Estymacja lakunarności obiektu 2D z wykorzystaniem GPGPU

W artykule jest przedstawiona implementacja metody estymacji lakunarności z wykorzystanie przesuwnego okna dla GPGPU (programowalnych kart graficznych), umożliwiającą analizę wielorozdzielczą obrazu, w celu dalszej klasyfikacji. Porównano dwie implementacje – zwykłą oraz potokową (typu różnicowego) do przetwarzania obrazów w odcieniach szarości ze sterowanym progowaniem. Poprzez optymalizacje algorytmu obliczeniowego dla dużych rozmiarów okna analizy uzyskano 10-krotne przyspieszenie obliczeń.

Multiresolution image analysis [1, 2] is important for pattern recognition applications. Wavelets and fractals [1, 2] are used typically. A fractal based technique for analysis of the placement of binary images using estimation of the lacunarity is possible. The lacunarity could be applied for the fractal and non-fractal objects (1D,2D,3D) [3]. The estimation of the lacunarity of a 2D object is based on the sliding windows approach. The number of pixels (1’s) is counted (2) and the frequency table is computed (3). The normalization of this table gives the probability table (4). The lacunarity is calculated (7) using two moments obtained from this table. The different type of images (Fig.1) gives specific lacunarity plots (Fig.2), so classification is possible. The application of lacunarity to the grayscale images is also possible, e.g. using a set of thresholds. The computation of lacunarity is conceptually simple, but the implementation depends on processing platforms. Two implementations, conventional and pipeline, are compared in this paper. The conventional implementation uses counting of all pixels for the specific position of a window. The pipeline implementation supports the buffer of results so only updates are necessary. The programmable graphic card processor (GPGPU) and CUDA software platform are assumed for tests. The pipeline implementation is faster about 10 times for larger windows.