1 / 38

ÍNDICE

ÍNDICE. Introducción Tecnología CUDA Reconocimiento de terreno AIPC Calibración absoluta Detección de nubes Deconvolución Reducción de ruido Corregistración Conclusiones. ÍNDICE. Introducción Tecnología CUDA Reconocimiento de terreno AIPC Conclusiones. INTRODUCCIÓN.

keziah
Télécharger la présentation

ÍNDICE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ÍNDICE • Introducción • Tecnología CUDA • Reconocimiento de terreno • AIPC • Calibración absoluta • Detección de nubes • Deconvolución • Reducción de ruido • Corregistración • Conclusiones

  2. ÍNDICE • Introducción • Tecnología CUDA • Reconocimiento de terreno • AIPC • Conclusiones

  3. INTRODUCCIÓN • La teledetección es la observación y medida de objetos situados sobre la superficie terrestre sin estar en contacto con ellos • Se basa en la detección y registro de la energía reflejada desde un objeto, y el procesado, análisis y aplicación de esa información • El dispositivo que detecta esta radiación electromagnética se llama sensor Usuario final • Cartografía • Agricultura • Conservación de bosques • Medioambiental • Militar

  4. INTRODUCCIÓN • La cantidad de información capturada por el sensor suele ser muy elevada • Todos los datos deben ser procesados por diferentes algoritmos, lo que implica un tiempo elevado hasta generar la información de salida • Existen diferentes tecnologías que realizan un procesado masivo de los datos  Permiten reducir los tiempos de ejecución • Destacan las arquitecturas de sistemas paralelos basadas en tarjetas gráficas  GPUs • Este proyecto se basa en la tecnología CUDA de Nvidia. • OBJETIVO  Optimizar los algoritmos que intervienen en un sistema de teledetección mediante la tecnología CUDA , para obtener un sistema de baja latencia, es decir, que se aproxime cada vez mas a un sistema de tiempo real

  5. ÍNDICE • Introducción • Tecnología CUDA • Reconocimiento de terreno • AIPC • Conclusiones

  6. TECNOLOGÍA CUDA • La tecnología CUDA es una arquitectura de computación paralela desarrollada por Nvidia. • Se basa en la utilización de un elevado número de nodos de procesamiento para realizar un procesado masivo de los datos  Realiza una misma operación de forma simultánea sobre varios datos de entrada (Arquitectura SIMD) VENTAJAS • Realiza cálculos complejos a gran velocidad y con un coste reducido • Está basada en un entorno de desarrollo en C • Permite trabajar con sistemas operativos Unix y Windows • Software de desarrollo gratuito • Numerosa documentación • Tecnología en crecimiento

  7. TECNOLOGÍA CUDA Conceptos característicos de CUDA: • Hilo: Cada hilo de control que ejecuta de forma simultánea una función • Bloque de hilos: Conjunto de hilos lanzados sobre el mismo multiprocesador • Grid: Conjunto de todos los bloques de hilos • Kernel: Cada una de las funciones desarrolladas en C que serán ejecutadas mediante paralelización

  8. ÍNDICE • Introducción • Tecnología CUDA • Reconocimiento de terreno • AIPC • Conclusiones

  9. Urbanismo • Medioambiente • Prevención de incendios • Suelo • Vegetación • Nieve • Agua Información del terreno RECONOCIMIENTO DE TERRENO • Es una de las principales aplicaciones de un sistema de teledetección • Se trabaja con imágenes multiespectrales  Varias bandas de frecuencia  Información de un mismo píxel en cada banda espectral

  10. RECONOCIMIENTO DE TERRENO • Analizando la información de un píxel en cada banda se puede distinguir el tipo de terreno  Firma espectral • Para el proyecto se han usado imágenes capturadas por Landsat  7 bandas de frecuencia (azul, verde, rojo, infrarrojo cercano, infrarrojo medio 1, térmica, infrarrojo medio 2)

  11. RECONOCIMIENTO DE TERRENO

  12. RECONOCIMIENTO DE TERRENO • Procedimiento que se aplica a cada píxel en cada banda de frecuencia: Nivel digital (Valores entre 0 y 255) Radiancia Temperatura Reflectancia Detección de nubes Algoritmo de la NASA Índice de vegetación Índices Índice de humedad

  13. RECONOCIMIENTO DE TERRENO • La aplicación desarrollada permite generar cuatro tipos de imágenes a la salida

  14. RECONOCIMIENTO DE TERRENO • Mediante la paralelización de la aplicación se obtienen notables mejoras en los tiempos de ejecución

  15. RECONOCIMIENTO DE TERRENO

  16. ÍNDICE • Introducción • Tecnología CUDA • Reconocimiento de terreno • AIPC • Conclusiones

  17. AIPC • AIPC (Autonomous Image Processing Chain) es un proyecto desarrollado por la empresa Deimos Space, que implementa una cadena de procesado genérica para un sistema de teledetección. • Esta cadena está formada por una serie de módulos, donde cada uno de ellos implementa un conjunto de algoritmos para realizar el procesado de la información. Datos en crudo capturados por el sensor óptico Imágenes de salida AIPC

  18. AIPC Datos en crudo capturados por el satélite Imágenes de salida

  19. CALIBRACIÓN ABSOLUTA • Objetivo  Convertir los píxeles de la imagen de entrada de unidades digitales a unidades físicas (radiancias) • Realiza la siguiente operación:

  20. DETECCIÓN DE NUBES • Objetivo  Detectar nubes sobre la imagen de entrada para generar la correspondiente máscara de salida • Las nubes pueden provocar la generación de datos erróneos en las imágenes de salida  Hay que detectarlas y minimizar sus efectos • El algoritmo desarrollado trabaja con reflectancias, las cuales se obtienen a partir de las radiancias:

  21. DECONVOLUCIÓN • Objetivo  Mejorar la MTF (Función de Transferencia de Modulación) de la imagen de entrada • Se realiza una convolución espacial en 2 dimensiones entre la imagen y un filtro • Se consigue realzar la imagen, reduciendo su nitidez

  22. REDUCCIÓN DE RUIDO • Objetivo  Reducir el nivel de ruido de la imagen de entrada • Para realizar el filtrado se utiliza la transformada Wavelet discreta en 2 dimensiones • El proceso se divide en tres pasos: • Calcular la transformada Wavelet directa • Aplicar la reducción de ruido • Calcular la transformada Wavelet inversa

  23. REDUCCIÓN DE RUIDO PASO 1 – TRANSFORMADA WAVELET DIRECTA • Descompone la imagen de entrada en 4 tipos de coeficientes: • Aproximaciones  Contienen la información mas importante • Detalles horizontales • Detalles verticales Tienen valores próximos a cero • Detalles diagonales • Nivel descomposición  Aplicar la transformada sucesivas veces

  24. REDUCCIÓN DE RUIDO • Los coeficientes Wavelet se obtienen mediante el filtrado de la señal a través de filtros paso alto y paso bajo, y un posterior diezmado de orden 2

  25. REDUCCIÓN DE RUIDO PASO 2 – APLICACIÓN DE UMBRAL DE RUIDO • Consiste en aplicar la siguiente expresión sobre cada uno de los coeficientes Wavelet, excepto sobre los coeficientes de aproximación

  26. REDUCCIÓN DE RUIDO PASO 3 – TRANSFORMADA WAVELET INVERSA • Proceso inverso sobre los coeficientes Wavelet modificados • Filtros paso alto y paso bajo inversos, así como interpolación

  27. REDUCCIÓN DE RUIDO • La transformada Wavelet se debe aplicar de forma independiente sobre cada una de las bandas de la imagen de entrada • Para verificar el correcto funcionamiento se ha utilizado una imagen con un cierto nivel de ruido

  28. REDUCCIÓN DE RUIDO • Carga computacional elevada Mediante la paralelización de la aplicación se obtienen buenos resultados • Imágenes de gran tamaño (contienen mucha información)

  29. CORREGISTRACIÓN • Objetivo  Alinear todas las bandas de una imagen multiespectral respecto a una de ellas, que se toma como banda de referencia • Se debe calcular el desplazamiento de cada una de las bandas respecto a la banda de referencia • A la salida se genera un polinomio que determina este desplazamiento • Existe un desplazamiento teórico debido a la diferente posición de los sensores en el satélite

  30. CORREGISTRACIÓN • Pasos a seguir: • Se parte de la imagen de búsqueda (imagen que queremos corregistrar) y la de referencia • Ambas se dividen en subimágenes. • Se calcula la correlación cruzada normalizada entre cada par de ellas  Determina la similitud

  31. CORREGISTRACIÓN • Se busca el máximo de correlación, y se comprueba si supera un determinado umbral • Si se supera  Hay suficiente similitud entre ambas subimágenes • Se almacenan las coordenadas de ambas subimágenes • Todo este proceso se repite para cada par de subimágenes • Se forma un sistema de ecuaciones lineal  Al resolverlo obtenemos el desplazamiento real entre ambas imágenes • La salida final del módulo es de la forma:

  32. CORREGISTRACIÓN • Las pruebas se han realizado con imágenes formadas por dos bandas de frecuencia, y diferentes desplazamientos. • Imagen con desplazamiento de 100 píxeles en la coordenada X • Imagen con desplazamiento de -20 píxeles en las coordenada X e Y Ecuación de error en la coordenada x: A00 = 100 A01 = -8.69669e-16 A10 = 1 Ecuación de error en la coordenada y: B00 = 4.12131e-14 B01 = 1 B10 = -7.59502e-18 Ecuación de error en la coordenada x: A00 = -19.6678 A01 = -0.0174261 A10 = 0.999919 Ecuación de error en la coordenada y: B00 = -20.34 B01 = 0.999722 B10 = 0.017473

  33. CORREGISTRACIÓN • Mediante la paralelización de la aplicación se obtienen muy buenos resultados • En este caso el tiempo de procesado en la GPU es mayor que en los módulos anteriores, ya que la correlación cruzada requiere una carga computacional muy elevada

  34. ÍNDICE • Introducción • Tecnología CUDA • Reconocimiento de terreno • AIPC • Conclusiones

  35. CONCLUSIONES • Un sistema de teledetección puede proporcionar una gran cantidad de información aplicable en diversos campos • Los algoritmos empleados para procesar esta información tienen un tiempo de procesado elevado • La tecnología CUDA permite realizar una paralelización de estos algoritmos, consiguiendo reducir considerablemente los tiempos de ejecución • TECNOLOGÍA CUDA: • Proporciona una forma óptima y de coste reducido de optimizar los algoritmos empleados por un sistema de teledetección • Cuanto mayor sea el volumen de datos a procesar mayor es el beneficio que se puede obtener • Cuanto mayor sea la carga computacional de las operaciones a realizar, mayor es el beneficio que proporciona

  36. CONCLUSIONES • TRABAJOS FUTUROS • Paralelizar todos los módulos de la cadena AIPC, e integrarlos en una única aplicación • Se conseguiría obtener un sistema de baja latencia, aproximándose mucho a uno de tiempo real

  37. RUEGOS Y PREGUNTAS ¡Muchas gracias por su atención!

More Related