基于CUDA的遥感影像SLIC分割

基于CUDA的遥感影像SLIC分割

SLIC算法原理

SLIC算法原理网上有很多帖子，这里就不展开了，推荐一个比较好的，感兴趣的可以看一下:
http://www.cnblogs.com/supersponge/p/6546082.html
官网：https://infoscience.epfl.ch/record/149300

基于CUDA的遥感影像SLIC分割

现有的高分遥感影像，空间分辨率高，具有更为清晰的轮廓、纹理信息，能够提取更为精确的地物信息。然而基于像素的特征无法的到更具自然含义的统计信息（特征的表达粒度不够），基于此的分类结果往往会出现椒盐噪声的现象，无法有效获取高分遥感影像中的地物信息。针对高分遥感影像信息提取，目前流行的是面向对象的方法，即先对遥感影像进行分割，得到分割对象，再提取地物信息。分割对象作为高分遥感影像信息提取的基本基元，相对于像素而言，粒度更大，能够描述更具有统计意义的自然信息（如空间上下文等），还能有效避免分类结果中的椒盐噪声现象。但其分割的结果通常受到噪声的影响、分割的尺度难以确定（自适应），现有的分割方法中还存在很大的问题。
以上只是说明高分遥感影像分割的必要性，而遥感影像因为巨大的数据量，分割算法的效率一般都比较低，基于GPU的并行是一种比较好的解决方法，可以极大的提高分割的效率。基于CUDA的并行计算，其关键在于核函数，而核函数的精髓则在于根据线程的序号来分配计算任务，让每一个线程都对应一个计算任务（像素），因此需要设计合适的并行策略，将遥感影像的所有像素，分配到每个线程上去（根据计算能力确定）。

并行策略设计

并行策略设计参考源码SLIC_CUDA

遥感影像SLIC分割并行策略：

线程格网的的宽度为超像素的个数，设置让每个线程块处理一个超像素，但超像素内像素数目可能大于线程块内允许的最大线程数，因此，一个超像素内像素可能由多个线程块完成，线程块数目与超像素宽度、线程块最大线程数以及超像素高度决定。

int h = maxThreadsPerBlock / SpxWidth;
int nBlockPerClust = SpxHeight/h;
dim3 blockPerGrid(num_Spx, nBlockPerClust);
dim3 threadPerBlock(SpxWidth, std::min(SpxHeight, h));

线程块内线程结构：

每个线程块都对应一个超像素内的像素，要为每一个像素都分配其对应的类别。而SLIC算法每个像素都需要计算的聚类中心数为9个，线程块内部，先寻找到该线程块所有像素对应的9个聚类中心，聚类中心分别对象线程块左上角的9个像素的索引，然后计算像素到每个聚类中心的距离（一般是五维空间的距离），选择距离最小的聚类中心作为该点的标记。

遥感影像SLIC分割结果