient GPU Asynchronous Implementation of a Watershed Algorithm Based on Cellular Automata. IEEE 10th International Symposium on Parallel and Distributed Processing with Applications, Leganes. 2012: 79-86. DOI:10.1109/ISPA.2012.19.

3. Liu J., Xu L., Liu Y., [et al.]. FPGA Implementation of Region Growing-Global Inhibition Segmentation Algorithm. International Journal of Simulation – Systems, Science & Technology. 2016;17(24):1-9. DOI 10.5013/IJSSST.a.17.30.08.

4. Fujita T., Sawada S., Kishimoto K., [et al.]. Cellular Automaton Based Pixel Level Snakes Using Active Contour Curvature. International Symposium on Nonlinear Theory and Its Applications, NOLTA 2017, Cancun, Mexico. 2017: 572-575. DOI:10.34385/proc.29.C0L-B-3.

5. Saito M., Okatani T., Deguchi K. Application of the mean field methods to MRF optimization in computer vision. IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI. 2012: 1680-1687. DOI:10.1109/CVPR.2012.6247862.

6. Thurley M.J., Danell V. Fast morphological image processing open-source extensions for GPU processing with CUDA. IEEE Journal of Selected Topics in Signal Processing. 2012;6(7):849-855. DOI:10.1109/JSTSP.2012.2204857.

7. Alvarado R., Tapia J.J., Rolón J.C. Medical image segmentation with deformable models on graphics processing units. The Journal of Supercomputing. 2013;68(1):339-364. DOI:10.1007/s11227-013-1042-4.

8. Roberts M., Packer J., Sousa M.C., [et al.]. A work-efficient GPU algorithm for level set segmentation. Proceedings of the Conference on High Performance Graphics. 2010: 123-132.

9. Wang C., Komodakis N., Paragios N., Markov random field modeling, inference & learning in computer vision & image understanding: a survey. Computer Vision and Image Understanding. 117(11):1610-1627. DOI:10.1016/j.cviu.2013.07.004.

10. Leblond A., Kauffmann C. RAIC: Robust Adaptive Image Clustering. 25th IEEE International Conference on Image Processing (ICIP). 2018:3678-3682. DOI: 10.1109/ICIP.2018.8451131.

11. Strzelecki M., Brylski P., Kim H. FPGA-Based System for Fast Image Segmentation Inspired by the Network of Synchronized Oscillators. Artificial Intelligence and Soft Computing. ICAISC 2017. Lecture Notes in Computer Science. Springer, Cham. 2017;10245:580-590. DOI: 10.1007/978-3-319-59063-9_52.

12. Adams R., Bischof L. Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994;16(6):641-647. DOI: 10.1109/34.295913.

13. Fan M., Lee T.C.M. Variants of seeded region growing. Image Processing IET. 2015;9(6):478-485. DOI:10.1049/iet-ipr.2014.0490.


Для цитирования:


Цветков В.Ю. Параллельное выращивание областей полутоновых изображений на основе выборочного среднего значения яркости области по маршруту роста. Доклады БГУИР. 2021;19(6):83-91. https://doi.org/10.35596/1729-7648-2021-19-6-83-91

For citation:


Tsviatkou V.Yu. Parallel region growing of half-tone images based on selected average brightness of the area along the growth route. Doklady BGUIR. 2021;19(6):83-91. (In Russ.) https://doi.org/10.35596/1729-7648-2021-19-6-83-91

Просмотров: 60


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1729-7648 (Print)
ISSN 2708-0382 (Online)