基于遺傳算法的GLGM熵多閾值圖像分割第三章

1、第四章 基于遺傳算法的GLGM熵多閾值圖像分割第三章 GPU加速和深度學(xué)習(xí)輔助診斷3.1 GPU加速 在本文中，我們共有兩處涉及到GPU加速，圖像分割和三維渲染，由于我們采用VTK來進(jìn)行三維數(shù)據(jù)可視化，并且VTK中有封裝的vtkGPUVolumeRayCastMapper類，可以方便地進(jìn)行GPU的加速。我們遇到的問題在于圖像分割部分。通常來講，圖像分割就是將圖像分為不重疊的區(qū)域，每一個(gè)區(qū)域具有一些相同的特性，如亮度或紋理【22】。如果將圖像的整個(gè)空域定義為 ，那么分割的目的就是要決定 ，全集為。因此，分割的所有像素集必須滿足，此處 且 ，并且每一個(gè) 都是相連的。在醫(yī)學(xué)圖像的分割中，理想情況下，

2、這些子集會(huì)對應(yīng)到不同的解剖區(qū)域或感興趣區(qū)上。目前常見的分割方法類型有閾值法、區(qū)域生長法、聚類法、馬爾科夫場模型、可形變模型、人工神經(jīng)網(wǎng)絡(luò)分割等等。在這些方法中，區(qū)域生長法是常用來分割單一或簡單的結(jié)構(gòu)【23,24】。在我們的實(shí)驗(yàn)中，采用了一種區(qū)域生長方法：置信連接算法。在ITK中，由itk:ConfidenceConnectedImageFilter類提供這個(gè)算法的一個(gè)CPU版本。這個(gè)算法對于三維圖像的分割非常緩慢，所以我們使用了加速處理。GPU 適合于處理能夠表示為數(shù)據(jù)并行計(jì)算( 同一程序在多個(gè)數(shù)據(jù)上并行執(zhí)行) 的算術(shù)計(jì)算密度( 算術(shù)操作和存儲(chǔ)器操作的比例) 非常高的問題。本文算法部分地屬于這

3、一類問題，所以我們使用GPU進(jìn)行了加速。3.1.1 概念定義 區(qū)域生長算法都要解決三個(gè)問題：第一，選擇若干個(gè)種子點(diǎn)，種子點(diǎn)代表了需要分割的區(qū)域；第二，像素的合并判據(jù)，即生長過程；第三，確定生長過程停止規(guī)則【25】。置信連接算法是區(qū)域生長法的一種，其原理是基于區(qū)域統(tǒng)計(jì)，也就是使用全局信息來作為判據(jù)進(jìn)行像素合并。首先使用表示目標(biāo)區(qū)域的像素集合，使用表示區(qū)域外像素集合。然后，用來表示第種子點(diǎn)，這樣，種子點(diǎn)就描述為，表示種子點(diǎn)的個(gè)數(shù)。對于種子點(diǎn)的鄰域，我們使用表示，所以鄰域像素描述為，表示鄰域個(gè)數(shù)，在二維數(shù)據(jù)中一般，三維數(shù)據(jù)中一般。在迭代過程中，我們需要一個(gè)中轉(zhuǎn)的需要檢查的像素的隊(duì)列，我們記為。表示這

4、個(gè)隊(duì)列的長度，它會(huì)隨著目標(biāo)區(qū)域的擴(kuò)大而逐漸變大或變小。該算法計(jì)算目標(biāo)區(qū)域中包含的所有像素的強(qiáng)度值的平均值和標(biāo)準(zhǔn)差（初始化時(shí)為種子點(diǎn)的鄰域）。此外，需要一個(gè)用戶設(shè)置的倍率因子來乘以標(biāo)準(zhǔn)差，并以此定義一個(gè)在以均值為中心的取值范圍。其公式表述如公式？，其中m和分別是區(qū)域內(nèi)像素的均值和標(biāo)準(zhǔn)差，是用戶指定的倍率因子，為圖像，X為特定鄰域的坐標(biāo)位置。3.1.2算法描述第一步，選定種子點(diǎn)，設(shè)置倍率因子，設(shè)置迭代次數(shù)。第二步，將放入，將放入。第三步，計(jì)算的m和，如果，則使用其鄰域計(jì)算m和。并以此得到范圍。第三步，迭代中的所有鄰域像素，共需要次迭代。第四步，判斷的鄰域，如果鄰域像素的值在中, 則將放入隊(duì)列尾部，

5、表示下一次需要再檢查是否外部還有區(qū)域內(nèi)的像素。將移出，將加入。第五步，重復(fù)第四步，直到中沒有像素，表示在當(dāng)前的判據(jù)內(nèi)已經(jīng)不存在區(qū)域外像素，完成一次迭代。第六步，如果迭代次數(shù)小于，則返回第三步。否則完成迭代，輸出結(jié)果。從算法中，我們可以看到，這個(gè)過程會(huì)隨著點(diǎn)數(shù)的擴(kuò)大而迭代對應(yīng)的次數(shù)，算法時(shí)間復(fù)雜度為，這是沒有計(jì)入計(jì)算均值和標(biāo)準(zhǔn)差時(shí)間的。當(dāng)我們使用三維數(shù)據(jù)時(shí)，由于點(diǎn)數(shù)的劇增，使得算法速度下降。例如，我們在實(shí)驗(yàn)中使用的一個(gè)344層的像素的CT掃描序列，整個(gè)數(shù)據(jù)的點(diǎn)達(dá)到90177536。這對于任何普通CPU來說都是一個(gè)巨大的數(shù)值。如果要實(shí)際應(yīng)用，就必須對算法進(jìn)行加速。 3.1.3 GPU算法設(shè)計(jì)Ope

6、nCL的計(jì)算是通過將設(shè)備看作是相同的一種結(jié)構(gòu)，如圖？所示。它是由一個(gè)控制設(shè)備（Host）和一組計(jì)算設(shè)備（Computer Device）組成的。其中控制設(shè)備通常由一個(gè)CPU擔(dān)任，而通常計(jì)算設(shè)備由一些其他GPU、CPU擔(dān)任。計(jì)算設(shè)備會(huì)切分成很多處理元素（Processing Element），很多個(gè)處理元素可以組成組為一個(gè)計(jì)算單元（Computer Unit），一個(gè)計(jì)算單元內(nèi)的元素之間可以方便的共享一塊內(nèi)存，只有一個(gè)計(jì)算單元內(nèi)的元素之間可以進(jìn)行同步操作。現(xiàn)代的GPU 的硬件體系架構(gòu)被設(shè)計(jì)成為大規(guī)模并行的，可編程的，具有多級(jí)存儲(chǔ)的陣列處理器結(jié)構(gòu)。而OpenCL為所有的設(shè)備設(shè)計(jì)了一套統(tǒng)一的內(nèi)存識(shí)別結(jié)

7、構(gòu)如圖？所示。OpenCL對于計(jì)算設(shè)備的內(nèi)存分為三層：計(jì)算設(shè)備層面的global，計(jì)算單元層面的local，處理元素層面的private。而在軟件接口上，OpenCL是通過給一個(gè)設(shè)備（Device）或一組設(shè)備建立一個(gè)上下文環(huán)境（Context）來進(jìn)行管理，建立上下文之后，一個(gè)Context中的所有設(shè)備視為一個(gè)設(shè)備。然后通過命令隊(duì)列（Command Queue）的方式為Context提供需要執(zhí)行的程序（Program）和參數(shù)，并返回結(jié)果。OpenCL將處理元素稱為WorkItem，將計(jì)算單元稱為WorkGroup。另外，OpenCL中的程序并不是一個(gè)整體，而是包含若干個(gè)內(nèi)核函數(shù)（Kernel），

8、內(nèi)核函數(shù)是運(yùn)行在WorkItem上。一個(gè)程序中可以同時(shí)包含幾個(gè)內(nèi)核，在執(zhí)行時(shí)可以選擇讓Context運(yùn)行哪個(gè)Kernel函數(shù)。于是我們可以直接對底層的WorkItem進(jìn)行操作，也就可以通過對WorkItem、WorkGroup的精細(xì)操作來最大化并行的效果。圖？ OpenCL的內(nèi)存邏輯結(jié)構(gòu) 經(jīng)過分析，有兩個(gè)部分可以使用GPU來進(jìn)行加速處理，一個(gè)是均值和標(biāo)準(zhǔn)差的計(jì)算，另一個(gè)是像素的生長過程。所以我們需要對這兩個(gè)部分給出GPU內(nèi)核上的算法過程。傳入設(shè)備的像素可以分為若干組，OpenCL規(guī)定每一組的WorkItem數(shù)量必須相同。我們將組數(shù)記為。均值計(jì)算和標(biāo)準(zhǔn)差計(jì)算。而標(biāo)準(zhǔn)差計(jì)算，相當(dāng)于計(jì)算方差，根據(jù)公

9、式？相當(dāng)于計(jì)算平方和。我們希望將每一個(gè)像素作為并行單元，并且最終加和的結(jié)果也在GPU上完成。其中表示均值，表示方差，表示樣本個(gè)數(shù)。我們設(shè)計(jì)的算法1需要幾個(gè)參數(shù)，輸入圖像，輸出圖像，結(jié)果向量，計(jì)數(shù)位，圖像尺寸。其中長度為，長度為1，過程如下：第一步，開辟WorkGourp中的數(shù)據(jù)變量localResult，大小為WorkItem的個(gè)數(shù)。并對每一個(gè)位點(diǎn)置0。第二步，對于第一個(gè)點(diǎn)，計(jì)算是否在區(qū)域內(nèi)，如果在，則將放入localResult000。對于所有的WorkItem進(jìn)行同樣操作。第三步，使用barrier函數(shù)進(jìn)行組內(nèi)同步，直到WorkGourp中所有WorkItem都進(jìn)行完第二步。對localR

10、esult中的結(jié)果進(jìn)行加和并置入的對應(yīng)位置。同時(shí)使用atom_inc函數(shù)對自加1，表示一組加和得出結(jié)果。第四步，直到等于。說明所有的組已經(jīng)加和完成。使用任意一個(gè)WorkItem，對中的結(jié)果加和，并除以，得到全部區(qū)域內(nèi)像素的均值，放入，結(jié)束。以上是求均值的方法，求平方和和此過程類似，記為算法2，只是在第二步中，置入localResult的是，最后對賦值不需要除以。生長過程。生長過程記為算法3，需要幾個(gè)參數(shù)，輸入圖像，輸出圖像，判斷圖，判斷位，判斷范圍，圖像尺寸。其中長度為1。的尺寸和輸入圖像、輸出圖像相同，的取值意義如表？，其作用和CPU算法中的相似。值意義0未判斷的像素1需要判斷其鄰域2正在判

11、斷3判斷過表？ 判斷圖值的意義算法描述如下：第一步，對于第一個(gè)點(diǎn),如果，則計(jì)算，并將置為區(qū)域內(nèi)像素，否則結(jié)束。第二步，將置為2，迭代判斷鄰域，當(dāng)鄰域所在位置的取值為0時(shí)才判斷。如果鄰域像素位于范圍內(nèi)，則將其置為1，表示下一輪需要再次檢查，并且將置為1；否則置為3，表示已經(jīng)檢查完畢，這個(gè)像素不需要再次檢查。對于所有的WorkItem進(jìn)行同樣操作，得到一個(gè)按照判斷完畢的以及是否需要下一輪計(jì)算的標(biāo)記，結(jié)束。整個(gè)算法過程可以描述為圖？。CPU部分算法描述如下:第一步，選定種子點(diǎn)，設(shè)置倍率因子，設(shè)置迭代次數(shù)。第二步，將放入。第三步，使用GPU算法1計(jì)算均值，得到結(jié)果m，使用GPU算法2計(jì)算平方和得到結(jié)果

12、。在CPU上，使用公式？，開方得到。然后計(jì)算出。第四步，使用GPU算法3進(jìn)行判斷，得到一次生長的結(jié)果和是否需要繼續(xù)判斷的標(biāo)記。如果為1，則重復(fù)第四步，直到，完成一輪迭代。第五步，迭代完成之后，得到了一個(gè)新的，如果迭代次數(shù)小于，則進(jìn)入第三步；否則結(jié)束，輸出結(jié)果。圖？3.1.4 實(shí)驗(yàn)結(jié)果及分析我們在實(shí)驗(yàn)中，使用了多幅圖像對算法進(jìn)行測試，其中，我們使用一副的圖像進(jìn)行了對比測試。硬件環(huán)境為：Intel Core i7-4720HQ 2.60GHz ，nvidia Gforce GTX 960M，軟件環(huán)境為：Visual Studio 2015，ITK 4.12.2，VTK 8.0.0，OpenCL 1

13、.2。倍率因子均為2.5，種子點(diǎn)一個(gè)坐標(biāo)為430,329,329,灰度值-791。通過改變迭代輪次得到如表？所示的對比結(jié)果。圖？是在i=10時(shí)CPU和GPU分割三維體繪制的效果。迭代次數(shù)模式時(shí)間(s)點(diǎn)數(shù)模式時(shí)間(s)點(diǎn)數(shù)加速比i=1CPU33.5193830535GPU13.80738006192.43i=2CPU73.1755753867GPU16.54457195344.42i=5CPU249.785;12123935GPU19.0631172248213.10i=7CPU459.052;29442886GPU32.7122904914314.03i=9CPU966.722;303980

14、25GPU34.2673032068428.21i=10CPU1148.54;30538974GPU36.7333051570131.26i=12CPU1629.48;30672445GPU38.8133068480741.98表？ 迭代對比圖？ 左圖為GPU效果，30538974點(diǎn)，右圖為CPU效果，30515701點(diǎn)從結(jié)果中我們可以看到，隨著輪次的增加，點(diǎn)數(shù)的增多，GPU的加速比會(huì)越來越明顯，在達(dá)到10輪和12輪基本分割整個(gè)肺之后，加速比可以達(dá)到30以上。根據(jù)前人研究總結(jié)的醫(yī)學(xué)圖像分割中GPU加速的評價(jià)指標(biāo)【Medical-image-segmentation-on-GPUs-A-comp

15、rehensiv_2015_Medical-Image-Analy】，在數(shù)據(jù)并行度方面，隨著運(yùn)算輪次增加，點(diǎn)數(shù)的增多，并行度不斷提高；在線程數(shù)方面，隨著點(diǎn)數(shù)的增多，item與item之間，group與group之間的同步性不斷提高；在分支數(shù)方面，原子操作僅在group與group的合并中用到，我們使用的三維圖像，每一組數(shù)量在256，遠(yuǎn)遠(yuǎn)小于10%，屬于低分支數(shù)；在內(nèi)存占用方面，相比CPU版本，我們僅在和方面產(chǎn)生內(nèi)存差距，內(nèi)存占用屬于中等；在同步性方面，隨著點(diǎn)數(shù)的增多，item與item之間，group與group之間的同步性不斷提高；最后，在加速比方面，當(dāng)分割出整個(gè)肺時(shí)，加速比可以達(dá)到30以上

16、，這是一個(gè)較大的加速比。3.2 深度學(xué)習(xí)識(shí)別圖像隨著大數(shù)據(jù)時(shí)代的到來，深度學(xué)習(xí)技術(shù)已經(jīng)成為當(dāng)前人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)，其已在圖像識(shí)別、語音識(shí)別、自然語言處理、搜索推薦等領(lǐng)域展現(xiàn)出了巨大的優(yōu)勢，并且仍在繼續(xù)發(fā)展變化【26】。最近幾年，深度學(xué)習(xí)（Deep learning）理論在圖像識(shí)別領(lǐng)域取得了令人振奮的性能提升，并迅速成為了學(xué)術(shù)界和產(chǎn)業(yè)界的研究熱點(diǎn)。圖像分類是指根據(jù)圖像信息中所反映的不同特征，把不同類別的特征區(qū)分開來的圖像處理過程。圖像分類方法主要分為線性分類和深度神經(jīng)網(wǎng)絡(luò)方法【20】。本文的系統(tǒng)平臺(tái)設(shè)計(jì)中，我們實(shí)現(xiàn)了一種優(yōu)化過的卷積神經(jīng)網(wǎng)絡(luò)來識(shí)別皮膚黑色素瘤的良惡性，并將此集成到系統(tǒng)平臺(tái)

17、。3.2.1算法描述自2006年以來，提出了大量的新的更深的卷積神經(jīng)網(wǎng)絡(luò)（CNN, Convolutional Neural Network）【27】。例如AlexNet【28】，ZFNet 【29】 , VGGNet 【30】 , GoogleNet 【31】 and ResNet【32】。這些網(wǎng)絡(luò)有一個(gè)共同特點(diǎn)就是越來越深。同時(shí)，對CNN進(jìn)行優(yōu)化也一直沒有停止。CNN具有局部連接、權(quán)值共享和池化操作等特性，在圖像分類、人臉識(shí)別等多個(gè)計(jì)算機(jī)視覺任務(wù)中被廣泛應(yīng)用。該算法在進(jìn)行圖像分類時(shí)存在收斂速度慢、過擬合的問題。CNN 由于引入權(quán)值共享機(jī)制，大大降低學(xué)習(xí)的參數(shù)量，且相對其他方法有更高的分類精

18、度，然而該算法在對圖像進(jìn)行分類時(shí)存在收斂速度慢、過擬合的問題。我們針對黑色素瘤的圖像特點(diǎn)，提出將改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)算法用于建立皮膚癌良惡性預(yù)測模型，該模型對于黑色素瘤良惡性預(yù)測的效果更好，收斂速度更快。CNN中的卷積層包含三種運(yùn)算：卷積、非線性激活函數(shù)和最大值池化【33】。卷積層結(jié)構(gòu)的核心是使用局部最優(yōu)的稀疏結(jié)構(gòu)取代原有的全連接方式，用多層感知器取代傳統(tǒng)卷積層加大量濾波器的傳統(tǒng)方式，最大限度避免冗余，并利用稠密計(jì)算實(shí)現(xiàn)訓(xùn)練過程的加速【34】。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在構(gòu)建皮膚癌良惡性預(yù)測模型中，存在計(jì)算速度較慢，預(yù)測精度不高的問題。我們在卷積神經(jīng)網(wǎng)絡(luò)最后一個(gè)池化層后增加一個(gè)卷積層和池化層，這樣就增加了

19、網(wǎng)絡(luò)深度，通過實(shí)驗(yàn)我們發(fā)現(xiàn)這可以應(yīng)用于復(fù)雜的圖像分類任務(wù)，并且提高了分類準(zhǔn)確率，解決分類效果在輸出層和前一卷積層之間受限問題。設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖？所示。圖？ CNN結(jié)構(gòu)流程圖對應(yīng)圖？中的網(wǎng)絡(luò)結(jié)構(gòu)，預(yù)測結(jié)構(gòu)模型如圖？所示。首先將黑色素瘤圖像輸入到數(shù)據(jù)層，通過卷積層和池化層進(jìn)行特征提取，兩個(gè)全連接層對前層提取的特征映射到樣本標(biāo)記空間，最后經(jīng)softmax 分類器分類，輸出分類的結(jié)果。圖？ 預(yù)測模型結(jié)構(gòu)CNN目前最常用的激活函數(shù)是ReLU，其公式如下，其中x 表示輸入值，ReLU 函數(shù)是分段函數(shù)，如果x 大于0，輸出即保持原值，否則輸出為0。我們采用了這個(gè)激活函數(shù)。另外，深度學(xué)習(xí)訓(xùn)練一般要求

20、數(shù)據(jù)集足夠大，為提高準(zhǔn)確率需加深網(wǎng)絡(luò)層數(shù)，所以模型訓(xùn)練一般會(huì)花費(fèi)比較長的時(shí)間，所以選擇優(yōu)化方式，提高收斂速度和預(yù)測精度且縮短訓(xùn)練時(shí)間是一項(xiàng)需要著重考慮的因素。本文測試了三種優(yōu)化的方式，AdaDelta、Adam和隨機(jī)梯度下降SGD。3.2.2實(shí)驗(yàn)和結(jié)果本文在Caffe中搭建了模型并進(jìn)行訓(xùn)練，訓(xùn)練得到.caffemodel文件，使用該文件，可以對圖像進(jìn)行識(shí)別分類。我們采用的數(shù)據(jù)來自公開數(shù)據(jù)集ISBI （生物醫(yī)學(xué)成像國際研討會(huì)）提供的900 例有注釋的黑色素瘤數(shù)據(jù)。3.3 本章小結(jié)本章對采用的置信連接算法進(jìn)行了分析，并給出了GPU加速優(yōu)化的算法。最后實(shí)驗(yàn)結(jié)果表明，加速算法是成功的，具有較高倍數(shù)的加

21、速比，尤其是當(dāng)數(shù)據(jù)規(guī)模較大時(shí)。該方法可以在實(shí)際使用中，并快速得出結(jié)果。最后，對加入系統(tǒng)的一個(gè)深度學(xué)習(xí)模型，一個(gè)基于Caffe訓(xùn)練的黑色素瘤的良惡性預(yù)測模型，進(jìn)行了簡單的描述。第五章 基于Gabor直方圖熵的圖像分割第五章 軟件測試一個(gè)實(shí)際使用的程序，需要考慮程序的穩(wěn)定性和健壯性。我們對如下幾個(gè)方面進(jìn)行了測試并得出了一些結(jié)果：內(nèi)存泄露，誤操作的限制，數(shù)據(jù)安全性。5.1 內(nèi)存泄漏在C+程序中，內(nèi)存泄漏是一個(gè)非常常見的問題，在我們使用的各個(gè)開發(fā)庫中，Qt具有良好的內(nèi)存管理，不存在內(nèi)存泄漏。最容易發(fā)生內(nèi)存泄漏的是VTK，好在VTK提供了一個(gè)和Qt集成的內(nèi)存泄漏的查看器，如圖？所示，在DEBUG模式下打

22、開，可以查看當(dāng)前已經(jīng)使用的VTK類的引用數(shù)，這并不是實(shí)例的數(shù)量，同時(shí)當(dāng)程序關(guān)閉時(shí)，就可以查看是否有內(nèi)存泄漏的情況，如圖？所示為程序關(guān)閉時(shí)發(fā)生了泄漏，對于VTK來說，就是依然存在引用數(shù)不為0的對象。雖然這能確保程序沒有內(nèi)存泄漏，但并不能準(zhǔn)確定位泄漏的位置，所以還是需要通過經(jīng)驗(yàn)性的調(diào)試才能找到泄漏地點(diǎn)。圖？ VTK的類引用數(shù)窗口圖？ VTK報(bào)告發(fā)現(xiàn)內(nèi)存泄漏其次，ITK也是容易發(fā)生內(nèi)存泄漏的，雖然ITK對內(nèi)存管理優(yōu)秀，在程序退出的時(shí)候不會(huì)發(fā)生泄漏的問題，但在我們開發(fā)的過程中，發(fā)現(xiàn)ITK的對象可能在程序運(yùn)行過程中沒有刪除的情況，這就導(dǎo)致程序在運(yùn)行操作一段時(shí)間后，內(nèi)存會(huì)發(fā)生溢出。由于VTK本身的DEBU

23、G功能，在結(jié)束時(shí)，已經(jīng)不存在提示有內(nèi)存泄漏的情況，我們把測試的重點(diǎn)放在了打開文件和圖像分割兩個(gè)過程上，這兩個(gè)過程由于存在中途需要?jiǎng)h除臨時(shí)對象的操作，所以需要格外關(guān)注。測試項(xiàng)步驟描述預(yù)期效果測試效果打開一個(gè)序列1點(diǎn)擊文件-打開，選擇一個(gè)DICOM序列并打開打開正常 打開正常，數(shù)據(jù)管線添加一條數(shù)據(jù)連續(xù)打開兩個(gè)序列1點(diǎn)擊文件-打開，選擇一個(gè)DICOM序列并打開2再次打開一個(gè)序列打開正常打開正常，數(shù)據(jù)管線添加兩條數(shù)據(jù)盡可能打開多的序列1不斷打開序列打開刪除交替操作1點(diǎn)擊文件-打開，選擇一個(gè)DICOM序列并打開2再次打開一個(gè)序列3刪除第一個(gè)序列4再次打開一個(gè)序列打開正常，刪除正常，在刪除之后內(nèi)存應(yīng)該減小到和打開另外兩個(gè)序列相同水平打開正常，在刪除之后，內(nèi)存雖然不是完全相等，但是降低在同一水平。對一個(gè)圖像進(jìn)行分割1分割2觀察分割過程中的內(nèi)存漲落變化分割開始，會(huì)拷貝數(shù)據(jù)，并構(gòu)造中間的ITK對象占用大量內(nèi)存。在結(jié)束之后，會(huì)首先刪除分割濾波器的對象，然后刪除分割管線中的圖像，僅保留新創(chuàng)建的SourceItem，占用少量內(nèi)存表現(xiàn)正常，符合預(yù)期分割之后并刪除1分割數(shù)據(jù)2刪除濾波器數(shù)據(jù)刪除之后，應(yīng)該和創(chuàng)建濾波器之前的內(nèi)存占用處于同一水平。表現(xiàn)正常，符合預(yù)期5.2 誤操作限制我們對誤操作添加了一些限制，并設(shè)