Bibliographic Details
| Title: |
ACCELERATION OF IMAGE PROCESSING ALGORITHMS USING SIMD TECHNOLOGY. |
| Alternate Title: |
ПРИСКОРЕННЯ ОБЧИСЛЮВАЛЬНИХ АЛГОРИТМІВ ОБРОБКИ ЗОБРАЖЕНЬ ІЗ ВИКОРИСТАННЯМ SIMD |
| Authors: |
Zhulkovskyi, O. O.1 olalzh@ukr.net, Vokhmianin, H. Ya.1, Zhulkovska, I. I.2, Ulianovska, Yu. V.2, Riabovolenko, E. A.2 |
| Source: |
Informatics & Mathematical Methods in Simulation / Informatika ta Matematičnì Metodi v Modelûvannì. 2025, Vol. 15 Issue 1, p15-23. 9p. |
| Subjects: |
Image processing, SIMD (Computer architecture), Parallel programming, Optimization algorithms, Empirical research |
| Abstract (English): |
A rational choice of computing platform and software optimization that considers the specifics of processor architecture can significantly reduce the time of complex computations, improve overall system performance, and ensure efficient scalability when processing large amounts of data. This study addresses the problem of accelerating computational image processing algorithms, specifically the Gaussian smoothing algorithm, using SIMD data-level parallelism technology. The Gaussian smoothing algorithm, which is commonly used to reduce noise and remove small image details, is characterized by high computational complexity due to the need to perform numerous arithmetic operations on each pixel. In this regard, the optimization of such algorithms is a relevant task, and SIMD technology offers the potential for parallel data processing using extended processor instructions, thereby significantly enhancing computational performance. The aim of this study is to enhance the efficiency of the Gaussian smoothing algorithm through SIMD-based computation optimization. Two variants of the software implementation of the studied algorithm have been developed: one is scalar and the other has been optimized through the use of AVX-256 instructions. The optimized version employs computation vectorization, processing eight pixels simultaneously using 256-bit registers, which theoretically allows up to an eightfold speedup. Computational experiments were conducted using images with resolutions of 1920x1080 and 2560x1440 pixels, across various kernel radius and standard deviation values. The results demonstrated that implementing SIMD instructions resulted in a speed enhancement ranging from 6.9 to 7.3 times when compared to the scalar approach. When the kernel radius increased, the acceleration remained consistently high, confirming the approach's effectiveness for more complex computations. It was confirmed that execution time is primarily influenced by the kernel radius, while the standard deviation has a lesser effect, since the radius defines the filter's area of influence. The speedup achieved in the experiments is close to the theoretical maximum, demonstrating the advantages of the optimized implementation. Future research prospects include combining SIMD optimization with multithreaded processing and studying the potential of more powerful instruction sets such as AVX-512. [ABSTRACT FROM AUTHOR] |
| Abstract (Russian): |
Раціональний вибір обчислювальної платформи, оптимізація програмного забезпечення з урахуванням особливостей архітектури процесора дозволяє значно зменшити час виконання складних обчислень, підвищити продуктивність системи в цілому та забезпечити ефективну масштабованість при обробці великих обсягів даних. В роботі досліджується проблема прискорення обчислювальних алгоритмів обробки зображень, зокрема алгоритму Гауссового згладжування, із використанням технології паралелізму на рівні даних SIMD. Алгоритм Гауссового згладжування, який застосовується для зменшення шуму та видалення дрібних деталей із зображень, характеризується високою обчислювальною складністю через необхідність виконання численних арифметичних операцій над кожним пікселем. У зв'язку з цим оптимізація таких алгоритмів є актуальною задачею, а технологія SIMD відкриває можливості для паралельної обробки даних з використанням розширених інструкцій процесора, що дозволяє суттєво підвищити продуктивність обчислень. Метою дослідження є підвищення ефективності алгоритму Гауссового згладжування за рахунок SIMD-оптимізації обчислень. Розроблено два варіанти програмної реалізації досліджуваного алгоритму - скалярний та оптимізований з використанням інструкцій AVX-256. Оптимізована версія алгоритму застосовує векторизацію обчислень, обробляючи одночасно вісім пікселів у 256-бітних регістрах, що теоретично може забезпечити прискорення до восьми разів. Обчислювальні експерименти проводилися із зображеннями розмірами 1920х1080 та 2560х1440 пікселів із різними значеннями радіуса ядра та стандартного відхилення. Результати показали, що використання SIMD-інструкцій забезпечує прискорення в межах 6.9-7.3x порівняно зі скалярною реалізацією. При збільшенні радіуса ядра прискорення залишалося стабільно високим, що підтверджує ефективність підходу для більш складних обчислень. Підтверджено, що час виконання залежить переважно від радіуса ядра, тоді як зміна відхилення має менший вплив, оскільки радіус визначає зону дії фільтра. Отримане в результаті експериментів прискорення наближається до теоретичного максимуму, демонструючи переваги оптимізованої реалізації. Перспективи подальших досліджень передбачають поєднання SIMD-оптимізації з багатопоточною обробкою та вивчення можливостей використання більш продуктивних інструкцій типу AVX-512. [ABSTRACT FROM AUTHOR] |
|
Copyright of Informatics & Mathematical Methods in Simulation / Informatika ta Matematičnì Metodi v Modelûvannì is the property of Odessa Polytechnic University and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| Database: |
Engineering Source |
