Data flow architectures dedicated to image processing using mathematical morphology - Archive ouverte HAL Access content directly
Theses Year : 2009

Data flow architectures dedicated to image processing using mathematical morphology

Architectures flot de données dédiées au traitement d'images par morphologie mathématique

(1)
1

Abstract

This thesis report is focused on studying data flow accelerators dedicated to image using mathematical morphology. The main objective is to provide a programmable and efficient implementation of basic morphological operators, and to assemble them in such a way as to provide complex operators with fast operation. In recent years, morphological algorithm research has been oriented towards finding elegant algorithms to compute these complex operators, such as watershed using priority queues. These complex algorithms often use specific data structures that are hard to deploy on platforms other than single-core, general-purpose processors. Moreover, these processors continue their development in the field of parallelism by heightening the number of cores. And because the frequency wall seems to have been reached, the best way to optimise performance is to use parallelising techniques. Consequently, we decided on fast implementations of complex mathematical morphology operators, based on highly parallel simpler operations. In the first part, we study existing computational kernels for neighbourhood processors and suggest new ones based on recent advances in mathematical morphology. In the second part, we use the neighbourhood processors as building blocks to generate and manage pipeline using high-level tools in a system on chip context. In the third part, we present a description of a basic VLIW processor using vector instructions deployed in a dataflow context to exploit spatial and temporal parallelism. Finally, we analyse the performance of our system against a multi-core workstation processor, and against a graphics processor to show the relevance of our approach.
Nous abordons ici la thématique des opérateurs et processeurs flot de données dédiés au traitement d'images et orientés vers la morphologie mathématique. L'objectif principal est de proposer des architectures performantes capables de réaliser les opérations simples de ce corpus mathématique afin de proposer des opérateurs morphologiques avancés. Ces dernières années, des algorithmes astucieux ont été proposés avec comme objectif de réduire la quantité des calculs nécessaires à la réalisation de transformations telle que la ligne de partage des eaux. Toutefois, les mises en œuvre proposées font souvent appel à des structures de données complexes qui sont difficiles à employer sur des machines différentes des processeurs généralistes monocœurs. Les processeurs standard poursuivant aujourd'hui leur évolution vers une augmentation du parallélisme, ces implémentations ne nous permettent pas d'obtenir les gains de performance escomptés à chaque nouvelle génération de machine. Nous proposons alors des mises en œuvre rapides des opérations complexes de la morphologie mathématique par des machines exploitant fortement le parallélisme intrinsèque des opérations basiques. Nous étudions dans une première partie les processeurs de voisinage travaillant directement sur un flot de pixels et nous proposons différentes méthodologies de conception rapide de pipelines dédiés à une application. Nous proposons également une structure de pipeline programmable via l'utilisation de processeurs vectoriels avec différentes possibilités de chaînage. Enfin, une étude avec des machines est proposée afin d'observer la pertinence de notre approche.
Fichier principal
Vignette du fichier
These_clienti.pdf (10.08 Mo) Télécharger le fichier
Loading...

Dates and versions

pastel-00005758 , version 1 (27-01-2010)

Identifiers

  • HAL Id : pastel-00005758 , version 1

Cite

Christophe Clienti. Architectures flot de données dédiées au traitement d'images par morphologie mathématique. Mathématiques [math]. École Nationale Supérieure des Mines de Paris, 2009. Français. ⟨NNT : 2009ENMP1654⟩. ⟨pastel-00005758⟩
333 View
1163 Download

Share

Gmail Facebook Twitter LinkedIn More