基于CUDA的并行K-means聚类图像分割算法优化-农业机械学报.PDF

２０１４年 １１月 农 业 机 械 学 报 第 ４５卷 第 １１期 ｄｏｉ：１０．６０４１／ｊ．ｉｓｓｎ．１０００１２９８．２０１４．１１．００８ 基于ＣＵＤＡ的并行Ｋｍｅａｎｓ聚类图像分割算法优化 １ ２ ２ ２ １ 霍迎秋 　秦仁波 　邢彩燕 　陈　曦　方　勇 （１．西北农林科技大学机械与电子工程学院，陕西杨凌 ７１２１００； ２．西北农林科技大学信息工程学院，陕西杨凌 ７１２１００） 摘要：为提高 Ｋｍｅａｎｓ聚类算法的运算速度，基于 ＣＵＤＡ架构提出一种分块、并行的Ｋｍｅａｎｓ算法，并采用“合并访 问”、“多级规约求和”、“负载均衡”和“指令优化”等策略优化并行算法。实验结果表明，并行 Ｋｍｅａｎｓ算法的分割 效果与串行 Ｋｍｅａｎｓ算法相同，但运行速度得到了极大的提高，加速比最高达到５６０，很好地解决了农业工程实际 中由于分割算法带来的瓶颈问题，能够极大地提高农业劳动生产率。 关键词：图像分割　聚类分割算法　统一计算架构　图形处理器　并行优化 中图分类号：ＴＰ３１１ 文献标识码：Ａ 文章编号：１０００１２９８（２０１４）１１００４７０７ Ｋｍｅａｎｓ聚类分割算法为研究对象，自然背景下的 　　引言 杂草和玉米图像分割为研究内容，提出一种基于 图像分割算法是精准农业研究的重要方面，其 ＣＵＤＡ架构的分块、并行的Ｋｍｅａｎｓ聚类分割算法， 广泛应用于智能机械除草［１－６］、精准喷施［７－８］、机器 并采用“合并访问”、“多级规约求和”、“负载均衡” 人采摘［９－１２］和病害识别［１３－１４］等精准农业研究的各 和“指令优化”等策略优化并行算法，设计 ３个实验 个方向。 进行对比分析。 阈值分割算法，包括单阈值法［１５－１７］和自动阈值 ［１，１８－１９］ １　基于串行 Ｋｍｅａｎｓ算法图像分割 法 ，以其实现简单、运行速度快的特点得到 广泛应用，但它的缺点是不能对复杂背景的图像进 １１　Ｋｍｅａｎｓ聚类算法简介 行有效分割，且受光照影响较大。 Ｋｍｅａｎｓ算法是一种无监督、自适应的聚类算 为了提高复杂背景下目标图像的分割效果，需 法，在图像分割中广泛应用［２７－２８］。算法的基本思想 引入更多的人工智能，提高分割算法的自适应性和 是，通过迭代不断调整聚类中心，最终将 ｎ个像素构 普适性。典型的算法有：基于 Ｋｍｅａｎｓ聚类算法［２０］ ｄ 成的图像集合Ｘ＝｛ｘ｜ｘ Ｒ，ｉ＝１，２，…，ｎ｝划分为 ∈ ｉ ｉ 的杂草图像分割，基于模糊聚类的成熟水果图像分 ｋ个不同的像素子集合或子类 Ｃ、Ｃ、…、Ｃ，且子集 １ ２ ｋ ［２１］ 割 ，基于颜色特征和面积阈值的棉花害螨图像分 合满足下面３个条件： ［２２］ 割 ，基于数据融合思想的图论分割法分割玉米叶 （１）Ｃ≠，ｉ＝１，２，…，ｋ。