استفاده از gpu در تسریع و افزایش کارایی الگوریتم های بخش بندی تصویر

بخش بندی تصویر یکی از مسائل مهم در حوزه پردازش تصویر است که تاکنون بدان پرداخته شده است. با توجّه به تمام تلاش هایی که در این حوزه صورت گرفته است، امّا این موضوع همچنان به عنوان یکی از چالش های حل نشده در پردازش تصویر به شمار می رود. از جمله حوزه های مهم کاربرد بخش بندی تصویر می توان به موارد ذیل اشاره نمود: پزشکی، تشخیص الگو، دید روبات و بازیابی مبتنی بر محتوای تصویر. هدف اصلی بخش بندی تصویر، تجزیه تصویر به اشیاء و نواحی های سازنده تصویر می باشد که تاکنون الگوریتم های زیادی برای این منظور ارائه شده است. یکی از جامع ترین دسته بندی که در این حوزه موجود است شامل دو دسته است: 1) روش های مبتنی بر لبه یابی تصویر و 2) روش های مبتنی بر ناحیه بندی تصویر. در دسته اول هدف اصلی یافتن لبه ها و به عبارت دیگر مرزبندی اطراف اشیای موجود درون تصویر است. در روش دوم برخلاف روش اول هدف اصلی یافتن لبه های اشیای موجود در تصویر به انضمام پیکسل های درون لبه های بسته که شی را شامل می شود، است. الگوریتم های موجود در این دسته خود به چهار زیر بخش اصلی تقسیم می شود که عبارتند از: آستانه گیری، خوشه بندی، رشد ناحیه ای و تقسیم بندی و ادغام. در روش های آستانه گیری و خوشه بندی اغلب هدف اصلی یافتن مقدار بهینه یک تابع است. در روش های خوشه بندی از آنجایی که حجم اطلاعات، در اینجا همان تعداد پیکسل های درون تصویر، بسیار زیاد است مسئله مورد نظر به مسئله ای با پیچیدگی محاسباتی بالا تبدیل می شود. به طور کلّی برای حل مسائل بهینه سازی یکی از تکنیک های مشهور که در حال حاضر بسیار مورد استقبال قرار گرفته است، استفاده از الگوریتم های ملهم از طبیعت مانند الگوریتم ژنتیک، الگوریتم بهینه سازی دسته ای ذرّات و موارد دیگر می باشد. از طرف دیگر، علی رغم عملکرد مناسب الگوریتم های تکاملی امّا این الگوریتم ها خود با مشکلاتی از جمله افتادن در بهینگی محلی و یا میزان همگرایی پایین مواجه هستند. هدف اصلی در این پژوهش، استفاده از قابلیت های دو الگوریتم ژنتیک و بهینه سازی دسته ای ذرّات و ارائه یک الگوریتم تلفیقی جدید که بتواند دقّت و همگرایی دو الگوریتم مذکور را افزایش دهد، می باشد. پس از آن الگوریتم پیشنهادی خود را وارد حوزه آستانه گیری تصویر نموده و این الگوریتم را بر روی سه تابع آتسو، کاپور و حداقل آنتروپی قطع پیاده سازی نمودیم. عملکرد مناسب و همگرایی بالای الگوریتم پیشنهادی در تمامی نتایج کاملاً مشهود می باشد. در مرحله بعد الگوریتم پیشنهادی خود را وارد حوزه خوشه بندی تصویر نموده و مشابه حالت قبل برای سه تابع k-means، dunn و davies&bouldin پیاده سازی انجام گرفت. با توجّه به نتایج، عملکرد تابع k-means و dunn مشابه یکدیگر و بهتر از davies&bouldin بود. از آنجایی که الگوریتم های خوشه بندی، به دلیل پردازش تمامی پیکسل ها در هر اجرا، بسیار زمانگیر می باشد از پردازنده گرافیکی شرکت nvidia استفاده نمودیم تا بتوانیم زمان اجرا را کاهش دهیم. در این راستا به تسریع های مختلفی دست یافتیم، به عنوان نمونه در الگوریتم k-means به تسریع حداکثر مقدار 68 و در شاخص dunn به حداکثر تسریع 222 و در شاخص davies&bouldin به حداکثر تسریع 268 رسیدیم.