VScode Debug Run

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

{
    "name": "(gdb) 启动",
    "type": "cppdbg",
    "request": "launch",
    "program": "/home/shaojiemike/github/IPCC/SLIC/SLIC",
    "args": [],
    "stopAtEntry": false,
    "cwd": "${fileDirname}",
    "environment": [],
    "externalConsole": false,
    "MIMode": "gdb",
    "setupCommands": [
        {
            "description": "为 gdb 启用整齐打印",
            "text": "-enable-pretty-printing",
            "ignoreFailures": true
        }
    ]
}

1

g++ -g -std=c++11 SLIC.cpp -o SLIC #把调试信息加到可执行文件中，如果没有-g，你将看不见程序的函数名、变量名，所代替的全是运行时的内存地址。

Debug Process

1. main
2. LoadPPM 把数据读入imag
   1. 读类型、像素图片长宽 2599 3898
   2. 读最大像素 255(应该是指rgb颜色，比如red只有256种，也就是8位二进制)
   3. 读长宽的像素的rgb到imag返回,imag是2599*3898大小的unsigned int二维数组,每位存24位数2进制数。
3. 创建lables来存储分类结果, m_spcount 200, m_compactness 10
4. 计时运行 slic.PerformSLICO_ForGivenK(img, width, height, labels, numlabels, m_spcount, m_compactness);//for a given number K of superpixels
5. 结果与check.ppm对比

skills: watch arrays

1
2

*(int(*)[100])labels
*labels@10000

SourceTrail Analysis

Vtune Analysis

需要进一步的研究学习

遇到的问题

参考文献

test on node5

1
2
3

g++ -std=c++11 SLIC.cpp -o SLIC
time ./SLIC
./SLIC  28.46s user 0.52s system 99% cpu 29.027 total

test on amd_256

1
2

gcc 10.2.0
[1]    122955 segmentation fault (core dumped)  ./SLIC

我傻逼了，我把cpp移动了，但是输入文件忘记动了

1
2
3

cat ./log/job_436960_rank0_fb0707_0.out
Computing time=21872 ms
There are 0 points' labels are different from original file.

要求

1. 对slic.PerformSLICO_ForGivenK 函数运行时间进行通用优化
   1. 首先是并行化处理
   2. 读取时间不在计分范围
   3. 可以优化编译选项
   4. 可以改变数据结构与类型
2. 需保证结果正确
3. 之后有多组数据

需要进一步的研究学习

遇到的问题

北京超算的机器传文件只能用wincp,而且有时候不行，需要刷新缓存

参考文献

SLIC

超像素算法就是将图像中的像素依据某种相似性进行聚类，形成一个大“像素”，这个大“像素”可以作为其他图像处理算法的基础。
或者是超像素算法将像素组合成感知有意义的原子区域( atomic regions)，其可以用于替换像素网格的刚性结构。它们捕获图像冗余，提供计算图像特征的方便原语( primitive )，并且大大降低了后续图像处理任务的复杂性。

SLIC 算法的基本思想是:

1. 首先将图像从 RGB 颜色空间转换到 CIE-Lab 颜色空间，并把每个像素的（L，a， b）颜色值和（x， y）坐标值组成一个 5 维的特征向量 V[L, a, b, x, y]，
2. 然后，根据给定的网格步长 \(S=\sqrt{N/k}\)，初始化聚类中心 $$C_k=[L_k, a_k, b_k, x_k, y_k]^T$$
3. 之后在每个聚类中心 Ck 的邻域（2Sx2S），计算邻域内各像素与该 Ck 点
   的相似性度量，从而对邻域内的像素点进行聚类，
4. 之后迭代更新聚类中心，直至满足收敛条件。
   
   

算法特点

1. 通过将搜索空间限制为与超像素大小成比例的区域，显着地减少了优化中的距离计算的数量。
   
2. 加权距离度量组合颜色和空间接近度，同时提供对超像素的尺寸和紧凑性的控制。
3. 默认情况下，算法的唯一参数是k，其含义是大小大致相等的超像素的个数。

距离测量

参考文献

https://blog.csdn.net/bailing910/article/details/79747689