Document
CUDA implementation of fractal image compression
Publisher
Sultan Qaboos University
Gregorian
2015
Language
English
English abstract
With the advances in the information era, there is a rapid rise in the volume of digital data generated by different types of applications ranging from social
media networks all the way to satellite and medical images. Data compression
plays an important role to solve the storage space requirement and data
transmission time constraints. Fractal coding is a lossy image compression
technique, which encodes the image in a way that would require less storage space by using the self-similar nature of the image. The main drawback of fractal compression is the high encoding time. This is due to the hard tasks of finding all fractals during the partition step and the search for the best match of fractals. Researchers have proposed different methods to overcome this drawback including classification schemes, which are mostly used to speed up the encoding process. Lately, GPUs (Graphical Processing Unit) have been exploited to implement fractal image compression algorithms due to their high computational power.
The prime aim of this research is to experimentally evaluate the performance of Fisher classification scheme that is widely used to reduce the encoding
time of fractal images by limiting the search for the best match of fractals. CUDA (Compute Unified Device Architecture) has been used to design and implement the Fishers classification scheme to exploit the computational power available in the GPUs.
Encoding time, compression ratio and peak signal-to-noise ratio was used as metrics to compare the performance of the developed algorithm. Eigh images with different sizes have been used (512x512, 1024x1024 and 2048x2048)
for the experiments. The conducted experiments showed that a speedup of 6.4x was achieved in some images using NVIDIA GeForce GT 660M GPU.
Member of
Resource URL
Arabic abstract
مع التقدم في عصر المعلومات ، ازدادت أهمية الصور واستخداماتها في مختلف المجالات بداية من صور التواصل الإجتماعي إلى صور الأقمار الصناعية والصور الطبية ذات الحجم الكبير والدقة العالية. ويحتاج أصحاب المهن المرتبطة بصور الأقمار الصناعية والصور الطبية إلى ذاكرة تخزينية عالية ووقت طويل لتحميلها. ولحل مشكلة الوقت المستخدم في تحميل الصور و الذاكرة المستخدمة لحفظها: فإن ضغط الصور بيلعب دور مهم في حلها وذلك لأنه يقلل حجم البيانات وبالتالي يوفر مساحة تخزينية أكبر. يعتبر ضغط الصور الكسورية إحدى طرق ضغط الصور وأفضلها لكنه يفقد الصورة بعض بياناتها ويغير قليلا من جودتها بعد الضغط. بالإضافة إلى أنه يحتاج وقت أطول في عملية الضغط ؛ ويرجع ذلك إلى المهام الصعبة في العثور على جميع الصور التي بها نمط هندسي متكرر خلال خطوة التقسيم و البحث عن أفضل تشابه کسوري . اقترح الباحثون أساليب مختلفة للتغلب على هذا العائق بما في ذلك خطط التصنيف والتي هي في الغالب تستخدم للتسريع من عملية البحث عن تماثل کسوري . في الآونة الأخيرة، ظهرت وحدات معالجة الرسوميات
والتي تم استغلالها لتنفيذ کسورية خوارزميات ضغط الصور بسبب القوة العالية الحسابية لهذه الوحدات (GPU)
يهدف هذا المشروع إلى استغلال الطاقة الحسابية المتوفرة في وحدات معالجة الرسوميات في تقييم أداء تصنيف فيشر (Fisher) الذي يعتبر أشهر تصنيف يستخدم على نطاق واسع لتقليل الوقت المستخدم في عملية البحث عن أفضل تشابه كسوري. وقد استخدمت ال CUDA لتصميم وتطبيق مقترح جديد لتصنيف فيشر. و CUDA هي اختصار لعبارة Compute Unified Device Architecture واللتي تعني معمارية للحوسبة المتوازية وضعتها شركة إنفيذيا وباستخدام هذه المعمارية فإن وحدات معالجة الرسوميات لها معمارية متوازية متعددة النوى"، ولكل نواة القدرة على إجراء الآلاف من العمليات في وقت واحد. المساهمة الرئيسية في هذه الخوارزمية المقترحة تضمنت ثلاث مراحل؛ ليتم تنفيذ الخوارزمية بشكل متوازي مما يساعد على تسريع عملية البحث عن أفضل تشابه كسوري. وقد استخدمت ثلاث مقاييس رئيسية المقارنة أداء الخوارزمية المقترحة بالخوارزمية الأساسية لتصنيف فیشر؛ وهي: حساب الوقت المستخدم في عملية البحث عن أفضل تشابه كسوري. والنسبة بين حجم الملف المضغوط وحجم الملف الاصلي وكذلك حساب جودة الصورة. جودة الصورة يتم حسابها بعد عملية فك الضغط واستخراج الصورة التي تكون قريبة من الصورة الأصلية. في هذا البحث تم استخدام عشر صور بمختلف الأحجام (2048x2048 , 1024x1024 , 512x512) لتقييم أداء فيشر لكلا الخوارزميتين. وأظهرت التجارب التي أجريت تسارع يصل إلى x6. 4 في بعض الصور باستخدام وحدة معالجة رسومية من إنفيديا (NVIDIA) من نوع GeForce GT 660M. مما يعني أن هذه الخوارزمية المقترحة لتقيم أداء تصنيف فيشر حققت النتائج المرجوة في مجال معالجة الصور الكسورية.
والتي تم استغلالها لتنفيذ کسورية خوارزميات ضغط الصور بسبب القوة العالية الحسابية لهذه الوحدات (GPU)
يهدف هذا المشروع إلى استغلال الطاقة الحسابية المتوفرة في وحدات معالجة الرسوميات في تقييم أداء تصنيف فيشر (Fisher) الذي يعتبر أشهر تصنيف يستخدم على نطاق واسع لتقليل الوقت المستخدم في عملية البحث عن أفضل تشابه كسوري. وقد استخدمت ال CUDA لتصميم وتطبيق مقترح جديد لتصنيف فيشر. و CUDA هي اختصار لعبارة Compute Unified Device Architecture واللتي تعني معمارية للحوسبة المتوازية وضعتها شركة إنفيذيا وباستخدام هذه المعمارية فإن وحدات معالجة الرسوميات لها معمارية متوازية متعددة النوى"، ولكل نواة القدرة على إجراء الآلاف من العمليات في وقت واحد. المساهمة الرئيسية في هذه الخوارزمية المقترحة تضمنت ثلاث مراحل؛ ليتم تنفيذ الخوارزمية بشكل متوازي مما يساعد على تسريع عملية البحث عن أفضل تشابه كسوري. وقد استخدمت ثلاث مقاييس رئيسية المقارنة أداء الخوارزمية المقترحة بالخوارزمية الأساسية لتصنيف فیشر؛ وهي: حساب الوقت المستخدم في عملية البحث عن أفضل تشابه كسوري. والنسبة بين حجم الملف المضغوط وحجم الملف الاصلي وكذلك حساب جودة الصورة. جودة الصورة يتم حسابها بعد عملية فك الضغط واستخراج الصورة التي تكون قريبة من الصورة الأصلية. في هذا البحث تم استخدام عشر صور بمختلف الأحجام (2048x2048 , 1024x1024 , 512x512) لتقييم أداء فيشر لكلا الخوارزميتين. وأظهرت التجارب التي أجريت تسارع يصل إلى x6. 4 في بعض الصور باستخدام وحدة معالجة رسومية من إنفيديا (NVIDIA) من نوع GeForce GT 660M. مما يعني أن هذه الخوارزمية المقترحة لتقيم أداء تصنيف فيشر حققت النتائج المرجوة في مجال معالجة الصور الكسورية.
Category
Theses and Dissertations
File size
4.58 MB
0
0
