GPU Acceleration of Image Processing Algorithms

Mgr. Pavel Karas, Ph.D.

Rigorózní práce

Anotace:

Zpracování obrazu je rychle se rozvíjející odvětví vycházející z matematiky a informatiky. Komunita uživatelů je široká: Řadí se k ní nejen běžní uživatelé digitálních fotoaparátů, ale také astronomové analyzující data z automatizovaných dalekohledů a kosmických sond, lékaři zabývající se metodami magnetické rezonance (MRI) či výpočetní tomografie (CT) a nebo biologové pracující s optickými mikroskopy. Nároky uživatelů na obrazovou kvalitu, ať už ve smyslu rozlišení, poměru signálu k šumu či dynamického rozsahu, stále stoupají. Aby potřeby uživatelů mohly být uspokojeny, jak zařízení pro pořizování obrazu, tak algoritmy pro zpracování obrazu procházejí neustálým vývojem. Na druhou stranu, komplexní metody zpracování obrazu mohou být velmi zdlouhavé a jejich výpočet může být náročný i pro současné počítače. Nedílnou součástí těchto metod je tudíž optimalizace, aby tyto mohly být počítany v rozumném čase. Hlavním cílem této disertace bude urychlování algoritmů pro zpracování obrazu, s důrazem na velká data. V naší laboratoři, Centru analýzy biomedicínského obrazu (CABO), se zaměřujeme na optickou mikroskopii, a tudíž pracujeme s velkými 3D obrazy. Je tedy nezbytné mít k dispozici nástroje pro zpracování takových dat. Pro implementaci jsem si vybral platformu GPU, protože je vhodná nejen pro testování, ale nabízí značné možnosti pro urychlení výpočetně náročných algoritmů. Jako výstup budou tyto metody implementovány v jazyce CUDA a zahrnuty do knihovny i3dalgo, kterou vyvíjíme v naší laboratoři. Protože algoritmy budou aplikovány v optické mikroskopii, zvolil jsem si pro studium následující metody, důležité pro tuto oblast: REKONSTRUKCE OBRAZU. Konvoluce a dekonvoluce jsou dvě příbuzné metody používané pro rekonstrukci obrazu. Konvoluce je využívána v našem online simulátoru fluorescenčního mikroskopu CytoPacq. Naopak dekonvoluce je nezbytná při rekonstrukci originálního obrazu z pořízeného degradovaného snímku. SEGMENTACE OBRAZU. Segmentace je zásadní součástí zpracování obrazu v biomedicínských aplikacích. Ve své práci se chci zaměřit na segmentační algoritmy založené na metodách matematické morfologie (viz níže). Tyto metody mohou být velmi časově náročné a jejich implementace na GPU není vždy triviální. METODY MATEMATICKÉ MORFOLOGIE. Implementace základních algoritmů, jako např. dilatace, eroze, otevření a uzavření, byly již podrobně zkoumány a popsány v literatuře. Proto se chci zaměřit na pokročilé algoritmy, jako je watershed, morfologická rekonstrukce a operátory založené na morfologické rekonstrukci. Tyto algoritmy se často používají v segmentaci obrazu, jak pro předzpracování, tak pro samotnou segmentaci.

Abstract:

Image processing is a rapidly developing field based both on mathematics and computer science. Community of users is wide and includes not only common customers with digital cameras, but also astronoms analysing data from telescopes and spacecrafts, specialists dealing with magnetic resonance imaging (MRI) or computed tomography (CT), and biologists working with optical microscopes. 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. The main goal of this dissertation thesis will be acceleration of image processing algorithms with respect to huge data. Since our laboratory, Centre for Biomedical Image Analysis (CBIA), is focused on optical microscopy, we deal with large 3-D images; therefore, it is necessary to have tools for processing such data. For implementation I choose the GPU platform, since it is suitable not only for testing, but also for considerable speedup of computational-intensive algorithms. As the output of the thesis, the methods will be implemented in CUDA and included in the i3dalgo library, which is developed by our laboratory. Since the algorithms will be applied in the light microscopy, the following image processing methods, essential for this field, will be studied: IMAGE RESTORATION. Convolution and deconvolution are two related methods used for image restoration. The former is employed in CytoPacq, the online framework for simulating fluorescence microscopy images, to imitate a blurring introduced by an optical system of a microscope. In contrast, the latter is used to reconstruct the original image from the blurred one. IMAGE SEGMENTATION. Image segmentation is the fundamental part of image processing in biomedical application. Therefore, several segmentation algorithms will be considered, based on the methods from mathematical morphology (described below). These methods can be significantly time-consuming and challenging for GPU implementation. MORPHOLOGICAL PROCESSING. The implementations of basic algorithms, such as dilation, erosion, opening, and closing, have been already well-studied and described in literature. Thus, more advanced approaches will be considered, for example, watershed transform, morphological reconstructions and reconstruction-based operators. These algorithms are often used for image segmentation, either for pre-processing, or for segmentation itself.

Keywords

image processing, zpracování obrazu, gpu, segmentation, segmentace, restoration, rekonstrukce, morphological processing, morfologické zpracování

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 3. 11. 2010

Obhajoba závěrečné práce

• Obhajoba proběhla 12. 1. 2011
• Oponent: doc. RNDr. Petr Holub, Ph.D., Assoc. Prof. Thierry Grandpierre, Ph.D.

Masarykova univerzita

Fakulta informatiky

Rigorózní řízení / obor:
Aplikovaná informatika / Aplikovaná informatika