Реферат: Обработка и передача изображений

Обработка и передача изображений

CELLULAR AUTOMATA FOR CALCULATION OF COORDINATES OF THE GEOMETRICAL CENTER AND CONSTRUCTION OF THE circumscribed POLYGON UNDER THE BINARY IMAGE
Karamov S.

Joint-Stock Company «NTC ELINS»,

Stroenie 1, Panfilovskiy prospect 4, 124460, Zelenograd, Russia, tel.(495)5320151, e-mail: sergkar@mail.ru


The cellular automata (CA) for calculation of coordinates of the geometrical center of the binary image is considered. Application of updating of the given cellular automatic device for construction of area of a polygon circumscribing the set image is in addition considered. The binary images received by any threshold processing from grayscale images, are widely applied in systems of technical sight to the decision of problems of recognition of images and the analysis of images. As is known, use of binary images, allows to simplify algorithms and considerably to reduce volume of the processable information.

One of the major characteristics of the binary image are coordinates of its geometrical center. For problems of the analysis of the form, the information on a polygon described around of the image is useful also. For processing binary images homogeneous two-dimensional structures - cellular automatic devices ideally approach. Each pixel of the image is represented one cell and is the finite state machine which condition is defined by the conditions of the next cells located on certain distance, and its own condition. Data processing in them occurs in the parallel, and for one step, the image is processed. Binary images segmentations which have preliminary last operation are considered. 8-connectivity of images of objects, and 4-connectivity of a background is accepted. The image of object and a background is coded accordingly logic 1 and 0.

The equations of condition CA for calculation of the geometrical center and the circumscribed polygon, both in the form of algebraic operations, and in the form of Boolean functions are resulted. It is resulted algorithms of work corresponding CA. Dependences of speed of compression on camber of a contour of the image are revealed. Presented СА, possess also property of suppression of noise on the image, and quantity of necessary iterations СА, pays off proceeding from the possible size of noise. Computing complexity of the resulted algorithm concerning the set area of the image is estimated.

Work of the presented algorithms has been checked up by modeling. Automatically, the method of random walking created sets of the pseudo-random test images having the set area. On the empty image, since the central pixel equal 1, random image the 8-connected next pixel to which value 1 is appropriated gets out. Procedure repeats until the area of the turned out image does not become equal set. Results of modeling of the final automatic device for calculation of the geometrical center under test images are presented in the table. For each value of the area samples on 50 pseudo-random images were used. Efficiency of the given algorithms is shown at use in systems of processing of images of real time with the greater resolution and high frame rate.




^ Цифровая обработка сигналов и изображений R-функциями, атомарными функциями, вейвлетами и сплайнами

Чуриков Д.В.

Московский физико-технический институт (ГУ),

141700, Московская обл., Долгопрудный, Институтский пер. 9, e-mail: mpio_nice@mail.ru


Известно, что получение радиолокационных характеристик (РЛХ) различных объектов является важной задачей современной радиолокации. Информация о них может быть получена методами как активной, так и пассивной радиолокации. РЛХ объектов при активной радиолокации являются следующие физические характеристики: эффективная площадь рассеяния (ЭПР), спектральные и временные характеристики отраженных от цели сигналов, содержащие информацию о параметрах движения цели, её форме, размерах, модуляции, а также колебании различных частей летательного аппарата (ЛА). Получаемые характеристики представляют собой некоторые наборы данных, включающих матрицы радиолокационных изображений. Существует множество различных методов их описания и обработки. Многие методы являются общими и используют специфическую радиолокационную информацию для ее улучшения. Однако, имеющиеся исследования в этой области практически не закончены и требуются новые подходы, с помощью которых можно было бы существенно улучшить качество обработки радиолокационной информации, полученной от тел простой и сложной формы. В настоящее время наиболее эффективными и полезными для разработчиков радиотехнических систем и устройств являются теории: R-функций, атомарных функций, вейвлетов и сплайнов [1,2].

Существенное значение имеют эффективные методы фильтрации, а также сегментации изображений. Так, например, контурная информация важна при обработке объектов сложной формы. Как правило, геометрические объекты [2,3,7], встречающиеся на практике, имеют произвольную форму. Сложные геометрические объекты можно рассматривать как комбинацию простых. Простые фигуры образуют систему опорных геометрических объектов. Согласно [2] уравнение локусов определяется R-операциями в аналитическом виде. На рис. 1 а,б изображены соответственно схема самолета и поверхность R-функции. Следуя [2] уравнение поверхности запишем в следующем виде:

, где функции , , , , имеют аналитический вид.



а) б)

Рис. 1. Схематическое изображение самолета(а), поверхность, описывающая его контур(б)


Таким образом, RFM позволяет представлять геометрическую информацию в виде нормализованных уравнений. Это дает возможность проводить совместную обработку аналитической и геометрической информации, а также автоматизировать вычислительный процесс. При этом изменение параметров положения, поворота и масштаба изображения слабо влияет на объем вычислений.

^ Алгоритм обработки изображения. На первом этапе проводится предварительный анализ изображения. Определяются его основные физические характеристики, оцениваются геометрические и шумовые искажения. В общем виде цифровое изображение представляет собой некоторую матрицу яркостей , где , , а – размер изображения. Таким образом, его можно рассматривать как систему связанных одномерных сигналов, сформированных по всем размерностям. Поэтому для ускорения вычислений основные операции проводятся раздельно для каждой размерности. В этом случае происходит обработка одномерных сигналов, но учитывается связь участков изображения. На втором этапе используется нечеткий классификатор скачков яркости для принятия решения об уточнении результатов обработки каждой конкретной области. Такой подход позволяет существенно сократить количество операций для обработки одиночных объектов и оптимизировать вычисления сложных изображений, включающих неоднородные подстилающие поверхности, а также второстепенные. На рис. 2 приведена блок-схема процесса выделения контуров изображения, использующего нечеткий классификатор для учета многомерной информации.



Рис. 2. Блок-схема процесса выделения и классификации контуров изображения

Для скачков яркости формируются три функции принадлежности:

Сильные скачки яркости. В этом случае наиболее вероятно отнесение точки к области контура.

Средние скачки яркости. Здесь возможны два варианта: скачек яркости, вызванный следствием фильтрации шумового воздействия; фронт скачка яркости ориентирован под острым углом к направлению сканирования.

Малые скачки яркости. Наиболее вероятно, что они являются результатами фильтрации шумового воздействия.

На рис. 3 представлен вид соответствующей системы функций принадлежности для нечеткого классификатора.



Рис. 3. Функции принадлежности классов контуров.

Пунктирная линия – шумовое воздействие, штрихпунктирная линия – требуется уточнение,
сплошная линия – контур объекта.

На третьем этапе одновременно проводится фильтрационная обработка изображения [8], а также его сегментация с выделением контуров. Сопоставляя полученные данные, происходит объединение точек контуров. Группируются некоторые семантически связанные участки сцены (суша, море, город, исследуемые объекты и т.д.). Фильтрация основана на двумерных окнах Кравченко [1], WA-системах функций Кравченко-Рвачева [2] и сплайнах, которые на разных этапах обработки изображения дополняют друг друга.

Литература

Кравченко В.Ф. Лекции по теории атомарных функций и некоторым их приложениям. М.: Радиотехника, 2003.

Кравченко В.Ф., Рвачёв В.Л. Алгебра логики, атомарные функции и вейвлеты в физических приложениях. М.: Физматлит, 2006.

Введение в контурный анализ; приложения к обработке изображений и сигналов/ под ред. Я.А. Фурмана. 2-е изд., М.: Физматлит, 2003.

Кравченко В.Ф., Федоров И.Б., Чуриков Д.В. Функции В.Л. Рвачёва и атомарные функции в задачах описания сложных контурных объектов и цифровой обработке изображений. ЭВ и ЭС, 2005, №7, с. 70-80.

Чуриков Д.В. Применение атомарных функций и R-функций к задаче выделения сложных контурных сигналов из зашумленных изображений. - Труды РНТОРЭС Москва, 2005 т.1, с. 236-238.

Круглов В.В. Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. M.: Физматлит, 2002.

Кравченко В.Ф., Басараб М.А. Булева алгебра и методы аппроксимации в краевых задачах электродинамики. М.: Физматлит, 2004.

Чуриков Д.В. Применение атомарных функций и R-функций к задаче выделения сложных контурных сигналов из зашумленных изображений. М.: 2005, Труды РНТОРЭС. Т.1. С.236-238.




Digital signal and image processing R-functions, atomic functions and splines


Churikov D.

Moscow Institute of Physics and Technology

141700, Dolgoprudny, Institutsky per. 9, e-mail: mpio_nice@mail.ru


In this paper the combined method of digital signal and image processing on the basis of the theory of R-functions, atomic functions, wavelets and splines is proposed. Application of the fuzzy classifier allows to reduce essentially quantity of operations for processing single objects and to optimize calculations of complex images. The algorithm and an example of its realization is introduced in this paper. Numerical experiment reveals effectiveness of proposed approach.





Слияние потоковых видеоизображений на процессоре Л1879ВМ1

Попова О.C.

НТЦ «Модуль», Москва, opopova@module.ru


Один из путей повышения информативности изображений связан со слиянием изображений, получаемых различными приемными устройствами.

Вопрос слияния представляется одним из актуальных в области обработки изображений и потоков изображений [2,3,4,5]. При этом для каждого алгоритма учитывается специфика области применения и ограничения, связанные с ней.

Пусть исходные изображения синхронизированы в пространстве. Тогда основные требования к процедуре слияния сводятся к максимальному сохранению деталей исходных изображений и обеспечению возможности практической реализации слияния потоков видеоизображений в реальном масштабе времени.

В настоящей работе вопросы реализации слияния потоков видеоизображений рассматриваются применительно к использованию аппаратной платформы на базе процессора Л1879ВМ1. Анализируются три возможных варианта слияния:

8 бит (GrayScale) + 8 бит(Grayscale) = 8 бит(GrayScale)

8 бит (GrayScale) + 16 бит(5R 6G 5B) = 16 бит(5R 6G 5B)

16 бит(5R 6G 5B) +16 бит(5R 6G 5B) = 16 бит(5R 6G 5B)

Тут под GrayScale подразумевается 8-и битное изображение, имеющее 256 градаций серого цвета. Под RGВ – цветное изображение, состоящее из красной(R), зеленой(G) и синей(B) составляющих (каналов).

В настоящее время актуальны изображения TrueColor, предполагающие 8-и битную кодировку каждого из цветов. Однако на практике в целях упрощения аппаратной реализации зачастую используются 16 битные RGB (5R;6G;5B) изображения. Переход от 24-битных изображений TrueColor к 16-битным RGВ изображениям связан с уменьшением числа значащих бит каждого из цветов по сравнению с исходным, с 8 до 5 бит. Поэтому одна из задач настоящей работы связана с подтверждением того, что при слиянии изображений, связанном с указанным уменьшением разрядности, детали используемых изображений в значительной мере сохраняются. Потребности практической аппаратной реализации определяют также необходимость оценки времени, требуемого для реализации слияния отдельного кадра.

Для решения указанных задач было разработано программное обеспечение, реализующее слияние. Это позволило произвести визуальную оценку качества полученных в результате слияния изображений и получить замеры времени работы разработанных алгоритмов при их реализации на специализированной аппаратуре на базе процессора Л1879ВМ1.

Для иллюстрации полученных результатов в данном случае используются фотография участка земной поверхности и карта соответствующего участка местности (Рис. 1 и Рис. 2). Эти изображения использовались при представлении как в GrayScale, так и в RGB вариантах.





Рис. 1. Фотография участка земной поверхности

Рис. 2. Карта участка земной поверхности

Под цифровой обработкой изображения в реальном масштабе времени понимается обработка очередного полученного кадра во время получения следующего. Если рассматривать стандартное телевизионное изображение 25 кадров в секунду, то на обработку одного кадра отводится не более 40 мкс. Эта величина включает в себя не только собственно вычисления, но и все дополнительные действия, связанные с копированием данных, синхронизацией различных процессов и т.п.

Общая концепция алгоритма – слияние путем сложения битов 2-х изображений с яркостью, уменьшенной в 2 раза, – была выбрана эвристически, как наиболее простая с вычислительной точки зрения.

Так как рассматривается 3 возможные комбинации входных изображений, то имеет смысл проанализировать 3 группы алгоритмов:

Алгоритм №1 для слияния 8бит + 8бит=8бит.

Алгоритм №2 для слияния 8бит+16бит=16бит. Ниже будут рассмотрены его две модификации, обозначенные как №2-1 и №2-2.

Алгоритм №3 для слияния 16 бит+16 бит=16 бит.

Наиболее сложной оказалась реализация Алгоритма №2. При этом рассматривались следующие варианты совмещения Grayscale и RGB изображений:

1. Полная замена содержимого одного из каналов RGB изображения битами Grayscale изображения. В этом случае наиболее четкий результат получался при замене содержимого красного канала. Но полученное изображение имеет сложную для зрительного восприятия гамму, поэтому этот подход далее не рассматривался.

2. Сложение содержимого одного из каналов RGB изображения с битами Grayscale изображения при делении яркости каждого из складываемых каналов пополам – Алгоритм №2-1

3. Сложение содержимого всех каналов RGB с битами Grayscale изображения при делении яркости каждого из складываемых каналов пополам – Алгоритм №2-2.

Описанные выше алгоритмы были реализованы на PC с целью визуальной оценки качества получаемых изображений. Ниже показаны преобразования, осуществляемые для каждой точки изображений (входных – обозначенных как «Вход1» и «Вход2» и выходных – «Выход»)

Алгоритм №1: Выход [i]= Вход2[i]/2+Вход1[i]/2

Алгоритм №2: при совмещении 8 бит серого изображения урезаются до 5 бит за счет отбрасывания младших бит:

Алгоритм №2.1 добавляет 5 бит серого изображения к 5 битам красного(R) канала:

Выход [i2] = Вход2[i2 ] // канал G

Выход [i2+1]=Вход2[i2+1]/2+Вход1[i]/2 // канал R

Выход [i2+2]=Вход2[i2+2] //канал B

Наилучший результат был получен при использовании для суммирования красного канала. Если при слиянии выбрать отличный от красного канал, то изображение получается трудно воспринимаемым с точки зрения цвета (при выборе канала B) или фотоснимок практически невиден за картой (при выборе канала G).

Алгоритм №2.2 добавляет 5 бит серого изображения к 5 битам синего, зеленого и красного каналов:

Выход[i ] =Вход2[i2 ]/2 + Вход1[i]/2 // канал G

Выход[i+1]=Вход2[i2+1]/2+Вход1[i]/2 // канал R

Выход[i+2]=Вход2[i2+2]/2+Вход1[i]/2 //канал B

Хотя при этом алгоритме изображение получается более натуральных цветов, но на надписи зеленого цвета становятся менее резкими и разборчивыми. Этот алгоритм требует наложения ограничения на цветовую гамму сливаемых изображений.

Алгоритм №3:

Выход [i1] =Вход1[i1]/2 +Вход2[i2]/2 // канал G

Выход [i1+1]=Вход1[i1+1]/2 +Вход2[i2 +1]/2 // канал R

Выход [i1+2]=Вход1[i1 +2 ]/2+Вход2[i2 +2 ]/2 //канал B

При реализации указанных алгоритмов на процессоре Л1879ВМ1, основным критерием оценки следует считать способность обработки потока изображений в темпе его поступления от ТВ камеры.

Для описания реализации на процессоре Л1879ВМ1 алгоритмы можно разделить по производимым действиям на 2 типа: алгоритмы для случая, когда в слиянии участвует пара изображений одинаковой разрядности (Алгоритм №1 и Алгоритм №3), и когда в слиянии участвует пара изображений разной разрядности. (Алгоритм №2-1 и Алгоритм №2-2). Причем алгоритмы первого типа являются подтипом алгоритмов второго типа.

Для первого случая при реализации используется блок маскирования с командами mask (наложение маски) и shift (циклический сдвиг) и векторное арифметико-логическое устройство (АЛУ). Во втором - необходимо преобразование данных к одной разрядности (т.е. преобразование GrayScale изображения в RGB), которое на процессоре Л1879ВМ1 удобно производить с помощью матрицы, используемой в качестве коммутатора, перераспределяющего биты входного потока. С матрицей связана пара регистров, определяющих ее разбиение на столбцы и строки. Выбор оптимального разбиения позволяет максимально использовать возможности перенаправления потока входных битов, что в свою очередь влияет на скорость работы алгоритма. После прохода через матрицу, данные становятся одинаковой разрядности, и для окончательной обработки к ним применяются действия по схеме, аналогичной случаю один.

Экспериментальные результаты, полученные при использовании памяти SRAM (статическая разделяемая память) устройства ВМ11 (на базе процессора Л1879ВМ1), показали, что предложенные реализации алгоритмов позволяют производить на ВМ1 слияние изображения формата 1024х768 во всех рассмотренных вариантах с частотой 25 кадров/сек.

Визуальная оценка качества полученных результатов проводилась по критериям четкости получаемых изображений, а так же их цветовой гаммы.

Рис. 3 показывает результат слияния по Алгоритму №1. При этом яркость обоих изображений была одинаковой.

Несмотря на усечение разрядности исходных изображений в ходе слияния, визуальный анализ результатов слияния показывает, что предложенные алгоритмы позволяют в значительной степени сохранить существенные детали исходных изображений.

В зависимости от поставленной задачи, путем варьирования яркостей изображений можно добиться эффекта подчеркивания (выделения) одного из сливаемых изображений.



Рис. 3. Результат слияние пары 8-битных изображений.

Стоит, однако, заметить, что при слиянии по Алгоритму №2-2 требуется наложение ограничений на цветовую гамму изображений. Так при использовании карты местности в качестве одного из изображений предпочтительны надписи черного или красного цвета, т.к. в противном случае они становятся трудно различимы.

Таким образом, проведенные исследования показали:

Несмотря на усечение разрядности изображений, полученные результаты достаточно хорошо воспринимаются зрительно, иллюстрируя тот факт, что предложенные алгоритмы позволяют в значительной степени сохранить детали исходных изображений.

В настоящей реализации использовались половинные яркости обоих изображений, что обеспечивает универсальность алгоритмов слияния. При наличии заранее известной информации о соотношении яркостей исходных изображений, ее целесообразно использовать при настройке алгоритмов, что позволит повысить качество получаемых изображений (снизить потери информации, неизбежные при снижении разрядности представления изображений).

Алгоритмы, реализованные на базе процессора Л1879ВМ1 позволяют осуществлять на устройстве ВМ1 совмещение изображения формата 1024х768 во всех рассмотренных вариантах с частотой порядка 25 кадров/сек.

1. http://www.aicommunity.org/reports/Inex/ImageSuperposition/ImageSuperposition.php?fid=64

2. http://www.russian-robotics.ru/combination.htm

3. Совмещение изображений О.Ю. Аксенов. Цифровая обработка сигналов. № 3, 2005, стр. 51-55

4.Быстрые алгоритмы распознавания и совмещения изображений, основанные на модулярных вариантах М.В. Ассонов, В.Г. Лабунец, Е.В. Лабунец, R. Lenz. Век радио: Перспективные пути развития антенных систем космической связи, теории управления и распознавания образов: Сб. науч. тр. / Отв. ред. Н.И. Черных. Ред. кол.: акад. А.Ф. Богомолов, акад. Н.Н. Красовский, акад. В.Г. Лабунец, к.т.н. Б.С. Соболев, д.т.н. В.И. Гусевский (отв. секретарь). ИММ УрО РАН. - Екатеринбург, 1996. - 296 с.



^ Merging video on Л1879ВМ1 processor
Popova O.

RC «Module», Moscow , opopova@module.ru


One of the ways to increase the information capacity of images is based on merging of video (streams of images) from different sources. Each algorithm of merging has its own characteristics and limitations. Here the merging of spatial synchronised images from different sources in real time is considered.

A hardware implementation force to use not usual 24-bit (TrueColor) images, but reduced 16-bit (RGB) images. This data capacity reduction can lead to loss of some components of input images. Therefore one of the aims of this work is to demonstrate the ability of the used algorithms to preserve the essential components of input images.

Specialised software was created to solve this problem. Merging of different combinations of GrayScale and RGB images was considered. A photo of an earth surface area and the map of this area were used as the input images.

The implementation of the merging algorithm on NeuroMatrix NM6403 processor is described. This implementation takes into account the architectural peculiarities of the aforesaid processor.

Visual evaluation was done to confirm efficiency of these algorithms. The criteria of legibility and correct palette sensing of the resulting image were used. Duration of the algorithm implementation was measured.

The offered implementation provides merging video in real time and preserves the essential components of input images.



Аппаратные средства цифровой обработки изображений в реальном масштабе времени

Смирнов М.С., Костров В.В.

Муромский Институт (филиал) Владимирского Государственного Университета

Сегодня в технике нет почти ни одной области, которую в той или иной мере не затрагивала бы цифровая обработка изображений. С точки зрения восприятия, цифровая обработка изображений предназначается для двух основных «потребителей».

Компьютеризированные процедуры применяются для облегчения человеческого восприятия рентгеновских, ультразвуковых и иных изображений путем повышения контраста или цветового кодирования различных уровней интенсивности. Методы улучшения и восстановления изображений применяются при обработке некачественных изображений утраченных объектов или трудно-воспроизводимых экспериментальных результатов. Также компьютерная обработка является обычным способом улучшения качества изображений, получаемых в ходе экспериментов. В данном случае, критерием качества обработки является субъективная оценка человеком полученного изображения. Когда изображение обрабатывается для визуальной интерпретации, наблюдатель определяет, насколько хорошо действует конкретный метод. Визуальное оценивание качества изображения есть крайне субъективный процесс, делающий понятие «хорошего изображения» некоторым эталоном, с помощью которого необходимо сравнивать эффективность алгоритма. включение в процесс обработки человеческого фактора не позволяет говорить о возможности использования реального масштаба времени.

Другая область применения методов обработки изображений – это решение задач, связанных с машинным восприятием изображений. В этом случае применяются процедуры, извлекающие из изображения некоторую информацию и представляющие ее в форме, подходящей для компьютерной обработки. Примерами информации такого рода, часто применяемой при машинном восприятии изображений, могут быть статистические моменты, коэффициенты преобразования Фурье, значения многомерного расстояния и т.д.

Когда целью является обработка изображения для машинного восприятия, задача оценивания качества обработки может определяться по некоторым объективным характеристикам. Например, в задаче распознавания символов наилучшим будет тот метод обработки изображений, который дает более точные результаты машинного распознавания. Тем не менее, даже в ситуации, когда проблема позволяет установить четкие критерии качества, обычно требуется определенное количество попыток тестирования, пока будет выбран конкретный подход к улучшению изображений [1].

Использование компьютерной системы в качестве конечного «потребителя» обработанного изображения, часто вынуждает осуществлять цифровую обработку в реальном масштабе времени. Обеспечить режим реального масштаба времени, при обработке изображений можно двумя путями:

Использование многопроцессорных систем, основанных на микропроцессорах общего назначения;

Использование микропроцессорных систем основанных специализированных процессорах имеющих специализированную архитектуру и систему команд ориентированную на обработку аудио, видео и графической информации в реальном масштабе времени. В качестве таких процессоров, как правило, применяют цифровые сигнальные процессоры (ЦСП) и нейропроцессоры.

Для наиболее полного анализа возможностей всех аппаратных платформ для цифровой обработки изображений, необходимо рассмотреть, существующие на сегодняшний день, варианты их построения.

Использование многопроцессорных систем построенных на основе процессорах общего назначения позволяет строить высокопроизводительные системы, базируясь на общедоступной элементной базе. Однако при использовании подобных систем остро встает вопрос распараллеливания алгоритмов обработки.

При синтезе параллельных алгоритмов цифровой обработки обыкновенно используются два подхода. Первый подход состоит в изменении структуры алгоритма обработки сигналов и изображений таким образом, чтобы все независимые операции обработки можно было выполнить параллельно во времени. Таким образом, осуществляется распараллеливание последовательного алгоритма цифровой обработки сигналов и изображений. Второй подход состоит в разработке специализированных алгоритмов цифровой обработки сигналов и изображений, предназначенных для реализации в мультипроцессорной вычислительной среде. Синтез параллельных алгоритмов в общем виде и без всяких ограничений возможен лишь с помощью численных методов.

Качество параллельных алгоритмов оценивается ускорением обработки и эффективностью обработки. Если Тp обозначить продолжительность процесса обработки на одном процессоре, а Тp – время обработки на p процессорах, то ускорение процесса обработки Sp и эффективность обработки Еpопределяется отношениями: . При создании параллельных многопроцессорных архитектур встает вопрос об оценке эффективности подобных систем. известно несколько оценок коэффициента ускорения параллельных архитектур [2]. Согласно предположению Минского, для широкого класса алгоритмов конфликт между р процессорами с коллективным распределением ресурсов и соединенными с общей шиной, ограничивает повышение производительности величиной log2(p). Разработчики современных "суперкомпьютеров", используя ряд параллельных структур, по закону Амдала достигают значений коэффициента повышения производительности рlog2(p).

Таким образом, можно определить ускорение процессора обработки при увеличении числа процессоров.

Обозначив число параллельных процессоров Рм – согласно оценке Минского, РА – согласно оценке Амдала, можно получить следующие выражения для ускорения: – Минского,
– Амдала.

Таким образом, увеличение быстродействия системы цифровой обработки изображение путем наращивания количества процессоров приводит к следующим отрицательным моментам: во-первых, к конфликту процессорных элементов в системе; во-вторых, к ограничению производительности системы; в-третьих, к необходимости распараллеливания известных алгоритмов или создания новых, пригодных для реализации на мультипроцессорных системах. Также немаловажным отрицательными факторами являются высокая стоимость данных систем и специальные требования к операционным системам, поддерживающим данные мультипроцессорные комплексы.

Использование в качестве основного вычислителя модулей цифровой обработки сигналов, которые содержат высокопроизводительные сигнальные процессоры и ПЛИС, позволяет высокоскоростной поток данных обрабатывать до основной ЭВМ, и предоставить последней заниматься свойственными ей функциями: ведением баз данных, статистической обработкой, выводом информации на монитор и печать и т.п.

Особенности цифровой обработки изображений определяют основные требования, предъявляемые к ЦСП. ЦСП должны иметь встроенные устройства выполнения основных арифметических операций – умножения и накопления (универсальные микропроцессоры не имеют встроенного умножителя), кроме того, в ЦСП требуется максимально возможное сокращение времени выполнения команды (командного цикла). Это достигается за счет особенностей внутренней структуры в целом таких как: Гарвардская RISC-подобная архитектура; много-ступенчатый конвейер по выполнению 32- и 64-разрядных инструкций; расширенные возможности по динамическому диапазону обрабатываемых данных, позволяющие обрабатывать данные в форматах с фиксированной точкой, либо в одном из форматов с плавающей точкой - 24Е8 или 32Е16; аппаратные меры повышения точности и динамического диапазона; аппаратная поддержка программных циклов. За счет особенностей АЛУ содержащего в своем составе: вычислительные (операционные) устройства, умножитель/сдвигатель для форматов с фиксированной точкой; арифметическое устройство для форматов с фиксированной точкой; умножитель для форматов с плавающей точкой; арифметическое устройство для форматов с плавающей точкой. За счет специализированной системы инструкций, обеспечивается одновременное выполнение в течение одного командного цикла несколько вычислительных операций и несколько пересылок данных.

Таким образом, более высокая производительность ЦСП для решения задач цифровой обработки изображений – следствие ориентации на решение более узкого круга задач по сравнению с универсальным микропроцессором.

Анализ производительности сигнальных процессоров по сравнению с универсальными микропроцессорами производился:

- вычислением времени работы FIR-фильтра с 35 отводами по 1024 отсчетам буфера с реализацией сигнала;

- вычисления БПФ 1024 комплексных отсчетов сигнала;

- расчет корреляционной функции 1024-точечного сигнального буфера – 1024-точечного массива отсчетов шаблонной функции.

Вычисление проводилось на различных типах процессоров: TMS320C6416 и Intel Xeon – 2,4 ГГц. Результаты проведенного тестирования и измерения времени выполнения программ по описанным алгоритмам приведены в таблице 1. Функции, реализующие перечисленные выше математические операции, взяты из специализированных библиотек для соответствующих процессоров: DSPLIB фирмы Texas Instuments для процессоров TMS320C6000 и Intel Integrated Performance Primitives 3.0 для процессоров Intel. Функции этих библиотек оптимизированы под архитектуру конкретного цифрового сигнального процессора.

Представленные в таблице результаты сравнения производительности процессоров показывают, что, во-первых, специализированная архитектура цифрового сигнального RISC процессора TMS320C6416, которая обеспечивает оптимальное вычисление математических операций, характерных для цифровой обработки сигналов, позволяет решать задачи ЦОС эффективнее, нежели архитектура универсального CISC-процессора.

Результаты измерений показали, что производительность комплекса ЦОС на базе процессора TMS320C6416 практически в два раза выше производительности комплекса с двумя процессорами Intel Xeon.

Исходно ЦСП ориентированы на скоростную обработку данных в формате с плавающей запятой, параллельно с этим дополнительное увеличение скорости обработки можно добиться путем применения парал-

лельной или смешанной конвейерно-параллельной архитектуры при построении цифровых модулей обработки сигналов.

Таблица 1. Результаты тестирования процессоров обработки сигналов.



TMS320C6416-600 МГц

Intel Xeon – 2,4 ГГц

При передаче данных

Без передачи данных

При передаче данных

Без передачи данных

Корреляционная функция (10241024)

1,7 мс

1,7 мс

4,3 мс

2,5 мс

БПФ 1024 комплексных точки

11 мкс

11 мкс

25 мкс

18 мкс

FIR-фильтр с 35 отводами

25,7 мкс

25,7 мкс

62 мкс

36 мкс

Литература

Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005. – 1072с.

Кунг С, Уайтхаус Х., Кайлат Т. Сверхбольшие интегральные схемы и современная обработка сигналов. – Радио и связь, М., 1989.

Дорохин С.А. Высокопроизводительные процессоры цифровой обработки сигналов 2000 г. // Цифровая обработка сигналов. 1999. № 1. С. 59–65.

Данилов А. Современные цифровые процессоры обработки сигналов // Электронные компоненты. 2003. № 4. С. 23–34.

Трубин Вл., Трубин Вит. Анатомия DSP // Электронные компоненты. 2003. № 4. С. 17–20.





1 http://www.module.ru/ruproducts/dspmod/bm1-r.shtml



Цифровая обработка сигналов и ее применение

Digital signal processing and its applications