一種基于流體運動矢量場的并行分析方法
【專利摘要】本發(fā)明提供了一種基于流體運動矢量場的并行分析方法，具體步驟包括：將圖像序列的各圖像分解為同等大小的若干塊小區(qū)域；構(gòu)建灰度分布矩陣；并行化獲取圖像序列的初始運動矢量場；通過新的平滑性約束項對初始運動矢量場進行并行化處理去噪；通過新的能量約束函數(shù)對去噪后的運動矢量場進行并行化處理優(yōu)化；獲取包含流體運動圖像序列的主方向運動矢量。本發(fā)明所述的流體運動矢量分析方法結(jié)合能量優(yōu)化技術(shù)并利用圖形處理器GPU的單指令多線程SIMT特性，使流體分析從串行轉(zhuǎn)換為并行，實現(xiàn)對圖像的并行化處理，提高了圖像處理的性能和效率，大大提高了圖像處理的精度，也降低系統(tǒng)處理圖像序列的時間。
【專利說明】
一種基于流體運動矢量場的并行分析方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及計算機圖形學(xué)領(lǐng)域，尤其涉及一種基于流體運動矢量場的并行分析方 法。
【背景技術(shù)】
[0002] 在進行圖像運動分析過程中，一般存在兩種分析方法:光流分析方法和運動矢量 分析方法。光流分析方法主要表示幾何變化情況，利用圖像序列之間的像素強度值的運動 變化，來確定圖像中每一個像素的運動變化情況，構(gòu)建出圖像中每個像素點的運動矢量;運 動矢量分析方法主要針對相鄰兩幀圖像之間統(tǒng)一對應(yīng)點的變換情況，來獲得每個像素點的 運動矢量，從而構(gòu)建一個運行矢量場。
[0003] 傳統(tǒng)的圖像序列處理都是利用運動矢量分析方法或者光流分析方法進行形態(tài)矩 陣初始化表示，構(gòu)建出形矩陣中的基本數(shù)據(jù)，將形態(tài)矩陣表示的圖像數(shù)據(jù)進行去噪處理，得 到了比較好的數(shù)據(jù)表示，最后利用能量約束算法進行數(shù)據(jù)的深入處理，獲得到實驗的結(jié)果。
[0004] 流體運動的變化時而緩慢，時而劇烈，造就了流體運動相鄰之間圖像灰度值千變 萬化。在流體運動變化相對緩慢的狀態(tài)下，形態(tài)矩陣能夠精確地表示圖像的變換情況;但在 流體運動變化相對劇烈的狀態(tài)下，包含流體運動的圖像序列的相鄰兩幀圖像序列之間變化 劇烈，其灰度值變化比較頻繁，形態(tài)矩陣難以精確地表示圖像的變換情況。
[0005] 光流分析方法處理包含流體運動的圖像序列時，難以處理相鄰兩幀圖像之間存在 劇烈變化的灰度值的圖像序列，其處理結(jié)果存在巨大誤差;而傳統(tǒng)的運動矢量分析方法對 包含流體運動的圖像序列進行分析處理的過程中也存在以下幾個方面的不足:其一，形態(tài) 矩陣在表示圖像序列的數(shù)據(jù)時，無法對流體運動中頻繁變化的灰度值進行表示;其二，傳統(tǒng) 的去噪算法不能處理包含流體運動的圖像序列中劇烈變化的灰度，如連續(xù)性方程和灰度連 續(xù)性約束算法在處理劇烈變化的灰度值圖像時，會出現(xiàn)很大的誤差;其三，傳統(tǒng)的能量約束 函數(shù)在處理較大灰度變化的圖像序列的時候，會因為參數(shù)的取值不同，而導(dǎo)致在處理圖像 的時候，出現(xiàn)較大的偏差。

【發(fā)明內(nèi)容】

[0006] 為了克服現(xiàn)有的圖像序列處理方法在處理流體運動圖像序列過程中存在的處理 效率低和精度不高的問題，本發(fā)明提出了一種基于流體運動矢量場的并行分析方法，利用 已有的形態(tài)矩陣和圖像序列灰度值構(gòu)建灰度分布矩陣(Gray Distribution Matrix，簡稱 GDM)，提高表示圖像基本信息的準(zhǔn)確性;改進去噪算法，對灰度分布矩陣進行優(yōu)化操作；改 進能量約束函數(shù)，實現(xiàn)新的能量約束優(yōu)化;利用圖形處理器(Graphic Processing Unit，簡 稱GPU)的單指令多線程(Single Instruction Multiple Threads，簡稱SIMT)的特性，將對 包含流體運動圖像的分析從串行處理轉(zhuǎn)換為并行處理，提高了圖像處理的性能、效率和精 度，也降低系統(tǒng)處理圖像序列的時間。
[0007] 本發(fā)明提出了一種基于流體運動矢量場的并行分析方法，包括步驟如下：
[0008]將圖像序列的各圖像分解為同等大小的aXa塊小區(qū)域；
[0009]構(gòu)建灰度分布矩陣；
[0010]并行化獲取圖像序列的初始運動矢量場；
[0011]通過新的平滑性約束項對初始運動矢量場進行并行化處理去噪；
[0012]通過新的能量約束函數(shù)對去噪后的運動矢量場進行并行化處理優(yōu)化；
[0013 ]獲取包含流體運動圖像序列的主方向運動矢量。
[0014] 其中，所述構(gòu)建灰度分布矩陣的具體步驟如下：圖像分解為aXa塊，構(gòu)建一個對應(yīng) 大小為a X a的區(qū)域下面的灰度分布矩陣，故灰度分布矩陣描述如下：
[0015] GDM(x,y,t) = (S°(x,y,t),S1(x,y,t)^. . .SL(x,y,t)) ?…V
[0016] 其中，灰度級信息矩陣S'(.、:，.w)= : ···：; p. "， p， 、^??-Ι J
[0017] 式中，L表示為灰度級;每個灰度級表示某個區(qū)間段的灰度值，灰度值的范圍就是0 ~255。在一種優(yōu)選實施例中，灰度級為0表不[0,10]區(qū)間段的灰度值。ri表不的是圖像的第 (c+1)塊區(qū)域，c = 0，l, . . .，aXa-l;<表示的是r。區(qū)域內(nèi)所有的灰度級L的值相加之和。
[0018] 在一種優(yōu)選實施例中，令a = 4，即將圖像分解為4 X 4塊，構(gòu)建一個大小為4 X 4的區(qū) 域下面的灰度分布矩陣，L的取值范圍為0~25,令灰度級L = 25故灰度分布矩陣描述如下：
[0019] GDM(x,y,t) = {S°(x,y,t),S1(x,y,t)^ · . .S25(x,y,t)}；
[K …
[0020] 其中，灰度級信息矩陣S25(xj,i)= ? ; U,…々J
[0021] 式中，r。表示的是圖像的第(c+1)塊區(qū)域，c = 0，l，. . .，15;及表示的是r。區(qū)域內(nèi)所 有的灰度級的值相加之和。
[0022] 其中，所述構(gòu)建初始運動矢量場的具體步驟包括:將圖像分解為a X a塊，每一塊區(qū) 域大小相同，利用圖形處理器GPU的單指令多線程SMT特性對各塊區(qū)域進行并行化處理， GPU中每一個線程處理一個小區(qū)域的搜索窗口；每一個線程在其處理的小區(qū)域內(nèi)進行循環(huán) 遍歷操作，針對像素點(x，y)計算原像素和當(dāng)前搜索窗口里面的每個像素之間的距離值，取 距離最小值作為對應(yīng)的像素信息，可得到運動場中點(x，y)對應(yīng)的運動矢量，循環(huán)迭代獲得 該小區(qū)域內(nèi)每一個像素點的運動矢量，并行化處理獲得各個小區(qū)域的運動矢量場，由此得 到包含流體運動的圖像序列對應(yīng)的運動矢量場。
[0023] 在一種優(yōu)選實施例中，所述對初始運動矢量場進行去噪的具體步驟包括:通過將 圖像序列分成若干同等大小的模塊，在每個子區(qū)域模塊中，統(tǒng)計分析出大多數(shù)像素點的方 向：上、下、左和右四個方向；針對每一個子區(qū)域，取其中像素點最多的方向作為該子區(qū)域運 動矢量方向，移除該子區(qū)域內(nèi)不在矢量方向的像素信息，從而得到該子區(qū)域去噪后的運動 矢量場，將所有去噪后的子區(qū)域的運動矢量場合成一個運動矢量場，即為包含流體運動的 圖像序列去噪后的運動矢量場。
[0024] 其中，所述新的平滑約束項的獲取方式包括:根據(jù)Snake模型，結(jié)合去噪后的運動 矢量場數(shù)據(jù)，得到新的平滑約束項。
[0025] Snake模型由Kass等人在1987年提出，基本思想為：以一些圖像中的一些控制點為 輪廓線，通過模板自身的彈性形變，結(jié)合圖像局部特征因素相匹配，最終達到調(diào)和，從而完 成圖像的分割。
[0026] 其中，所述新的平滑性約束項如下： xfx y+n
[0027] U"，'，)= Σ Σ - v".): i-χ-η j- v-n
[0028] 式中，F(xiàn)image(u，v)表示大小為u*v區(qū)域的平滑約束函數(shù)，Uij和 Vij分別為運動矢量場 中位于(X，y)在X軸和y軸方向的運動矢量分量，i表示當(dāng)前正在計算像素點U方向的坐標(biāo)信 息，j表示當(dāng)前正在計算像素點v方向的坐標(biāo)信息，η表示我們整個能量函數(shù)的搜索狀態(tài)空間 大小。
[0029] 在一種優(yōu)選實施例中，所述對去噪后的運動矢量場進行新的能量約束優(yōu)化的具體 步驟包括:通過新的能量約束函數(shù)計算出圖像分割的輪廓線和圖像序列中每個點位置上的 運動矢量，根據(jù)去噪后的矢量場數(shù)據(jù)信息，遍歷每個子區(qū)域，通過能量約束函數(shù)迭代操作， 對能量函數(shù)進行最小化，尋找能量函數(shù)的最小值，即找到去噪后的運動矢量場中缺失位置 的原像素對應(yīng)的點，也就得到了更加詳細的灰度分布數(shù)據(jù)信息，即運動矢量場中缺失的位 置上像素信息，實現(xiàn)處理包含較大灰度變化的圖像序列。
[0030] 其中，所述新的能量約束函數(shù)的獲取方式包括:結(jié)合新的平滑約束條件和經(jīng)過平 滑約束優(yōu)化后的灰度分布矩陣，得到新的能量約束函數(shù)。
[0031] 其中，所述新的能量約束函數(shù)F(u，v)為：
[0032] F(u, v) =Fimage(u, v)+aFcon(u, v)
[0033] 其中，^。"表示的是區(qū)域以外的能量的約束與小區(qū)域內(nèi)的圖像信息約束對應(yīng)關(guān)系， α表示的是權(quán)衡因子。
[0034]其中，對流體運動圖像序列進行并行處理的方式為:基于圖形處理器GPU的SMT特 性對流體運動圖像序列進行并行化處理。
[0035] 在一種優(yōu)選實施例中，對流體運動圖像序列進行并行化處理即在能量約束優(yōu)化階 段，充分利用能量函數(shù)最小化過程是可并行化的特性，提高程序的執(zhí)行效率，縮短能量約束 優(yōu)化過程的處理時長。
[0036] 本發(fā)明提出了一種基于流體運動矢量場的并行分析方法，通過基于形態(tài)矩陣的新 型灰度分布矩陣表示圖像序列的灰度值信息，從而更精確地表示圖像序列的運動矢量信 息，同時利用GPU的SMT并行化特性進行數(shù)據(jù)處理，實現(xiàn)對圖像的并行化處理，提高了圖像 處理的性能和效率，同時也大大提高了圖像處理的精度。
【附圖說明】
[0037] 圖1是本發(fā)明的流程圖；
[0038] 圖2為實施例中的圖像序列不意圖；
[0039] 圖3為實施例中的灰度分布矩陣求解過程偽代碼圖；
[0040] 圖4為實施例中的去噪算法實施細節(jié)偽代碼圖；
[0041] 圖5為實施例中的能量約束實施細節(jié)偽代碼圖；
[0042] 圖6為本發(fā)明與現(xiàn)有技術(shù)對本實施例處理得到的效果對比圖。
【具體實施方式】
[0043] 結(jié)合以下具體實施例和附圖，對本發(fā)明作進一步的詳細說明。實施本發(fā)明的過程、 條件、試驗方法等，除以下專門提及的內(nèi)容之外，均為本領(lǐng)域的普遍知識和公知常識，本發(fā) 明沒有特別限制內(nèi)容。
[0044] 實施例
[0045] 如圖1所示，為本實施例的分析過程流程示意圖。
[0046] 如圖2所示，為本實施例中的待分析的包含流體運動的圖像序列，將圖像序列的各 圖像分解為同等大小的4 X 4塊小區(qū)域。
[0047] 根據(jù)分解的同等大小的4 X 4塊小區(qū)域，構(gòu)建一個對應(yīng)的4 X 4灰度分布矩陣，令L = 25,即包含26個灰度級，每個灰度級表示某個區(qū)間段的灰度值。利用opencv庫中相應(yīng)的函 數(shù)，獲得圖像的灰度值。根據(jù)圖像中每個像素的RGB值可以得到圖像的灰度值，灰度值的范 圍就是0~255。本實施例中，26個灰度級與其對應(yīng)的灰度值的區(qū)間段如下表所示：
[0050] 灰度分布矩陣描述如下：
[0051] GDM(x,y,t) = {S°(x,y,t),S1(x,y,t)^ · . .S25(x,y,t)}；
[0052] 當(dāng)L = 25,灰度級信息矩陣、
[0053] 式中，r。表示的是圖像的第(c+1)塊區(qū)域，c = 0，l，. . .，15;&表示的是r。區(qū)域內(nèi)所 有像素點的灰度級的值相加之和，循環(huán)迭代整個圖像序列，得到完整的灰度分布矩陣。
[0054] 為流體運動矢量計算并行化過程中灰度分布矩陣求解的過程。通過灰度值和灰度 級之間的對應(yīng)關(guān)系，在進行計算灰度分布矩陣之前，首先將圖像中的灰度值信息進行轉(zhuǎn)化， 將其轉(zhuǎn)化為灰度級信息，從而在進行灰度分布矩陣計算的時候，識別灰度級信息。
[0055] 利用本發(fā)明提出的基于形態(tài)矩陣以及圖像灰度值構(gòu)建的灰度分布矩陣可以極大 地降低數(shù)據(jù)表示的不準(zhǔn)確性和誤差;表現(xiàn)的數(shù)據(jù)信息更加精確，相比較傳統(tǒng)的數(shù)據(jù)表示方 法，灰度分布矩陣中的噪聲數(shù)據(jù)更加少。
[0056]并行化處理圖像序列，獲取初始運動矢量場。利用GPU的SMT特性對各小區(qū)域進行 并行化處理，將待搜索的圖像的每一塊小區(qū)域看作一個搜素窗口，每一個線程處理一塊小 區(qū)域的搜索窗口；獲取每個小區(qū)域的運動矢量場，從而獲得圖像序列的初始運動矢量場。如 圖3所示，為每塊小區(qū)域的處理流程示意圖，具體過程包括：
[0057] 在一個小區(qū)域內(nèi)進行遍歷操作，針對圖像中的一個像素點(x，y)，在搜索窗口內(nèi)尋 找與該像素點的灰度值接近的像素點(χ+i，y+j);
[0058] 利用compare⑶Μ函數(shù)計算出整個圖像中像素點（x，y)和當(dāng)前對應(yīng)的搜索窗口中像 素點(x+i，y+j)之間的距離值；
[0059]取距離最小值作為對應(yīng)的像素信息，則就可以求出運動場中點（x，y)對應(yīng)的初始 運動矢量；
[0060]循環(huán)迭代獲得該小區(qū)域內(nèi)每一個像素點的運動矢量，通過并行化處理獲得各個小 區(qū)域的初始運動矢量場；
[0061 ]由此得到包含流體運動的圖像序列對應(yīng)的初始運動矢量場。
[0062] 通過新的平滑約束項對初始運動矢量場進行去噪實現(xiàn)噪聲元素信息的初步優(yōu)化， 進一步縮減灰度分布矩陣中的噪聲數(shù)據(jù)。
[0063] 如圖4所示，為初始運動矢量場去噪流程圖，具體包括步驟：
[0064] 將初始運動矢量場分解為同等大小4X4塊小區(qū)域，進行并行化分析處理；
[0065] 針對每一個小區(qū)域，尋找表示該區(qū)域內(nèi)的像素的運動矢量；
[0066] 圖像序列的主方向表示的是圖像運行中運行矢量占絕大多數(shù)的所指的方向；
[0067] 判斷當(dāng)前正在搜索的區(qū)域內(nèi)的運動矢量場與圖像序列的主方向運動矢量場是否 一致，若不一致，這表示該區(qū)域沒有對應(yīng)的運動矢量場;反之，該小區(qū)域的運動矢量場可進 行保留和填充。
[0068] 通過新的能量約束函數(shù)對去噪后的運動矢量場進行并行化能量約束優(yōu)化，獲得到 更加精確的圖像序列的運動矢量場，如圖5所示，能量約束優(yōu)化流程圖，具體步驟包括：
[0069] 將去噪優(yōu)化之后的運動矢量場進行切分，切分成同等大小的4X4塊小區(qū)域，針對 每一塊小區(qū)域進行并行化處理；
[0070] 對于每一個小區(qū)域中的每一個位置上的點，我們通過計算尋找到當(dāng)前搜索窗口中 能量最小的點，最終確定搜索點的運動矢量；
[0071] 循環(huán)迭代計算過程，可以彌補每個小區(qū)域內(nèi)中去噪后空白的位置信息元素的運動 矢量。
[0072] 對同一組運動的圖像序列采用現(xiàn)有技術(shù)和本發(fā)明提出的技術(shù)方案分別對其進行 圖像運動分，取得的效果對比，如圖6所示，最左邊的圖片為原始圖片，中間兩張圖片是現(xiàn)有 的兩種技術(shù)方法經(jīng)過處理以后得到的運動矢量數(shù)據(jù)信息，最右邊的圖片是經(jīng)過本發(fā)明方法 處理得到的實驗數(shù)據(jù)，通過兩者的對比，我們可以發(fā)現(xiàn)經(jīng)過本發(fā)明提出的技術(shù)方案處理后 的數(shù)據(jù)，能大大提高圖像處理的精度，選擇其中的一種現(xiàn)有方法與本發(fā)明的方法的運行時 間進行比較，如下表所示：
[0074] 由表可知，本發(fā)明的方法比傳統(tǒng)的方法提高了時間效率。
[0075] 雖然針對于大多數(shù)圖像序列而言，一塊小區(qū)域中的灰度值變化是微乎其微的，但 在包含有流體運動的圖像序列中，圖像序列之間的灰度值變換相對比較頻繁。因而，利用揭 示了流體密度和流速之間的重要關(guān)系的連續(xù)性方程式
·其中V表示3D的運 動矢量場，P是流體的密度，r是某一個時間點;會影響整個對應(yīng)點的搜索過程。并且，由于在 高度方向的流體變化，以及在進行數(shù)據(jù)采集的時候，攝像機的角度變換等因素，造成了圖像 即是具有相同的二維運動矢量數(shù)據(jù)信息，也會存在不同的灰度值信息。所以，基于連續(xù)性方 程的約束，在計算劇烈的流體運動時，存在較大的誤差。故而，需要進行改進，本發(fā)明就是在 原有的理論基礎(chǔ)之上，進行較大的優(yōu)化，得到了一種基于灰度分布矩陣數(shù)據(jù)保存處理方式。
[0076] 本發(fā)明提出了一種基于流體運動矢量場的并行分析方法，通過基于形態(tài)矩陣的新 型灰度分布矩陣表示圖像序列的灰度值信息，從而更精確地表示圖像序列的運動矢量信 息，同時利用GPU的SMT并行化特性進行數(shù)據(jù)處理，實現(xiàn)對圖像的并行化處理，提高了圖像 處理的性能和效率，同時也大大提高了圖像處理的精度。
[0077] 以上對本發(fā)明的具體實施例進行了詳細描述，但其只是作為范例，本發(fā)明并不限 制于以上描述的具體實施例。對于本領(lǐng)域技術(shù)人員而言，任何對本發(fā)明進行的等同修改和 替代也都在本發(fā)明的范疇之中。因此，在不脫離本發(fā)明的精神和范圍下所作的均等變換和 修改，都應(yīng)涵蓋在本發(fā)明的范圍內(nèi)。
【主權(quán)項】
1. 一種基于流體運動矢量場的并行分析方法，其特征在于，包括步驟如下： 將圖像序列的各圖像分解為同等大小的aXa塊小區(qū)域； 構(gòu)建灰度分布矩陣； 并行化獲取圖像序列的初始運動矢量場； 通過新的平滑性約束項對初始運動矢量場進行并行化處理去噪； 通過新的能量約束函數(shù)對去噪后的運動矢量場進行并行化處理優(yōu)化； 獲取包含流體運動圖像序列的主方向運動矢量。2. 根據(jù)權(quán)利要求1所述的一種方法，其特征在于，所述構(gòu)建灰度分布矩陣的具體步驟如 下：圖像分解為a X a塊，構(gòu)建一個對應(yīng)大小為a X a的灰度分布矩陣，灰度分布矩陣描述如 下： GDM(x，y，t) = {S〇(x，y，t)，Si(x，y，t)，...SL(x,y,t)}; 其中，灰度級信息矩時式中，L表示為灰度級;每個灰度級表示某個區(qū)間段的灰度值;ri表示的是圖像的第（i+ 1)塊區(qū)域，i = 〇，l，. . .，aXa-l;巧表示的是ri區(qū)域內(nèi)所有的灰度級L的值相加之和。3. 根據(jù)權(quán)利要求1所述的一種方法，其特征在于，所述獲取初始運動矢量場的具體步驟 包括： 利用圖形處理器GPU的單指令多線程SIMT特性對分解的圖像序列的aXa塊小區(qū)域進行 并行化處理，每塊小區(qū)域作為一個捜索窗口，每一個線程處理一塊小區(qū)域的捜索窗口；各個 線程在其處理的小區(qū)域內(nèi)進行遍歷操作，針對像素點（x，y)計算原像素和當(dāng)前捜索窗口里 面的像素相差的距離值，取距離最小值作為對應(yīng)的像素信息，可得到運動場中點(x，y)對應(yīng) 的運動矢量，循環(huán)迭代獲得該小區(qū)域內(nèi)每一個像素點的運動矢量，并行化處理獲得各個小 區(qū)域的運動矢量場，由此得到包含流體運動的圖像序列的初始運動矢量場。4. 根據(jù)權(quán)利要求1所述的一種方法，其特征在于，所述對初始運動矢量場進行去噪的具 體步驟包括:通過將圖像序列分成若干同等大小的模塊，在每個子區(qū)域模塊中，統(tǒng)計分析出 大多數(shù)像素點的方向：上、下、左和右四個方向；針對每一個子區(qū)域，取其中像素點最多的方 向作為該子區(qū)域運動矢量方向，移除該子區(qū)域內(nèi)不在矢量方向的像素信息，從而得到該子 區(qū)域去噪后的運動矢量場，將所有去噪后的子區(qū)域的運動矢量場合成一個運動矢量場，即 為包含流體運動的圖像序列去噪后的運動矢量場。5. 根據(jù)權(quán)利要求1所述的一種方法，其特征在于，所述新的平滑約束項的獲取方式包 括:根據(jù)Snake模型，結(jié)合去噪后的運動矢量場數(shù)據(jù)，得到新的平滑約束項。6. 根據(jù)權(quán)利要求1或5所述的一種方法，其特征在于，所述新的平滑性約束項如下：式中，F(xiàn)image(U，V)表示大小為U*V區(qū)域的平滑約束函數(shù)，叫和^分別為運動矢量場中位 于(x，y)在X軸和y軸方向的運動矢量分量，i表示當(dāng)前正在計算像素點U方向的坐標(biāo)信息，j 表示當(dāng)前正在計算像素點V方向的坐標(biāo)信息，η表示我們整個能量函數(shù)的捜索狀態(tài)空間大 小。7. 根據(jù)權(quán)利要求1所述的一種方法，其特征在于，所述對去噪后的運動矢量場進行新的 能量約束優(yōu)化的具體步驟包括:通過新的能量約束函數(shù)計算出圖像分割的輪廓線和圖像序 列中每個點位置上的運動矢量，根據(jù)去噪后的矢量場數(shù)據(jù)信息，遍歷每個子區(qū)域，通過能量 約束函數(shù)迭代操作，對能量函數(shù)進行最小化，尋找能量函數(shù)的最小值，即找到去噪后的運動 矢量場中缺失位置的原像素對應(yīng)的點，實現(xiàn)處理包含較大灰度變化的圖像序列。8. 根據(jù)權(quán)利要求1所述的一種方法，其特征在于，所述新的能量約束函數(shù)的獲取方式包 括:結(jié)合新的平滑約束條件和經(jīng)過平滑約束優(yōu)化后的灰度分布矩陣，得到新的能量約束函 數(shù)。9. 根據(jù)權(quán)利要求1或8所述的一種方法，其特征在于，所述新的能量約束函數(shù)F(u，v)為： F(u,v)=Fimage(u,v)+aFcon(u,v) 其中，F(xiàn)c。。表示的是區(qū)域W外的能量的約束與小區(qū)域內(nèi)的圖像信息約束對應(yīng)關(guān)系，α表 示的是權(quán)衡因子。10. 根據(jù)權(quán)利要求1所述的一種方法，其特征在于，對包含流體運動圖像序列進行并行 化處理的方式為:基于圖形處理器GPU的單指令多線程SIMT特性對包含流體運動圖像序列 每一個步驟都進行并行化處理。
【文檔編號】G06T1/20GK106097396SQ201610490479
【公開日】2016年11月9日
【申請日】2016年6月29日
【發(fā)明人】陳銘松, 王紅祥, 莊涵, 徐思遠, 宋進忠
【申請人】華東師范大學(xué)