VII Международная студенческая научная конференция Студенческий научный форум - 2015

Введение

Одной из задач устройства цифровой обработки сигналов (УЦОС) является фильтрация изображений охраняемой территории от шумов, формируемых системой ввода с видеокамер с целью их подготовки к процедуре последующей идентификации. Наличие шумов на изображениях может быть вызвано:

- несовершенством аппаратной части;

- условиями видеосъемки;

- действием внешних электромагнитных полей и др.

Зашумленность изображения негативно сказывается на эффективности идентификации, поэтому при проектировании необходимо выбрать и реализовать цифровой фильтр обеспечивающий минимизацию шумовых составляющих. В статье рассматривается метод на основе прямого одномерного вейвлет-преобразования.

Реализация вейвлет-фильтра

Вейвлет-преобразование – это инструмент многомасштабного анализа. Применительно к области шумоподавления оно позволяет удалять шум с изображения, не затрагивая значительно границы и детали, оно позволяет эффективно подавлять шумы со спектрами, отличными от белого[1].

Обычное прямое одномерное дискретное вейвлет-преобразование (ДВП) – это итерационное применение низкочастотного и высокочастотного фильтров с последующим удалением каждого второго элемента (прореживанием) к низкочастотному сигналу, получаемому на выходе.

В результате низкочастотной фильтрации получается приближение исходного сигнала, в результате высокочастотной – детализирующая информация об исходном сигнале, а полученные значения высокочастотного сигнала называются вейвлет-коэффициентами.

Вейвлет-фильтрация видеоизображений формируемых системой ввода при последовательном выполнении требует существенных вычислительных затрат. Поэтому в настоящее время для её реализации используют методы параллельной обработки. В УЦОС ТВТСО вейвлет-фильтр реализован средствами GPGPU.

GPGPU –использование графического процессора видеокарты, который обычно применяют только для компьютерной графики, чтобы выполнять расчёты в приложениях для общих вычислений, которые проводит CPU. GPGPU – сопроцессор к центральному процессору для массово параллельных вычислений. Теоретически при использовании данного устройства для алгоритмов, допускающих мелкозернистый параллелизм, будет отсутствовать сильная связь с объемом входных данных, т.е. при любом объеме будем получать результат за ограниченное время. GPGPU, как устройство параллельного вычисления, имеет следующие возможности:

– множество процессоров виртуально может быть представлено в любой конфигурации с тремя с измерениями;

– каждый процессор имеет уникальный идентификатор;

– процессоры разделены на сильно связные компоненты – потоки в блоках, и слабо связные – блоки в сетке;

– для оптимизации работы реализована иерархия памяти, технологии группового чтения данных, кэшированного чтения данных.

На рисунке 1 приведена схема организации работы программы. Данная схема состоит из модуля основной программы, модуля библиотеки gsl, модуля, реализующего параллельное вейвлет-преобразование.

Рисунок 1 – Схема работы программы

Основная программа формирует сигнал, подготавливает материнский вейвлет с помощью модуля GSL и выполняет параллельное вейвлет-преобразование с помощью модуля cudaDwt.

Процедура вейвлет-преобразования основана на взаимодействии следующих модулей:

1. CudaDwt – исполняемая статическая/динамическая библиотека;

2. GSL – свободно распространяемая библиотека для научных вычислений.

Для реализации алгоритма вейвлет-фильтрации в структуре параллельных вычислений необходимо использовать требуемые CUDA расширения языка Си, переписать исходный код последовательной реализации, убрать конструкцию цикла, и сделать вычисление адреса текущего элемента во входной последовательности через уникальные идентификаторы процессора потока [2]. Под задачу прямого преобразования необходимо производить расчет числа процессоров (число процессоров равно числу входных элементов).

При пороговой обработке для каждого элемента данных можно запустить свой поток обработки.

Возможен вариант реализации восстановления данных при обратном ДВП. Реализация данного алгоритма в параллельной структуре приведена в работе [2].

Заключение

В рамках статьи приведен пример разработки УЦОС ТВТСО на основе анализа основных методов подавления шума на изображениях и рассмотрен метод вейвлет-фильтрации, как наиболее полно отвечающий задачам, решаемым разрабатываемой ТВТСО. Представлен вариант реализация вейвлет-фильтра средствами GPGPU.

СПИСОК ЛИТЕРАТУРЫ

1. Проблема подавления шума на изображениях и видео и различные подходы к ее решению. Компьютерная Графика и Мультимедиа. Режим доступа http://cgm.computergraphics.ru/content/view/74, свободный (дата обращения 11.04.2014г.). – Заголовок с экрана.

2. Е.Ю. Скоморохов. Эффективность вейвлет фильтрации сигнала на GPGPU. Режим доступа http://www.bysolo.ru, свободный (дата обращения 20.04.2014г.). – Заголовок с экрана.

4

Код для цитирования: Скопировать