Optimización del procesado de imágenes hiperespectrales mediante programación con GPUs y aceleradores

Abstract

Durante siglos se han creado diversas teorías sobre el planeta en el que vivimos y con el desarrollo de las tecnologías se han podido conocer muchas de sus características, se han ido mejorando las técnicas que se utilizan hasta dar con las que se encuentran ahora, donde se analiza a través de satélites obteniendo imágenes hiperespectrales para un análisis píxel a píxel de los materiales que contiene. El análisis de imágenes hiperespectrales es una tarea ardua, al captar el material de el que se compone la imagen a través de un solo píxel se dificulta cuando ese píxel tiene más de un material, llamado el problema de la mezcla espectral, por ello se hace un desmezclado espectral a través de una cadena de procesamiento. Dependiendo de la imagen, algoritmos seleccionados para la cadena de desmezclado espectral y el factor tecnológico puede dar diversos rendimientos. La cadena de desmezcaldo espectral tiene tres fases, la primera fase se trata de obtener el numero de materiales o endmembers que tiene la imagen hiperespectral, la segunda fase se extrae los diferentes materiales que componen la imagen hiperespectral y la tercera fase se saca un mapa de abundancia de cada material. Se han seleccionado en el mismo orden los algoritmos VD, VCA e ISRA para completar la cadena de desmezclado espectral. En este proyecto se han implementado todas las fases de forma paralela, contribuyendo a la optimización de estos algoritmos de procesado de imágenes hiperespectrales en distintos paradigmas de programación paralela, como son: OpenACC, OpenMP y SYCL (oneAPI). Se utilizan este tipo de paradigmas ya que otro de los objetivos de este trabajo es poder ejecutar todos los algoritmos en sistemas heterogéneos, con todos los resultados obtenidos se hace una comparativa de rendimiento buscando la mejor combinación entre estos.

For centuries, various theories have been created about the planet we live in, and with the development of technologies, many of its characteristics have been discovered. The techniques used for this matter have been improved and perfected, making satellites able to take hyperspectral images for a pixel-by-pixel analysis of the materials they contain. The analysis of hyperspectral images is an arduous task, capturing the material from which an image is composed through a single pixel becomes difficult when that pixel has more than one material, this is known as the problem of spectral mixing. For this reason, spectral unmixing is done through a chain of processing. Depending on the image, the selected algorithms for the spectral unmixing chain and the technological factor can lead to different performance results. The spectral unmixing chain has three phases: the first phase obtains the number of materials (or endmembers) present in the hyperspectral image, the second phase extracts what different materials that make up the hyperspectral image, and the third phase generates an abundance map of each material in the hyperspectral image. The VD, VCA and ISRA algorithms have been selected in that order to create the spectral unmixing chain. In this project, all the phases have been implemented using parallel computing, contributing to the optimization of these hyperspectral image processing algorithms in different parallel programming paradigms, such as: OpenACC, OpenMP and SYCL (oneAPI). This type of paradigm is used since one of the objectives of this work is to be able to execute all the algorithms in heterogeneous systems. With all the results obtained, a performance comparison is made looking for the best combination between them.