Architecture dédiée au traitement d'image basé sur les équations aux dérivées partielles

Dedicated Architecture for Image Processing based on Partial Differential Equations

• Auteur / Autrice : Eva Dejnozkova
• Direction : Jean-Claude Klein, Petr Dokladal
• Type : Thèse de doctorat
• Discipline(s) : Morphologie mathématique
• Date : Soutenance en 2004
• Etablissement(s) : Paris, ENMP

Mots clés

Mots clés libres

Traitement d'image

Filtre

Segmentation

Multiprocesseur

Dérivée partielle

Fonction distance

Architecture

Temps réel

Résumé

Les méthodes de traitement d'images fondées sur les équations aux dérivées partielles (EDP) bénéficient d'une attention particulière de la part de la communauté scientifique. Le nombre d'applications a augmenté après la formulation du problème sous forme d'ensembles de niveaux. Les EDPs s'appliquent dans de nombreux domaines tels le filtrage des images, les contours actifs utilisés pour la segmentation des images statiques, aussi bien que des séquences d'images ou encore des méthodes plus récentes tel le shape-from-shading. Les applications industrielles de ces méthodes sont néanmoins très limitées, d'une part par une complexité considérable de calculs, d'autre part par des difficultés rencontrées lors d'implantation embarquées (consommation d'énergie, exigences mémoire). Notre but est de proposer une architecture dédiée, facilitant tant l'implantation temps-réel qu'embarquée. En vue de cet objectif nous proposons un nouvel algorithme parallèle de la fonction distance qui élimine l'usage des files d'attente hiérarchiques et permet d'obtenir la solution sur la totalité ou une partie de l'image. La complexité de l'algorithme Massive Marching est linéaire. Il s'agit du premier algorithme permettant d'obtenir en parallèle la ligne de partage des eaux non-biaisée. Nous proposons deux types d'architecture : SIMD et plusieurs coeurs de processeurs embarqués implantant Massive Marching. Ces mêmes architectures peuvent être utilisés pour le filtrage aussi bien que des méthodes à évolution d'interface. La même architecture peut donc être utilisée pour une application complète, composée de différents types d'algorithmes comme par exemple filtrage suivi par segmentation.

The image processing methods based on Partial Differetial Equations (PDEs) draw a groving attention of the scientific community. The number of applications has increased with the introduction of the Level Set methods. The EDPs apply in many domains such the image improvement, the segmentation by active contours usedboth for static pictures and image sequences or recent methods such as shape-from-shading. The industrial applications of these methods remain limited due to a computation complexity on one hand, and the difficulties of embedded system implementation (energy consumption, memory requirements) on the other hand. Our goal is to propose a dedicated architecture facilitating the implementation of a realtime embedded system. Regarding this objective, we propose a new algorithm Massive Marching solving the Eikonal equation for computation of the distance function. It proceeds in parallel and eliminates the usage of the ordered data structures. It allows to obtain the solution either on the entire image or only on its part : the Narrow Band around the propagation front. The complexity of Massive Marching is linear. The Massive Marching represents the algorithm allowing to obtain the watershed in parallel. Next, we propose two architecture types (i) SIMD and (ii) MIMD, based on several embedded processor cores, implementing Massive Marching in parallel or semi-parallèle. The same architecture types can be used to implement filtering algorithms as well as methods of interface evolution. The same architecture can therefore be used to implement all the steps of a complete application consisting of different types of algorithms, e. G. Filtering followed by segmentation.