2017 12월 – 생계형 개발자 수첩 ver4.0

참조 문서 : MSDN Task Parallelism (Task Parallel Library)

함께 읽어보면 도움 되는 자료 링크 : http://blog.powerumc.kr/175?category=206843

개인적으로 멀티 작업 처리를 할 때 자주 쓰는 패턴이다.

모든 상황에 병렬처리가 꼭 좋은 성능을 발휘하는건 아니므로 상황에 따라 적절히 사용하는게 좋다.

using System.Threading.Tasks;
using System.Collections.Concurrent;


Object _lockObject = new Object();

// READ OR WRITE DATA
List<object> _testObject = new List<object>();



.....

// PATTERN
Task task = Task.Factory.StartNew(() =>
{
	int maxWorkingCount = _testObject.Count;
	int workingRangeSize = 1;
	int processedCount = 0;
        // 논리 프로세스 수량 만큼 쓰레드 생성
	if (maxWorkingCount > Environment.ProcessorCount)
	{
	    workingRangeSize = maxWorkingCount / Environment.ProcessorCount;
	}

	var part = Partitioner.Create(0, maxWorkingCount, workingRangeSize);
	Parallel.ForEach(part, (num, state) =>
	{
	   
	    for (int i = num.Item1; i < num.Item2; i++)
	    {
                // 처리하고자 하는 데이터 읽기
                object currentData = _testObject[i];
                // 현재 처리 수량
		processedCount++;
                
                
                // 만약 처리 데이터를 한곳에 모으고 싶다면 lock을 사용
                lock(_lockObject)
                {
                      // 예제      
                      object processedObject = Process(currentData);
                      _testObject.Add(processedObject);
                }                

	    }// END FOR
      
	});
});

// 이 부분은 필요에 따라 작성하던.. 안하던..
try
{
        // 처리가 완료 될때 까지 대기
	task.Wait();

        // 후 처리 영역

}
catch (AggregateException ex)
{
	// 쓰레드 영역 예외
}
catch(Exception ex)
{
       // 후 처리 예외
}

.....

K-means algorithm 란?

k-평균 클러스터링 알고리즘은 클러스터링 방법 중 분할법에 속한다. 분할법은 주어진 데이터를 여러 파티션 (그룹) 으로 나누는 방법이다. 예를 들어 n개의 데이터 오브젝트를 입력받았다고 가정하자. 이 때 분할법은 입력 데이터를 n보다 작거나 같은 k개의 그룹으로 나누는데, 이 때 각 군집은 클러스터를 형성하게 된다. 다시 말해, 데이터를 한 개 이상의 데이터 오브젝트로 구성된 k개의 그룹으로 나누는 것이다. 이 때 그룹을 나누는 과정은 거리 기반의 그룹간 비유사도 (dissimilarity) 와 같은 비용 함수 (cost function) 을 최소화하는 방식으로 이루어지며, 이 과정에서 같은 그룹 내 데이터 오브젝트 끼리의 유사도는 증가하고, 다른 그룹에 있는 데이터 오브젝트와의 유사도는 감소하게 된다.[7] k-평균 알고리즘은 각 그룹의 중심 (centroid)과 그룹 내의 데이터 오브젝트와의 거리의 제곱합을 비용 함수로 정하고, 이 함수값을 최소화하는 방향으로 각 데이터 오브젝트의 소속 그룹을 업데이트 해 줌으로써 클러스터링을 수행하게 된다. 출저 : 위키피디아

적용 이미지 예시 ( OpenCV 공식 홈페이지 )

이미지 선 성분 검출을 위해서 서전에 이 작업을 거치면 비교적 원하는 결과를 얻을 수 있다.

OpenCVSharp ver 3.2에서는 Kmeans Method를 지원한다.

이 Method의 Parameter의 의미는 여기에서 참조 하길 바란다.

아래는 C#으로 구현된 OpenCVSharp을 활용한 K-means

public static void Kmeans(Mat input, Mat result, int k)
{
    using (Mat points = new Mat())
    {
	using (Mat labels = new Mat())
	{
	    using (Mat centers = new Mat())
	    {
		int width = input.Cols;
		int height = input.Rows;

		points.Create(width * height, 1, MatType.CV_32FC3);
		centers.Create(k, 1, points.Type());
		result.Create(height, width, input.Type());

		int i = 0;
		for (int y = 0; y < height; y++)
		{
		    for (int x = 0; x < width; x++, i++)
		    {
			Vec3f vec3f = new Vec3f
			{
			    Item0 = input.At<Vec3b>(y, x).Item0,
			    Item1 = input.At<Vec3b>(y, x).Item1,
			    Item2 = input.At<Vec3b>(y, x).Item2
			};

			points.Set<Vec3f>(i, vec3f);
		    }
		}

		Cv2.Kmeans(points, k, labels, new TermCriteria(CriteriaType.Eps | CriteriaType.MaxIter, 10, 1.0), 3, KMeansFlags.PpCenters, centers);

		i = 0;
		for (int y = 0; y < height; y++)
		{
		    for (int x = 0; x < width; x++, i++)
		    {
			int idx = labels.Get<int>(i);

			Vec3b vec3b = new Vec3b();


			int tmp = Convert.ToInt32(Math.Round(centers.At<Vec3f>(idx).Item0));
			tmp = tmp > 255 ? 255 : tmp < 0 ? 0 : tmp;
			vec3b.Item0 = Convert.ToByte(tmp);

			tmp = Convert.ToInt32(Math.Round(centers.At<Vec3f>(idx).Item1));
			tmp = tmp > 255 ? 255 : tmp < 0 ? 0 : tmp;
			vec3b.Item1 = Convert.ToByte(tmp);

			tmp = Convert.ToInt32(Math.Round(centers.At<Vec3f>(idx).Item2));
			tmp = tmp > 255 ? 255 : tmp < 0 ? 0 : tmp;
			vec3b.Item2 = Convert.ToByte(tmp);

			result.Set<Vec3b>(y, x, vec3b);

		    }
		}
	    }
	}
    }

}

Month: 2017 12월

C# 병렬 ( Parallel ) 처리 패턴

C# OpenCV Kmeans