Parallelization Strategies for Image-Filtering Algorithms

RNDr. Pavel Karas, Ph.D.

Doctoral thesis

Abstract:

Zpracování obrazu je dynamicky se rozvíjející disciplína, založená na matematice a informatice. Požadavky uživatelů na kvalitu obrazu, ve smyslu rozlišení, poměru signálu a šumu či dynamického rozsahu, neustále rostou. V důsledku toho jsou přístroje pro pořizování obrazu i algoritmy pro následné zpracování neustále zlepšovány, aby bylo možné tyto nároky uspokojit. Na druhou stranu ovšem komplexní metody pro zpracování obrazu mohou být velmi časově náročné a jejich výpočet může být výzvou i pro současný hardware. Nedílnou součástí vývoje je proto optimalizace algoritmů, aby je bylo možné spočítat v rozumném čase. Za účelem zvýšení výkonu programátoři čím dál častěji sahají po paralelní implementaci, neboť moderní počítačové architektury se dnes běžně skládají z více výpočetních jednotek (procesorů), takže jednovláknové aplikace nedokážou plně využít jejich možností. Tato disertační práce si klade za cíl navrhnout a studovat různé jemně i hrubě granulované paralelizační strategie, jež lze aplikovat na algoritmy pro zpraco-vání obrazu. Pro implementaci je zvolena GPU architektura, jež je vhodná nejen pro testování, ale také pro významné zrychlení výpočetně náročných algoritmů. Protože naše Laboratoř pro zpracování biomedicínských obrazů je zaměřena na optickou fluorescenční mikroskopii, metody jsou experimentálně testovány na velkých 3-D biomedicínských obrazech. V některých případech rovněž ukazujeme příklady z jiných oborů, neboť většina metod je dostatečně obecná, takže je možné použít ji takřka v libovolné aplikaci. Přínos této práce lze rozdělit do tří částí. Zaprvé navrhujeme efektivní paralelní implementaci konvoluce 3-D biomedicínských obrazů. Zde vzniká problém s paměťovými zdroji, neboť vstupní data jsou často větší než dostupná paměť GPU. Proto zde diskutujeme výběr optimální strategie pro rozdělení problémů na menší podčásti. Zadruhé se zabýváme dekonvolucí obrazu na systému s více GPU kartami. Je provedeno srovnání několika přístupů a následně navrženy dvě implementace, vhodné pro dvě odlišné třídy dekonvolučních algoritmů. A konečně zatřetí na případové studii morfologických otevření s čárovým strukturním elementem analyzujeme paralelizační sterategie, které lze použít pro implementaci filtračních algoritmů, které jsou částečně nebo zcela sekvenční.

Abstract:

Image processing is a rapidly developing field based both on mathematics and computer science. The users' demands for image quality, in terms of resolution, signal-to-noise ratio or dynamic range, are constantly growing. As a result, both the image acquisition devices and image processing algorithms are developing in order to satisfy the users' needs. On the other hand, the complex image processing methods can be very time-consuming and their computation can be challenging even for recent computer hardware. Therefore, an integral part of the field is optimization, so that the complex algorithms could be performed in a reasonable time. In order to boost the performance of algorithms, programmers are increasingly opting for parallel implementations. This is due to the fact that the modern hardware architectures nowadays consist of multiple individual processors so single-threaded applications cannot fully exploit their resources. This dissertation thesis aims to propose and study various fine-grained as well as coarse-grained parallelization strategies of image-filtering algorithms. For implementation, we choose the GPU platform, since it is suitable not only for testing, but also for considerable speedup of computational-intensive algorithms. Since our laboratory, Centre for Biomedical Image Analysis (CBIA), is focused on optical fluorescence microscopy, the methods are experimentally tested on huge 3-D biomedical images. In some cases, we also show examples from other fields as the most of image filtering methods are general enough to be employed in virtually any application. Our contribution can be divided into three parts. First, we propose the efficient parallel implementation of convolution of 3-D biomedical images. We address the problem with memory resources which arises when the input data are larger than the available GPU memory. For this purpose, we discuss the choice of the optimal strategy to decompose problem into smaller parts. Second, we carry out image deconvolution on a multi-GPU system. We compare various approaches and propose two implementations suitable for two distinct classes of deconvolution algorithms. Finally, we analyze parallelization strategies that can be used for implementation of image-filtering algorithms which are partly or fully sequential, in the case study of morphological openings with line structuring elements.

Keywords

parallelization, image processing, image filtering, convolution, deconvolution, mathematical morphology, openings, closings, GPU implementation

Language used: English

Date on which the thesis was submitted / produced: 29. 5. 2014

Thesis defence

• Date of defence: 2. 10. 2014
• Supervisor: prof. RNDr. Michal Kozubek, Ph.D.
• Reader: prof. Ing. Václav Hlaváč, CSc., Assoc. Prof. Cris Luengo Hendriks

Masaryk University

Faculty of Informatics

Doctoral programme / field:
Informatics (4-years) / Informatics