Сегментации изображений требует быстрого Adaptive Computing

Как промышленности движется вперед, для будущих поколений мобильных и беспроводных телефонов видео, которые включают более крупных и более сложных отображает видео, качество видео-изображения создает дизайн требовательных задач. Этот вопрос лежит на сегментации изображений, часть компьютерного зрения и распознавания образов, а также тот факт, что типичные технологии DSP не хватает вычислительной мощности для эффективной обработки алгоритмов, которые поддерживают образ сегментации. Дизайн ситуация становится более сложной, когда к вычислительным ресурсам MPEG-4 стандарта и связанных с ней алгоритмы сегментации изображений поддержки учитываются дюйма

Сегментация изображений анализ зрительной информации, содержащейся в цифровых изображений, описания того, что в визуальной сцены, где он находится. Тем не менее, сегментация изображения остается чрезвычайно сложной задачей, по крайней мере по двум причинам. Визуальная информация представляет собой огромное количество данных, что является длительным, сложным и трудно интерпретировать вычислительно. И, в соответствии с данным приложением, сегментация изображения требуется для проведения анализа и интерпретации входных данных.

Цвет, фактура и движение функции представляют собой жизненно важную информацию, необходимую для завершения анализа сцены. С цветом, 4 меры оценки восприятия ощущений: цвет, яркость, красочность и насыщенность. Тон атрибут цвета в которой красный отличается от зеленого, синего с желтым и так далее. В правильности является качество свет, исходящий от объекта. Насыщенность это атрибут зрительного ощущения, согласно которому воспринимается цвет области, как представляется, более или менее хроматические. Наконец, насыщения является относительной мерой чистоты цвета.

Текстура зависит от относительного изменения цвета в регионе, но и не зависит от абсолютной цвета. Измерительные текстуры имеет важное значение для описания визуального содержания изображения, но оно может быть трудно описать, поскольку он связан с механизмами восприятия человеческого зрения. Таким образом, два основных свойства используются в качестве руководящих принципов при описании текстуры: значительные различия в уровнях интенсивности между соседними пикселей и единой собственности на пространственных масштабах больших, чем разрешение изображения.

Движение также имеет важное значение для визуальной сцены, поскольку движения помогает определить реальные 3D информацию движения от его проекция на 2D плоскости. Иными словами, движение с тонким хорошо структурированный изменения в освещенности изображения в пространстве и во времени.

В этой связи важно, чтобы разработчик системы понимать, что каждый пиксель в цифровое изображение связано с целым рядом величин, характеризующих его цвет, текстуру и свойства движения. Эти ценности, необходимые для эффективной обработки и решения компьютерное зрение, распознавание изображений и вычислений сегментации. Тем не менее, объем данных, генерируемых в извлечении всех этих особенностей является высокая. Обработки огромного количества информации является чрезмерно высоким даже для вычислительных возможностей ЦСП сегодня и микропроцессоров.

Вычислительным ресурсам MPEG-4 стандартных алгоритмов и связанных с ними еще более усугубить эти сложные вопросы дизайна. MPEG-4 устанавливает общую основу для основы мультимедийных приложений инструмент, состоящий из аудио-, природных и синтетических видео и систем. MPEG-4 видео в схему сжатия на основе блочного гибридного кодирования, используемые в MPEG-я и -2, но расширены для поддержки объектов произвольной формы видео. Эти объекты произвольной формы видео делятся на макроблоков (МБ) в пределах ограничивающего прямоугольника и кодируется на MB и блок основе, аналогичной той блок-схемы, основанные на сжатия видео, но с MPEG-4 кодирование инструментов.

Оценки движения (ME) алгоритм центральной части MPEG-4. Это наиболее требовательных алгоритм кодировщик видео, продолжительность колеблется от 60 до 80 процентов в MPEG-4 в вычислительной мощности. Это ограничивает производительность кодировщика, с точки зрения скорости кодирования. Это потому, что вычислительные мощности ЦСП не является достаточным для реального времени кодирования видео приложений за CIF (общий промежуточный формат) размер сессии в связи с ME высокие вычислительные мощности.

ЦСП не может эффективно обрабатывать видео изображений и мультимедийных приложений, поскольку они предназначены главным образом для выполнения традиционных операций фильтрации в обработке сигналов. культур Сегодняшний ЦСП характеризуются различными конечной импульсной характеристикой (КИХ) кирпичиков функций, предназначенных на текущие ЦСП два года назад. Среди них реального блока, один образец, сложный блок, 2-biquad РПИ, среди ряда других. Следовательно, эти DSP архитектур - замороженные в кремнии два года назад - идеально подходят для фильтрации операций, но крайне неэффективны для мультимедийных операций. Попытки чипов, чтобы укрепить свои архитектур с добавленной функциональностью мультимедийного еще отстают от сегодняшних требовательных MPEG-4 и сегментации изображений вычислительных потребностей. Кроме того, в MPEG-4 алгоритмы постоянно меняются, даже последних поколений ЦСП являются устаревшими на этапе проектирования.

Стороне от этих жизненно важных вопросов, дизайн DSP, сегментация изображения требует все новых и различных к вычислительным ресурсам алгоритмы в дополнение к регулярным MPEG-4 алгоритмов. Эти Сплит

В идеале, системный инженер хочет включить в проект очень гибкой адаптивной вычислительной кремния, с тем чтобы эти алгоритмы и поддерживающих их оборудования может быть изменен на лету в поле для эффективной обработки различных существующих и будущих приложений. Адаптивной вычислительной машины (ACM) является ярким примером этого решения, инженерное проектирование. ACM, нового класса IC, предлагает более высокую производительность, низкое энергопотребление, меньшая площадь кремния, снижение затрат и чрезвычайно высокий уровень гибкости по сравнению с обычными, сегодняшняя жесткая технологии IC.

ACM вносит в существование, ибо, как длинный или короткий период времени, по мере необходимости (в такт такт при необходимости) и по мере необходимости, точная аппаратная реализация алгоритма программного обеспечения требует. ACM обеспечивает от 10 до 100 раз больше, чем производительность conventionalDSP только с половины до одной десятой энергопотребления.

В этом суть производительность архитектуры АСМ, адаптируя сотни тысяч раз в секунду, в то время как потребление мало энергии. Это быстрота разрешения ACM для осуществления пространственной и временной сегментации (САЦ), тем самым еще больше отличительных ACM от обычных чипов технологий, таких как ASICs, DSP, микропроцессоров и FPGA. SATS это процесс адаптации динамических аппаратных ресурсов, чтобы быстро выполнять различные части алгоритма в различных сегментах времени (временной), а в разных местах, в адаптивной вычислительной матрицы (пространственного) от ACM.

Одной адаптивной вычислительной матрицы в центре ACM. Эта матрица служит основой для выполнения каждого алгоритмического ядра, либо видео-или беспроводных функций.

Например, Split

Ядра существующие одновременно в матрице примеры пространственной сегментации. С другой стороны, ядра, которые существуют только для краткого времени случаи примеры временной сегментации. Алгоритмические ядра могут быть изложены полностью в пространственной образом в ACM матрицы или их можно разделить во времени. Таким образом, разработчик системы может иметь Сплит

Фу Линь Хуэй является старшим членом технического персонала и Павел Мастер вице-президент по технологиям QuickSilver технологии Инк в Сан-Хосе.