بهبود کارایی تبدیل موجک گسسته دوبعدی با استفاده از تکنیک موازی سازی در سطح داده
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 275
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-49-4_011
تاریخ نمایه سازی: 27 تیر 1402
چکیده مقاله:
تبدیل موجک گسسته دوبعدی (۲D-DWT) به صورت گسترده ای در کاربردهای مختلف پردازش داده های چندرسانه ای ازجمله استانداردهای فشرده سازی تصاویر و ویدئو مورداستفاده قرار می گیرد. بااین وجود، این تبدیل دارای پیچیدگی محاسباتی بالاتری نسبت به تبدیل های مرسوم مانند تبدیل گسسته کسینوسی و دیگر توابع موجود در استانداردهای فشرده سازی است و بیشترین درصد از زمان اجرا را به خود اختصاص می دهد. در این مقاله، برای بهبود کارایی ۲D-DWT از مجموع دستورات فناوری های توسعه برداری پیشرفته AVX/AVX۲ و جمع ضرب ترکیبی (FMA) که قابلیت پردازش ۲۵۶ بیت داده با استفاده از معماری یک دستورالعمل و چندین داده (SIMD) که توسط اکثر پردازشگرهای همه منظوره (GPP) پشتیبانی می گردد، پیشنهادشده است. با استفاده از این فناوری ها قابلیت پردازش هشت داده ۳۲ بیتی برای اعداد اعشاری و شانزده داده ۱۶ بیتی برای اعداد صحیح شانزده بیتی در ثبات های SIMD یک GPP فراهم می گردد. بعلاوه نحوی نگاشت تبدیل های مختلف موجک به روش پردازش های سطری-ستونی که پردازش های سطری و ستونی را جداگانه انجام می دهد و مبتنی بر خط که هر دو، سطرها و ستون های تصویر را در یک حلقه پردازش می کند، استفاده شده است. نتایج پیاده سازی موازی سازی تبدیل های مختلف بر روی یک پلتفرم GPP نشان داد که کارایی، ۲D-DWT به ازای اندازه تصاویر مختلف را می توان تا ۲۸.۸ برابر نسبت به پیاده سازی سریال بالا برد. همچنین نگاشت مبتنی بر خط که باعث استفاده بهتر از ساختار سلسله مراتبی حافظه می گردد، کارایی را نسبت به نگاشت سطری – ستونی بیشتر بهبود می دهد.
کلیدواژه ها:
پردازشگرهای همه منظوره ، پردازش موازی ، تبدیل موجک گسسته دوبعدی ، موازی سازی سطح داده ، یک دستورالعمل چندین داده
نویسندگان
عبدالبصیر تیباش
گروه مهندسی کامپیوتر - دانشکده فنی - دانشگاه گیلان
اسدالله شاه بهرامی
گروه مهندسی کامپیوتر - دانشکده فنی - دانشگاه گیلان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :