基于密度的聚类算法并行化研究及在视网膜血管提取中的应用

摘要

聚类作为一种数据统计分析方法，被广泛应用于机器学习、图像处理、复杂网络分析等领域。因聚类过程的不同，聚类算法可分为基于划分、基于层次、基于密度、基于网格以及基于模型的方法。基于密度的聚类算法，因对噪声不敏感，并能发现任意形状的类簇，而受到研究者的关注。但是，基于密度的聚类算法在处理大量数据或高维数据时，存在近邻计算开销过大的问题。对算法进行并行化研究是提高计算性能的有效途径。图形处理器GPU通用计算技术的发展和统一计算设备架构CUDA的出现，为算法并行化研究提供了支持。
　　本论文主要针对基于密度的Density Peaks聚类算法展开研究，给出了改进的Density Peaks聚类算法;对改进的Density Peaks聚类算法进行基于GPU的并行化设计，实现Density Peaks聚类并行算法;并结合图像处理应用，设计Density Peaks聚类并行视网膜血管分割算法。
　　首先，论文对Density Peaks聚类算法进行改进，调整密度计算方法和距离定义。结合高斯核密度和K近邻方法计算数据点的局部密度，引入密度降序排列定义距离，减少类簇误分，提高聚类准确度。其次，重点研究了改进后的Density Peaks聚类算法在CUDA架构下GPU上的并行化设计和实现。利用Density Peaks聚类算法对每一数据点进行同一组计算操作的潜在可并行特性，将距离、密度、决策值的大量计算任务移送至GPU平台并行处理，提高运行效率。最后，将DensityPeaks聚类并行算法应用于视网膜图像的血管分割。通过提取图像像素点的SWT、WLD、Gabor响应等特征信息，构建像素级的混合特征库，应用Density Peaks聚类并行算法在多维特征空间中对像素点进行聚类，完成血管的分割提取。论文进行了Density Peaks聚类算法、改进的Density Peaks聚类算法和Density Peaks聚类并行算法的对比实验，以及视网膜血管提取应用实验。实验结果表明，Density Peaks聚类并行算法能有效提高加速比。

目录

声明

致谢

摘要

1 绪论

1．1 聚类算法及应用概述

1．2 并行技术及发展现状

1．3 论文主要研究内容

1．4 论文组织结构

2 论文相关理论与技术

2．1 聚类算法

2．1．1 基于划分的方法

2．1．2 基于层次的方法

2．1．3 基于密度的方法

2．1．4 基于网格的方法

2．1．5 基于模型的方法

2．2 图形处理器GPU

2．2．1 GPU介绍

2．2．2 CUDA架构

3 基于密度的Density Peaks聚类算法并行化研究

3．1 Density Peaks聚类算法

3．1．1 Density Peaks聚类算法思想

3．1．2 Density Peaks聚类算法存在问题

3．2 Density Peaks聚类算法的改进

3．2．1 密度计算方法改进

3．2．2 距离定义调整

3．2．3 聚类中心决策

3．2．4 改进算法描述

3．3 改进的Density Peaks聚类算法的并行化设计

3．3．1 基于GPU的任务划分

3．3．2 CUDA并行线程模块

3．3．3 距离矩阵存储优化

3．4 实验结果与分析

3．4．1 评价指标

3．4．2 实验环境

3．4．3 实验结果

3．5 小结

4 Density Peaks聚类并行算法在视网膜血管提取中的应用

4．1 视网膜血管分割研究现状简述

4．2 视网膜结构

4．3 视网膜像素特征提取

4．3．1 SWT特征

4．3．2 WLD特征

4．3．3 Gabor响应特征

4．4 针对视网膜血管提取应用的算法设计

4．5 实验结果与分析

4．5．1 实验环境

4．5．2 实验结果

4．6 小结

5 总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集