CN117830731B - 多维并行调度方法 - Google Patents
多维并行调度方法 Download PDFInfo
- Publication number
- CN117830731B CN117830731B CN202410005883.9A CN202410005883A CN117830731B CN 117830731 B CN117830731 B CN 117830731B CN 202410005883 A CN202410005883 A CN 202410005883A CN 117830731 B CN117830731 B CN 117830731B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- images
- extremum
- extreme
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像并行处理技术领域,具体公开了多维并行调度方法,所述方法包括实时接收工作人员上传的含有场景标签的图像,根据所述场景标签对图像进行分类;根据场景标签确定各类图像的转码过程,对图像进行图像拉伸;对图像拉伸后的各类图像进行像素统计,根据像素统计结果对各类图像进行二次分类;本发明根据场景标签对图像进行一级分类,然后不断对一级分类后的图像进行异常检测,剔除异常图像,对异常图像进行单独分析,尽量的保证大部分图像的处理时长是相似的,提供了一种近似的并行处理方案,极大地提高了图像处理过程的有序性及效率。
Description
技术领域
本发明涉及图像并行处理技术领域,具体是多维并行调度方法。
背景技术
GPU是图形处理器的缩写,是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上执行图形运算的微处理器。GPU英文全称GraphicsProcessing Unit,中文翻译为“图形处理器”。GPU是显示卡的“大脑”,它决定了该显卡的档次和大部分性能。
GPU在处理图像时,并不会挑选图像,这使得GPU在对图像处理时,每张图像的处理时长参差不齐,当图像数量较多且GPU数量较多时,多个GPU的处理过程将会非常无序,无法做到并行处理,处理效率较低,并且二次开发能力也较弱,如何对图像进行分类,保证处理时长的一致性,提供一种并行处理方案是本发明想要解决的技术问题。
发明内容
本发明的目的在于提供多维并行调度方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
多维并行调度方法,所述方法包括:
实时接收工作人员上传的含有场景标签的图像,根据所述场景标签对图像进行分类;
根据场景标签确定各类图像的转码过程,对图像进行图像拉伸;
对图像拉伸后的各类图像进行像素统计,根据像素统计结果对各类图像进行二次分类;
基于二次分类后图像选取GPU,实时监测GPU的单位处理时长,根据所述单位处理时长更新二次分类过程。
作为本发明进一步的方案:所述实时接收工作人员上传的含有场景标签的图像,根据所述场景标签对图像进行分类的步骤包括:
接收工作人员上传的场景标签,根据所述场景标签查询图像的基准参数;所述基准参数包括至少一个参数类型及其参数范围;
根据所述基准参数对图像进行预识别,当预识别通过时,将图像输入以场景标签为索引的图像库;
当预识别未通过时,查询图像不符合的参数范围及其参数类型,计算范围超出量,根据所述范围超出量和参数类型确定图像的异常级别,将图像输入以异常级别为索引的图像库。
作为本发明进一步的方案:所述根据场景标签确定各类图像的转码过程,对图像进行图像拉伸的步骤包括:
根据场景标签在预设的区间表中查询各通道的区间对;所述区间对包括调节区间及目标区间;
基于所述调节区间及目标区间对图像的各个通道进行图像拉伸;
计算图像拉伸后各个通道的均值和众值,同步计算均值与众值的差值;
将所述差值与预设的差值阈值进行比对,根据比对结果确定图像的异常级别,将图像输入以异常级别为索引的图像库。
作为本发明进一步的方案:基于所述调节区间及目标区间对图像的各个通道进行图像拉伸:
式中,f(x,y)为点(z,y)拉伸前的值,g(x,y)为点(x,y)拉伸后的值,a和b分别为调区区间的左右端点,c和d分别为目标区间的左右端点;Mf为拉伸前图像的最大色值,Mg为拉伸后图像的最大色值,所述Mg由工作人员预先设定。
作为本发明进一步的方案:所述对图像拉伸后的各类图像进行像素统计,根据像素统计结果对各类图像进行二次分类的步骤包括:
接收工作人员输入的检测密度,根据检测密度确定检测点位的坐标;
基于检测点位的坐标查询并读取同类图像中各通道的像素值,拟合得到以检测点位为标签的像素值变化曲线;
识别所述像素值变化曲线的极值点及其极值,将所述极值与预设的极值判定条件进行比对;
当所述极值符合预设的极值判定条件时,根据极值确定各图像的异常级别,根据极值点定位图像,将图像输入以异常级别为索引的图像库。
作为本发明进一步的方案:所述识别所述像素值变化曲线的极值点及其极值,将所述极值与预设的极值判定条件进行比对的步骤包括:
对所述像素值变化曲线进行求导,根据导数值定位极值点;
查询极值点处的极值,将其与像素值变化曲线的积分均值进行比对;其中,所述积分均值的计算区间以当前极值点为中心,区间长度由极值确定;
根据比对结果对极值点及其极值进行筛选。
作为本发明进一步的方案:所述基于二次分类后图像选取GPU,实时监测GPU的单位处理时长,根据所述单位处理时长更新二次分类过程的步骤包括:
统计所有图像库,根据图像库的图像总数确定GPU占比;
根据GPU占比对已有GPU进行分配,并基于分配后的GPU对图像库中的图像进行并行处理;
实时监测各个GPU的单位处理时长,当所述单位处理时长达到预设的时长阈值时,标记该图像;
根据所有标记的图像更新基准参数、差值阈值和极值判定条件。
作为本发明进一步的方案:所述根据比对结果对极值点及其极值进行筛选的步骤包括:
接收工作人员输入的保留数量;
当所述极值大于所述积分均值时,计算极值与积分均值的超出比例;
根据所述超出比例对极值进行排序,基于所述保留数量在排序后极值中进行顺序选取,并同步读取极值点。
作为本发明进一步的方案:所述根据比对结果对极值点及其极值进行筛选的步骤还包括:
定时对像素变化曲线进行二次求导,根据二次求导结果对极值进行分类,得到极大值和极小值;
计算极大值和极小值的数量,根据所述数量更新排序过程。
作为本发明进一步的方案:所述计算极大值和极小值的数量,根据所述数量更新排序过程的步骤包括:
统计极大值,计算极大值数量;
统计极小值,计算极小值数量;
计算极大值数量和极小值数量的比值,根据所述比值确定独立的极大值的比例阈值和极小值的比值阈值。
与现有技术相比,本发明的有益效果是:本发明根据场景标签对图像进行一级分类,然后不断对一级分类后的图像进行异常检测,剔除异常图像,对异常图像进行单独分析,尽量的保证大部分图像的处理时长是相似的,提供了一种近似的并行处理方案,极大地提高了图像处理过程的有序性及效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为多维并行调度方法的流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为多维并行调度方法的流程框图,本发明实施例中,多维并行调度方法,所述方法包括:
步骤S100:实时接收工作人员上传的含有场景标签的图像,根据所述场景标签对图像进行分类;
场景标签是代表了图像的环境情况,所述环境情况可能是虚拟的(游戏仿真视频),也可以是现实的(实际拍摄视频),场景标签的分类情况由工作人员确定,一般情况下包括户外、室内、白天、黑夜、晴天和雨天等,这些场景标签可以组合,得到复合标签;由场景标签可以对图像进行分类,同类图像的处理过程是相似的,在进行处理时,可以由不同的GPU专门处理各类图像,同步进行。
需要说明的是,无论图像交由哪个GPU处理,在处理过程中都需要保留其身份标签(采用名称即可),保留身份标签可以防止图像的存储过程出现混乱。
步骤S200:根据场景标签确定各类图像的转码过程,对图像进行图像拉伸;
对于一张图像来说,并不是所有像素点都是重要的,有些像素点本身就是噪点,同一场景标签的图像本身就具备一定的相似性,该相似性是主体相似,对已经基于场景标签分类后的图像进行二次分类时,需要尽量保证主体一致,也即,使得主体部分更加相近,此时,再进行二次分类时,与第一次分类过程的冲突便会减少。
本申请提供的保证主体一致的方案为,对图像进行拉伸,将某一区域的像素值拉伸到一个大的范围内,实际上,后续GPU对图像处理前,也需要进行类似的降噪处理过程,拉伸后的图像可以在一定程度上替换GPU的预处理过程,在进行二次分类的基础上,并不会造成过多的额外运算量。
步骤S300:对图像拉伸后的各类图像进行像素统计,根据像素统计结果对各类图像进行二次分类;
图像拉伸完成后,对同类图像进行像素分析,根据像素分析结果确定一些异常的图像,归为新的一类;这一过程可以理解为,在原有的分类结果的基础上,剔除一些与众不同的图像,进行单独处理,这些与众不同的图像的数量较少,但是会影响GPU处理过程,将其作为独立的图像,交由新的GPU并行处理,可以优化图像处理过程。
步骤S400:基于二次分类后图像选取GPU,实时监测GPU的单位处理时长,根据所述单位处理时长更新二次分类过程;
统计二次分类结果,根据二次分类结果对已有的GPU进行分配,可以实际一种对所有图像的并行处理效果,在处理过程中,实时监测GPU处理每一张图像的时长,由这一时长对二次分类过程进行更新,不断地提高分类准度。
需要说明的是,关于本发明的图像处理过程,其中一种方式为,将图像转换为灰度图像进行处理,这种方式计算量小,但是可能存在数据缺失,因此,本申请采用各通道独立分析的方案,对图像进行更为准确精细化的分类。
作为本发明技术方案的一个优选实施例,所述实时接收工作人员上传的含有场景标签的图像,根据所述场景标签对图像进行分类的步骤包括:
接收工作人员上传的场景标签,根据所述场景标签查询图像的基准参数;所述基准参数包括至少一个参数类型及其参数范围;
根据所述基准参数对图像进行预识别,当预识别通过时,将图像输入以场景标签为索引的图像库;
当预识别未通过时,查询图像不符合的参数范围及其参数类型,计算范围超出量,根据所述范围超出量和参数类型确定图像的异常级别,将图像输入以异常级别为索引的图像库;其中,不同参数类型对应的影响权重不同;
上述内容对第一次分类过程进行了限定,根据工作人员上传的场景标签查询图像的基准参数,所述基准参数的评价标准有很多,一般情况下,本申请涉及的图像会转换为HSV图像,HSV图像与人眼观察过程更加符合,计算机处理过程也较为容易,当图像为HSV图像时,基准参数就是H分量范围、S分量范围和V分量范围,由此,可以对图像进行初步判断,判断图像是否与场景标签相符。
具体的,如果图像所有像素点的色值都在参数范围内,就保留,如果某一通道下的像素点的色值超出了参数范围,那么就需要确定其异常级别,进而将其置于独立的图像库中。
其中,关于范围超出量,最简单的一种方式就是计算每个超出范围的像素点的色值与范围边界的差值,然后计算差值的总和,再引入一些修正系数,即可得到异常级别。
进一步的,在考虑范围超出量的同时,还需要考虑参数类型,不同参数类型的评价标准不同,由影响权重表示。
作为本发明技术方案的一个优选实施例,所述根据场景标签确定各类图像的转码过程,对图像进行图像拉伸的步骤包括:
根据场景标签在预设的区间表中查询各通道的区间对;所述区间对包括调节区间及目标区间;
基于所述调节区间及目标区间对图像的各个通道进行图像拉伸;
计算图像拉伸后各个通道的均值和众值,同步计算均值与众值的差值;
将所述差值与预设的差值阈值进行比对,根据比对结果确定图像的异常级别,将图像输入以异常级别为索引的图像库。
上述内容提供了一种具体的图像拉伸方案,首先,由工作人员输入各个场景标签下的主体色值区间以及拉伸后的目标色值区间,以区间表的形式保存,与场景标签为一一对应关系;此时,当获取到场景标签时,直接根据场景标签即可以区间表中查询到区间对;所述区间对包括调节区间及目标区间,所述调节区间指的就是主体色值区间(需要拉伸的色值),所述目标区间就是目标色值区间(拉伸至何种色值范围内)。
然后,由区间对确定转码参数,对图像进行拉伸后,计算拉伸后的图像的均值和众值,计算均值和众值可以计算出图像中像素点色值的集中程度,如果均值和众值相近,那么集中程度较高(均值在众值附近),如果均值和众值差异较大,就说明有两个或两个以上的可能成为众值的色值,集中程度较低。基于集中程度,再判定一次图像的异常级别,可以将原有的图像库中的图像再提取一些作为异常图像,输入以异常级别为索引的图像库;其中,异常级别由众值和均值的差值确定。
具体的,基于所述调节区间及目标区间对图像的各个通道进行图像拉伸:
式中,f(x,y)为点(x,y)拉伸前的值,g(x,y)为点(x,y)拉伸后的值,a和b分别为调区区间的左右端点,c和d分别为目标区间的左右端点;Mf为拉伸前图像的最大色值,Mg为拉伸后图像的最大色值,所述Mg由工作人员预先设定。
作为本发明技术方案的一个优选实施例,所述对图像拉伸后的各类图像进行像素统计,根据像素统计结果对各类图像进行二次分类的步骤包括:
接收工作人员输入的检测密度,根据检测密度确定检测点位的坐标;
基于检测点位的坐标查询并读取同类图像中各通道的像素值,拟合得到以检测点位为标签的像素值变化曲线;
识别所述像素值变化曲线的极值点及其极值,将所述极值与预设的极值判定条件进行比对;
当所述极值符合预设的极值判定条件时,根据极值确定各图像的异常级别,根据极值点定位图像,将图像输入以异常级别为索引的图像库。
在本发明技术方案的一个实例中,提供了一种具体的二次分类方案,工作流程如下:
对于一类图像(数量不唯一),由工作人员输入检测密度,检测密度越高,选取的用于分析的像素点坐标越多;在每个图像中查询同一像素点坐标处的色值,可以得到一个色值组;对每个像素点坐标来说,都有一个色值组。
将色值组中各元素的下标作为自变量,色值作为因变量,可以拟合出一条曲线,称为像素值变化曲线,相应的,每个像素点坐标都有一条像素值变化曲线。
对每一条像素值变化曲线进行分析,可以得到多个极值,对极值进行分析,可以确定各图像的异常级别,根据异常级别对图像进行分类,称为二次分类。
需要说明的是,关于上述极值判定条件,其中一种条件为,图像的定位次数,当极值较大时,会定位极值点对应的图像,定位次数越多,说明对应图像中作为极值的像素点越大,异常级别也越高。
进一步的,所述识别所述像素值变化曲线的极值点及其极值,将所述极值与预设的极值判定条件进行比对的步骤包括:
对所述像素值变化曲线进行求导,根据导数值定位极值点;
查询极值点处的极值,将其与像素值变化曲线的积分均值进行比对;其中,所述积分均值的计算区间以当前极值点为中心,区间长度由极值确定;
根据比对结果对极值点及其极值进行筛选。
在本发明技术方案的一个实例中,对极值判定过程进行了限定,这是简单的数学问题,借助导数即可求出极值点,读取对应的曲线值,就是极值。上述限定的重点在于,提供了一个极值筛选过程,只有在极值足够大或足够小(比一个范围内的均值大或者小)时,才会保留。其中,所述范围就是上述计算区间,均值采用积分均值,也即,曲线在计算区间上的积分比上区间长度。
作为本发明技术方案的一个优选实施例,所述基于二次分类后图像选取GPU,实时监测GPU的单位处理时长,根据所述单位处理时长更新二次分类过程的步骤包括:
统计所有图像库,根据图像库的图像总数确定GPU占比;
根据GPU占比对已有GPU进行分配,并基于分配后的GPU对图像库中的图像进行并行处理;
实时监测各个GPU的单位处理时长,当所述单位处理时长达到预设的时长阈值时,标记该图像;
根据所有标记的图像更新基准参数、差值阈值和极值判定条件。
在本发明技术方案的一个实例中,对GPU的分配过程进行了限定,本申请共生成了多个图像库,基于图像库计算图像总数,进而计算出比例,称为GPU占比,由GPU占比乘以GPU总数,即可得到每个图像库分配的GPU数量。
在GPU处理过程中,会实时根据单位处理时长识别可能存在问题的图像,也即,处理速度较慢的图像,这些图像在本发明技术方案的架构下,应该作为异常图像转移至别处,因此,不断地标记这些处理速度较慢的图像,对这些图像进行识别分析,对异常判定条件进行更新,所述异常判定条件包括基准参数、差值阈值和极值判定条件。
作为本发明技术方案的一个优选实施例,所述根据比对结果对极值点及其极值进行筛选的步骤包括:
接收工作人员输入的保留数量;
当所述极值大于所述积分均值时,计算极值与积分均值的超出比例;
根据所述超出比例对极值进行排序,基于所述保留数量在排序后极值中进行顺序选取,并同步读取极值点。
在本发明技术方案的一个实例中,对极值点及其极值的筛选过程进行了限定,对于拟合出的像素值变化曲线,如果其波动性较强,那么极值点及其极值会非常多,因此,本申请提供了一个限定端口,由工作人员输入一个数量(保留数量),进而对极值及其极值点进行筛选即可。
进一步的,所述根据比对结果对极值点及其极值进行筛选的步骤还包括:
定时对像素变化曲线进行二次求导,根据二次求导结果对极值进行分类,得到极大值和极小值;
计算极大值和极小值的数量,根据所述数量更新排序过程。
其中,所述计算极大值和极小值的数量,根据所述数量更新排序过程的步骤包括:
统计极大值,计算极大值数量;
统计极小值,计算极小值数量;
计算极大值数量和极小值数量的比值,根据所述比值确定独立的极大值的比例阈值和极小值的比值阈值。
具体的,在本发明技术方案的一个实例中,对筛选过程进行了进一步的限定,将极值分为极大值和极小值,在设定保留数量时,分别对极大值和极小值单独设定,从而保证极大值和极小值在数量上的相似性,也即,数量差不多的极大值和极小值。
所述多维并行调度方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述多维并行调度方法。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个工作人员终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示***的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取介质中。基于这样的理解,本发明实现上述实施例***中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读介质中,该计算机程序在被处理器执行时,可实现上述各个***实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种多维并行调度方法,其特征在于,所述方法包括:
实时接收工作人员上传的含有场景标签的图像,根据所述场景标签对图像进行分类;
根据场景标签确定各类图像的转码过程,对图像进行图像拉伸;
对图像拉伸后的各类图像进行像素统计,根据像素统计结果对各类图像进行二次分类;
基于二次分类后图像选取GPU,实时监测GPU的单位处理时长,根据所述单位处理时长更新二次分类过程;
所述实时接收工作人员上传的含有场景标签的图像,根据所述场景标签对图像进行分类的步骤包括:
接收工作人员上传的场景标签,根据所述场景标签查询图像的基准参数;所述基准参数包括至少一个参数类型及其参数范围;
根据所述基准参数对图像进行预识别,当预识别通过时,将图像输入以场景标签为索引的图像库;
当预识别未通过时,查询图像不符合的参数范围及其参数类型,计算范围超出量,根据所述范围超出量和参数类型确定图像的异常级别,将图像输入以异常级别为索引的图像库;
所述根据场景标签确定各类图像的转码过程,对图像进行图像拉伸的步骤包括:
根据场景标签在预设的区间表中查询各通道的区间对;所述区间对包括调节区间及目标区间;
基于所述调节区间及目标区间对图像的各个通道进行图像拉伸;
计算图像拉伸后各个通道的均值和众值,同步计算均值与众值的差值;
将所述差值与预设的差值阈值进行比对,根据比对结果确定图像的异常级别,将图像输入以异常级别为索引的图像库;
基于所述调节区间及目标区间对图像的各个通道进行图像拉伸:
式中,f(x,y)为点(x,y)拉伸前的值,g(x,y)为点(x,y)拉伸后的值,a和b分别为调区区间的左右端点,c和d分别为目标区间的左右端点;Mf为拉伸前图像的最大色值,Mg为拉伸后图像的最大色值,所述Mg由工作人员预先设定;
所述对图像拉伸后的各类图像进行像素统计,根据像素统计结果对各类图像进行二次分类的步骤包括:
接收工作人员输入的检测密度,根据检测密度确定检测点位的坐标;
基于检测点位的坐标查询并读取同类图像中各通道的像素值,拟合得到以检测点位为标签的像素值变化曲线;
识别所述像素值变化曲线的极值点及其极值,将所述极值与预设的极值判定条件进行比对;
当所述极值符合预设的极值判定条件时,根据极值确定各图像的异常级别,根据极值点定位图像,将图像输入以异常级别为索引的图像库。
2.根据权利要求1所述的多维并行调度方法,其特征在于,所述识别所述像素值变化曲线的极值点及其极值,将所述极值与预设的极值判定条件进行比对的步骤包括:
对所述像素值变化曲线进行求导,根据导数值定位极值点;
查询极值点处的极值,将其与像素值变化曲线的积分均值进行比对;其中,所述积分均值的计算区间以当前极值点为中心,区间长度由极值确定;
根据比对结果对极值点及其极值进行筛选。
3.根据权利要求1所述的多维并行调度方法,其特征在于,所述基于二次分类后图像选取GPU,实时监测GPU的单位处理时长,根据所述单位处理时长更新二次分类过程的步骤包括:
统计所有图像库,根据图像库的图像总数确定GPU占比;
根据GPU占比对已有GPU进行分配,并基于分配后的GPU对图像库中的图像进行并行处理;
实时监测各个GPU的单位处理时长,当所述单位处理时长达到预设的时长阈值时,标记该图像;
根据所有标记的图像更新基准参数、差值阈值和极值判定条件。
4.根据权利要求2所述的多维并行调度方法,其特征在于,所述根据比对结果对极值点及其极值进行筛选的步骤包括:
接收工作人员输入的保留数量;
当所述极值大于所述积分均值时,计算极值与积分均值的超出比例;
根据所述超出比例对极值进行排序,基于所述保留数量在排序后极值中进行顺序选取,并同步读取极值点。
5.根据权利要求4所述的多维并行调度方法,其特征在于,所述根据比对结果对极值点及其极值进行筛选的步骤还包括:
定时对像素变化曲线进行二次求导,根据二次求导结果对极值进行分类,得到极大值和极小值;
计算极大值和极小值的数量,根据所述数量更新排序过程。
6.根据权利要求1所述的多维并行调度方法,其特征在于,所述计算极大值和极小值的数量,根据所述数量更新排序过程的步骤包括:
统计极大值,计算极大值数量;
统计极小值,计算极小值数量;
计算极大值数量和极小值数量的比值,根据所述比值确定独立的极大值的比例阈值和极小值的比值阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410005883.9A CN117830731B (zh) | 2024-01-02 | 2024-01-02 | 多维并行调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410005883.9A CN117830731B (zh) | 2024-01-02 | 2024-01-02 | 多维并行调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830731A CN117830731A (zh) | 2024-04-05 |
CN117830731B true CN117830731B (zh) | 2024-06-28 |
Family
ID=90507743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410005883.9A Active CN117830731B (zh) | 2024-01-02 | 2024-01-02 | 多维并行调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830731B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527071A (zh) * | 2022-11-04 | 2022-12-27 | 西安电子科技大学 | 基于自监督拼图学习的sar图像地物分类方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8965143B2 (en) * | 2011-09-12 | 2015-02-24 | Google Inc. | System for enhancing content |
CN104471939B (zh) * | 2012-07-13 | 2018-04-24 | 皇家飞利浦有限公司 | 改进的hdr图像编码和解码方法和设备 |
CN105302151B (zh) * | 2014-08-01 | 2018-07-13 | 深圳中集天达空港设备有限公司 | 一种飞机入坞引导和机型识别的***及方法 |
US10453195B2 (en) * | 2016-08-19 | 2019-10-22 | Optrascan, Inc. | Method of detecting tissue area of interest in digital pathology imaging by executing computer-executable instructions stored on a non-transitory computer-readable medium |
CN107742301B (zh) * | 2017-10-25 | 2021-07-30 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
CN109961404A (zh) * | 2017-12-25 | 2019-07-02 | 沈阳灵景智能科技有限公司 | 一种基于gpu并行计算的高清视频图像增强方法 |
CN110310668A (zh) * | 2019-05-21 | 2019-10-08 | 深圳壹账通智能科技有限公司 | 静音检测方法、***、设备及计算机可读存储介质 |
WO2021199937A1 (ja) * | 2020-03-31 | 2021-10-07 | Jfeスチール株式会社 | 金属組織の撮影条件決定方法、金属組織の撮影方法、金属組織の相分類方法、金属組織の撮影条件決定装置、金属組織の撮影装置、金属組織の相分類装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 |
CN113780138B (zh) * | 2021-08-31 | 2022-09-13 | 中国科学技术大学先进技术研究院 | 自适应鲁棒性VOCs气体泄漏检测方法、***及存储介质 |
CN114067160B (zh) * | 2021-11-22 | 2023-04-07 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
CN114331876A (zh) * | 2021-12-10 | 2022-04-12 | 深圳职业技术学院 | 水下鱼类图像增强方法、***、计算机设备及存储介质 |
CN114820277A (zh) * | 2022-04-24 | 2022-07-29 | 优利德科技(中国)股份有限公司 | 基于OpenCL的图像处理方法、装置、计算设备及介质 |
CN114648526A (zh) * | 2022-05-18 | 2022-06-21 | 武汉精立电子技术有限公司 | 一种图像坏点处理方法、存储介质、电子设备及*** |
CN116188959A (zh) * | 2023-03-14 | 2023-05-30 | 北京未来链技术有限公司 | 基于元宇宙的电商购物场景智能识别及存储*** |
-
2024
- 2024-01-02 CN CN202410005883.9A patent/CN117830731B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527071A (zh) * | 2022-11-04 | 2022-12-27 | 西安电子科技大学 | 基于自监督拼图学习的sar图像地物分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117830731A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN107679466B (zh) | 信息输出方法和装置 | |
CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和*** | |
CN112070079B (zh) | 基于特征图重赋权的x光违禁品包裹检测方法及装置 | |
CN108447064B (zh) | 一种图片处理方法及装置 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN111986785A (zh) | 医学影像标注方法和装置、设备及存储介质 | |
CN111061933A (zh) | 图片样本库构建方法、装置、可读存储介质及终端设备 | |
CN110969046A (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN113689436A (zh) | 图像语义分割方法、装置、设备及存储介质 | |
CN112419214A (zh) | 一种标注图像生成方法、装置、可读存储介质及终端设备 | |
CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
CN117830731B (zh) | 多维并行调度方法 | |
CN112084988A (zh) | 车道线实例聚类方法、装置、电子设备和存储介质 | |
CN115601547A (zh) | 样本图像获取、货物管理方法、装置、设备及存储介质 | |
CN110610177A (zh) | 字符识别模型的训练方法、字符识别方法及装置 | |
CN113034449B (zh) | 目标检测模型训练方法、装置及通信设备 | |
CN111476253B (zh) | 服装图像分类、图像分类方法、装置及设备 | |
CN111797922A (zh) | 文本图像分类方法及装置 | |
CN112613415A (zh) | 脸部鼻型识别方法、装置、电子设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |