Buch, Deutsch, 248 Seiten, PB, Format (B × H): 148 mm x 210 mm, Gewicht: 368 g
Reihe: Technische Informatik
Buch, Deutsch, 248 Seiten, PB, Format (B × H): 148 mm x 210 mm, Gewicht: 368 g
Reihe: Technische Informatik
ISBN: 978-3-8322-8435-0
Verlag: Shaker
Die Wavelet-Transformation hat einen breiten Anwendungsbereich in der Signal- und Bildverarbeitung, der von der Analyse bis zur Kompression reicht. Hierbei wird genutzt, dass es sich bei der Wavelet-Transformation um eine orthogonale Transformation handelt, deren Transformierte sowohl eine zeitliche wie auch eine Frequenzlokalisation aufweisen. Trotz einer schnellen Filterbankimplementierung für die Berechnung, deren Komplexität linear zur Problemgröße ist, ist die Wavelet-Transformation immer noch sehr rechenintensiv. Die Berechnung großer Problemgrößen und Forderungen an die Echtzeit haben zu verschiedenen Ansätzen geführt, die Wavelet-Transformation zu beschleunigen, die hierzu den vorhandenen Parallelismus auf unterschiedlichen Ebenen nutzen. Die verschiedenen Ansätze bewegen sich zwischen fest verdrahteter Hardware, sog. ASICs (Application Specific Integrated Circuits), die sehr leistungsfähig ist, aber nicht flexibel für unterschiedliche Anwendungen eingesetzt werden kann, und universal programmierbaren Prozessoren (General-Purpose-Prozessoren, GPP), die zwar eine hohe Flexibilität, aber ein deutlich geringeres Leistungspotenzial aufweisen. Durch ihre inhärente Lokalität und Nebenläufigkeit kann die Wavelet-Transformation effizient durch Stromprozessoren berechnet werden, deren Leistungscharakteristik fast der eines ASIC entspricht, während sie in einer Hochsprache programmiert werden können. Hierbei sind Grafikprozessoren (eng!. Graphics Processing Units, GPUs) programmierbare und leistungsfähige Stromprozessoren, die weit verbreitet sind und einfach aus bestehenden Programmen heraus genutzt werden können. Im Gegensatz zu den bisherigen Arbeiten, die den Pyramidenalgorithmus auf die GPU umgesetzt haben, wurde in dieser Arbeit der insbesondere für die Bildanalyse vorteilhafte "algorithme a trous" auf der GPU implementiert. Als Basis hierfür diente die Programmiersprache Java, wobei für die Nutzung der GPU die Grafik-API OpenGL und die Shading-Sprache GLSL verwendet wurden. Beim Leistungsvergleich konnte die GPU-Implementierung durch die intensive Ausnutzung der Grafik-Hardware einen deutlichen Beschleunigungsgewinn erzielen. Mit der Kantenerkennung und der Rauschunterdrückung in Bildern wurde die neue Implementierung erfolgreich in zwei Anwendungen aus der Bildverarbeitung eingebunden. Hierdurch konnten ebenfalls die Berechnungen im Vergleich zur CPU Implementierung deutlich beschleunigt werden.
