Implementación en FPGA usando SDSoC de un filtro espacio-espectral de mapas de clasificación hiperespectrales para detección de tumores cerebrales

Torres Martínez, Sergio (2017). Implementación en FPGA usando SDSoC de un filtro espacio-espectral de mapas de clasificación hiperespectrales para detección de tumores cerebrales. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. y Sistemas de Telecomunicación (UPM), Madrid.

Description

Title: Implementación en FPGA usando SDSoC de un filtro espacio-espectral de mapas de clasificación hiperespectrales para detección de tumores cerebrales
Author/s:
  • Torres Martínez, Sergio
Contributor/s:
  • Salvador Perea, Rubén
Item Type: Final Project
Degree: Grado en Ingeniería Electrónica de Comunicaciones
Date: 27 July 2017
Subjects:
Freetext Keywords: Imágen hiperespectral Medicina de precisión
Faculty: E.T.S.I. y Sistemas de Telecomunicación (UPM)
Department: Ingeniería Telemática y Electrónica
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (3MB) | Preview
[img] Archive (ZIP) - Users in campus UPM only
Download (30kB)

Abstract

El uso de imágenes hiperespectrales permite obtener una gran cantidad de información de la escena capturada, ya que están compuestas por cientos de bandas repartidas por el espectro electromagnético, sobrepasando el límite del espectro visible y abarcando incluso parte del infrarrojo y ultravioleta. Debido al volumen de datos, el procesado de este tipo de imágenes es lento, lo que llevó a buscar la aceleración de la ejecución de estos algoritmos. El algoritmo de procesado que se ha acelerado es un filtrado espacio-espectral basado en el algoritmo KNN (del inglés, K Nearest Neighbors), que considera tanto la componente espectral como las componentes espaciales de cada píxel en la búsqueda de los K vecinos más cercanos de cada uno de ellos para después proceder al filtrado. Este algoritmo constituye la etapa final de una cadena de procesado de imágenes hiperespectrales, que contiene dos etapas previas: una de reducción dimensional y otra de clasificación a nivel de pixel. La implementación y aceleración del algoritmo se ha realizado sobre un SoC (del inglés, System On Chip), con la ayuda de SDSoC (del inglés, Software Development System on Chip), un software de desarrollo de la empresa Xilinx. En concreto, durante este proyecto se ha realizado el estudio y posterior optimización en tiempo de procesado de un algoritmo de filtrado de mapas de clasificación basado en KNN, para obtener un mapa de clasificación optimizado respecto del obtenido en las etapas previas. Para acelerar el algoritmo, se pueden diferenciar 6 estudios, donde se hacen diferentes modificaciones para conseguir el objetivo principal del proyecto: acelerar el algoritmo para procesar una imagen en menos de un minuto. Estudio de la aplicación inicial: análisis de las etapas de la implementación base de la aplicación que se proporcionó al comienzo del proyecto. Optimizaciones algorítmicas: explicación de las modificaciones al algoritmo inicial propuestas para mejorar el tiempo de procesado del mismo. Optimizaciones de plataforma: detalle de los diferentes métodos de optimización que se implementaron, así como el estudio del comportamiento de ciertas etapas del código para una mejor implementación sobre la plataforma destino. Estudio de la paralelización: explicación de la paralelización del algoritmo realizada. Estudio del comportamiento de la aplicación en función del tipo de datos. Estudio del comportamiento de la aplicación en función del tamaño de imagen. Una vez estudiadas estas modificaciones, se analizan los resultados obtenidos tanto en tiempo de procesado como en área utilizados para cada una de las versiones realizadas, que contienen las modificaciones mencionadas. Además, también se estudia la precisión de las soluciones desarrolladas, comparando los resultados obtenidos con los proporcionados por la aplicación inicial. Abstract: Hyperspectral images contain a lot of information, since they are composed of hundreds of bands throughout the electromagnetic spectrum, exceeding the limit of the visible spectrum and including even part of the infrared and the ultraviolet. Due to the volume of data generated, the processing of this kind of images is slow, which motivated the need for accelerating the execution of these algorithms. Specifically, this project deals with the acceleration of a spatial-spectral filtering based on KNN (K Nearest Neighbors) algorithm, which considers both spectral information and spatial coordinates of each pixel in the image to look for the closest K neighbors of each pixel and filter them out. This algorithm is the last part of a hyperspectral image processing chain, which is composed of another two stages, dimensionality reduction and pixel-wise classification. The implementation and acceleration of the algorithm is performed on a SoC (System On Chip), using a development tool called SDSoC (Software Development System on Chip), developed by Xilinx. As mentioned before, this project carries out the study and optimization of a spatial-spectral filtering algorithm based on KNN, to obtained an optimized classification map. In order to create an optimized hardware accelerator, 6 studies have been proposed for accelerating the algorithm to achieve the main objective of the project, which is to reduce the processing time to less than a minute: 1. Study of the initial application: analysis of the stages of the initial application provided at the beginning of the project. 2. Algorithmic optimizations: explanation of the modifications to the initial algorithm proposed to improve the processing time. 3. Platform optimizations: description of the different optimization methods applied in the algorithm, as well as the study of the behavior of certain stages of the code in order to improve the implementation. 4. Study of the parallelization: explanation of the parallelization of the algorithm. 5. Study of the behavior of the application based on the data type. 6. Study of the behavior of the application based on the image size. Once these studies have been completed, this project discusses the obtained results, providing both the processing time and the amount of resources used for each implementation. In addition, the accuracy of all the implementations has also been analyzed by comparing the generated results with those provided by the initial application.

Funding Projects

TypeCodeAcronymLeaderTitle
FP7FP7-ICT-2013.9.2 (FET Open) 618080UnspecifiedGrupo de Diseño Electrónico y Microelectrónico (GDEM)HELICoiD: HypErspectraL Imaging Cancer Detection

More information

Item ID: 52464
DC Identifier: http://oa.upm.es/52464/
OAI Identifier: oai:oa.upm.es:52464
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 03 Oct 2018 07:20
Last Modified: 03 Oct 2018 07:20
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM