PARALELISASI TRANSFORMASI WAVELET DISKRIT MENGGUNAKAN ARSITEKTUR CUDA PADA GRAPHIC PROCESSING UNIT UNTUK DE-NOISING CITRA

Transkripsi

1 PARALELISASI TRANSFORMASI WAVELET DISKRIT MENGGUNAKAN ARSITEKTUR CUDA PADA GRAPHIC PROCESSING UNIT UNTUK DE-NOISING CITRA DOSEN PEMBIMBING: Dr. Nanik Suciati, S.Kom. M.Kom Wahyu Suadi, S.Kom, MM, M.Kom Penyusun Tesis: Rudy Cahyadi HP Sidang Tesis Surabaya 18 Juli 2011

2 Pendahuluan Citra Asli Citra de-noising (512x512) Citra de-noising(2048x2048) Citra noise(gaussian std=0,1) Citra de-noising (1024x1024) Citra de-noising(4096x4096)

3 Pendahuluan Semakin besar ukuran citra, hasil de-noising semakin baik De-noising citra mengunakan Transformasi Wavelet Diskrit (DWT) Dekomposisi DWT 2D Thresholding Rekonstruksi DWT 2D

4 Pendahuluan Semakin besar ukuran citra, hasil de-noising semakin baik De-noising citra mengunakan Transformasi Wavelet Diskrit (DWT) Dekomposisi DWT 2D Thresholding Rekonstruksi DWT 2D

5 Pendahuluan Semakin besar ukuran citra, hasil de-noising semakin baik De-noising citra mengunakan Transformasi Wavelet Diskrit (DWT) Dekomposisi DWT 2D Thresholding Rekonstruksi DWT 2D

6 Masalah Waktu komputasi (citra 4096x4096, CPU Quad 4GB DDR2) De-noising 1 citra RGB ~ 27,1 detik Proses Dekomposisi DWT 2D ~ 14,2 detik Thresholding detil-detil koefisien ~ 3,9 detik Proses Rekonstruksi DWT 2D ~ 9 detik Kurang real-time

7 Penelitian sebelumnya [3]Yang Su, Zhijie Xu. (2010), Parallel implementation of wavelet-based image denoising on programmable PCgrade graphics hardware, Signal Processing volume 90, issue 8, Elsevier, hal Menggunakan OpenGL (graphic pipeline) Memanfaatkan GPU untuk paralel image processing, perhitungan dilakukan di Texture Buffer (mempunyai texture cache) Proses dekomposisi dan rekonstruksi DWT 2D di GPU

8 Motivasi Ada teknologi baru untuk komputasi paralel yang lagi trend, yaitu CUDA (Compute Unified device Architecture). [6] Weinlich, A., Keck, B., Scherl, H., Kowarschik, M., Hornegger, J. (2008), Comparison of High- Speed Ray Casting on GPU using CUDA and OpenGL, High Performance and Hardware-Aware Comuting (HipHac), ed R Buchty and J-P Weiss, hal [7] Amorim, R., Haase, G., Liebmann, M., Weber dos Santos, R, (2009), Comparing CUDA and OpenGL implementation for a Jacobi iteration, High Performance Computing & Simulation, IEEE, OpenGL dibutuhkan pengetahuan khusus grafika komputer, waktu implementasi lebih lama CUDA 2x lebih cepat dari OpenGL Texture cache didesain untuk memelihara bandwidth CUDA shared memory dapat mengurangi latency CUDA menganut SIMT (Single Instruction Multiple Thread) / Data Paralelisme

9 Level Paralelisme Dekomposisi DWT (Pemfilteran horisontal) Filter daubechies 4 lpv i = h0d2j+h1d 2j+ 1 +h2d2j+ 2 +h3d2j+ 3 hpv i = g0d2j+ g1d2j+ 1 + g2d2j+ 2 + g3d2j+ 3 i increment 2 h 0 g 1+ = 4 3 ; h = ; h = 4 0 h3; g1 = h2; g2 = h1 ; 3 3 ; h 2 = g = h = lpv 0 lpv 1... lpv m/2-1 hpv 0 hpv 1... hpv m/2-1 Perhitungan lpv dan hpv Independent -> Data Paralelisme -> CUDA

10 Level Paralelisme Rekonstruksi DWT (Pemfilteran horisontal) D j =h 2 d i +g 2 d half +i +h 0 d i+1 +g 0 d half +1+i D j+1 =h 3 d i +g 3 d half +i +h 1 d i+1 +g 1 d half +1+i d 0 sampai d half-1 adalah low-pass value, dan d half sampai d n-1 adalah high-pass value. Perhitungan D Independent -> Data Paralelisme -> CUDA

11 Paralel Dekomposisi DWT 2D dgn CUDA Untuk setiap komponen warna (R,G,B) 1. Mentransfer komponen warna citra (input data) dari host memory ke device global memory. 2. Pemfilteran horisontal dekomposisi 1D pada device. Menetapkan jumlah block pada grid, dan jumlah thread tiap block Mentranfer input data baris dari global memory ke shared memory. Satu thread load 2 data Setiap thread menghitung low-pass value dan high-pass value, kemudian mentransfer hasil perhitungan ke global memory. 3. Pemfilteran vertikal dekomposisi 1D pada device. Cara sama dengan no.2, tp input data berupa data kolom 4. Mentransfer data hasil dekomposisi dari device global memory ke host memory.

12 Alokasi block thread pemfilteran horisontal dekomposisi Block (0,0) Thread(0,0) Thread(1,0) Thread(2,0)... Thread(511,0) Block (1,0) Thread(0,0) Thread(1,0) Thread(2,0)... Thread(511,0) Block(0,0) Block(0,1) Block(0,2) Block(0,3)... Block(0,1023) Block(1,0) Block(1,1) Block(1,2) Block(1,3)... Block(1,1023) Grid 0

13 Alokasi block thread pemfilteran vertikal dekomposisi Thread(0,0) Thread(0,1) Thread(0,2)... Thread(0,511) Block (0,0) Grid 0 Block(0,0) Block(0,1) Block(1,0) Block(2,0)... Block(1023,0) Block(1,1) Block(2,1)... Block(1023,1) Thread(0,0) Thread(0,1) Thread(0,2)... Thread(0,511) Block (0,1)

14 Data pada shared memory (pemfilteran horisontal) Mentranfer input data dari global memory ke shared memory. Satu thread load 2 input data.

15 Perhitungan low-pass dan high-pass value (pemfiteran horisontal) Setiap thread menghitung low-pass value dan high-pass value, kemudian mentransfer hasil perhitungan ke global memory.

16 Paralel Dekomposisi DWT 2D dgn CUDA Untuk setiap komponen warna (R,G,B) 1. Mentransfer komponen warna citra (input data) dari host memory ke device global memory. 2. Pemfilteran horisontal rekonstruksi 1D pada device. Menetapkan jumlah block pada grid, dan jumlah thread tiap block Mentranfer input data dari global memory ke shared memory. Satu thread load satu data low-pass value dan satu data high-pass value. Setiap thread menghitung satu data rekonstruksi kemudian mentransfer hasil perhitungan ke global memory 3. Pemfilteran vertikal rekonstruksi 1D pada device. Cara sama dengan no.2, tp input data berupa data kolom 4. Mentransfer data hasil rekonstruksi dari device global memory ke host memory.

17 Alokasi block thread pemfilteran horisontal dekomposisi

18 Alokasi block thread pemfilteran vertikal dekomposisi

19 Data pada shared memory (pemfilteran horisontal). Mentranfer input data dari global memory ke shared memory. Satu thread load satu data low-pass value dan satu data high-pass value.

20 Perhitungan data rekonstruksi (pemfilteran horisontal) Setiap thread menghitung satu data rekonstruksi kemudian mentransfer hasil perhitungan ke global memory

21 Lingkungan Uji Coba Data Uji coba (ukuran:512x512,1024x1024,2048x2048,4096x4096) CPU Intel(R) Quad GHz, 4 GB DDR2, GPU Nvidia Geforce GTS 450 AMP! Edition 1GB GDDR3. CPU 2GB, GPU Geforce 310M 512GB Visual Studio 2008 Professional, Matlab R2010a. NVMEX ( NVCC + MEX )

22 Pengujian kebenaran program Gaussian noise std=0,1 Versi GPU-CUDA (PSNR=21,1027) Versi CPU (PSNR=21,0973)

23 Evaluasi Kinerja Kualitas Citra hasil De-noising pada berbagai Model Noise

24 Evaluasi Kinerja Kualitas Citra hasil De-noising pada berbagai Model Noise

25 Evaluasi Kinerja Kualitas Citra hasil De-noising pada berbagai Model Noise

26 Evaluasi Kinerja Waktu Komputasi Dekomposisi DWT 2D pada GPU-CUDA dan CPU Ukuran Citra Dekomposisi CPU (ms) Dekomposisi GPU + transfer antar memori (ms) Dekomposisi GPU - tranfer antar memori (ms) 512x ,7 31,7 4,6 1024x ,7 75,3 13,6 2048x ,1 265,7 51,9 4096x ,8 977,4 176,5

27 Evaluasi Kinerja Waktu Komputasi Rekonstruksi DWT 2D pada GPU-CUDA dan CPU Ukuran Citra Rekonstruksi CPU (ms) Rekonstruksi GPU + transfer antar memori (ms) Rekonstruksi GPU - transfer antar memori (ms) 512x512 84,0 25,9 4,2 1024x ,6 73,4 14,4 2048x , ,4 4096x ,3 966,7 190,8

28 Evalusi kinerja Kecepatan dekomposisi & rekonstruksi GPU terhadap CPU Ukuran Citra kecepatan dekomposisi+ transfer antar memori (x) kecepatan dekomposisi transfer antar memori (x) kecepatan rekonstruksi + tranfer antar memori (x) kecepatan rekonstruksi - transfer antar memori (x) 512x512 5,2 35,4 3,2 20,1 1024x ,2 61,9 6,9 35,7 2048x ,2 67,4 8,5 41,9 4096x ,5 80,4 9,3 47, x x x x kecepatan dekomposisi+ transfer antar memori (x) kecepatan dekomposisi - transfer antar memori (x) kecepatan rekonstruksi + transfer antar memori (x) kecepatan rekonstruksi - transfer antar memori (x)

29 Evalusi kinerja Kecepatan de-noising citra GPU terhadap CPU Ukuran Citra De-noising versi CPU (ms) De-noising versi GPU CUDA (ms) Kecepatan (x) 512x ,6 140,7 2,2 1024x ,6 425,9 3,8 2048x ,3 1635,7 4,1 4096x ,1 6199,4 4, ms De-noising versi penelitian kami* (ms) De-noising versi peneltian sebelumnya*** (ms) x x x2048 ukuran citra

30 Evalusi kinerja Kecepatan de-noising citra penelitian kami dengan penelitian sebelumnya Ukuran Citra De-noising versi penelitian sebelumnya* (ms) De-noising versi penelitian kami** (ms) De-noising versi penelitian kami*** (ms) 512x ,4 140,7 1024x ,5 425,9 2048x ,6 1635,7 4096x4096 Tidak tersedia Tidak tersedia 6199, GeForce 7900 GTX GeForce 310 GeForce GTS Core Clock 650 MHz 589 / 1,402 MHz 783 / 1,566 MHz De-noising versi penelitian kami* (ms) Memory Clock 1.6 GHz 1 GHz 3.6 GHz Memory Interface 256-bit 64-bit 128-bit Memory Transfer Rate 51.2 GB/s 8 GB/s 57.7 GB/s Pixels per clock x x x2048 De-noising versi penelitian kami** (ms) De-noising versi peneltian sebelumnya*** (ms) *Geforce GTX 7900 **Geforce 310 ***Geforce GTS 450 GTX 7900 tidak support CUDA, Tesla HPC tidak support OpenGL

31 Kesimpulan Waktu komputasi proses dekomposisi atau rekonstruksi citra pada GPU menggunakan arsitektur paralel CUDA dibandingkan dengan waktu dekomposisi atau rekonstruksi pada CPU adalah lebih cepat 3,2 sampai 14,5 kali. Sehingga dengan paralelisasi tersebut, dapat membuat waktu komputasi proses de-noising citra lebih cepat 2,2 sampai 4,4 kali dari proses de-noising pada CPU saja. bottleneck waktu komputasi paralel terbesar terletak pada transfer data antar memori, yaitu sekitar 80%.

32 SEKIAN TERIMA KASIH