[发明专利]基于稀疏性和Burer-Monteiro分解的分布式图像分割方法

说明书

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。

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。