Combining low-power with parallel processing for multispectral and hyperspectral image compression

Abstract

O CCSDS 123 é um algoritmo de compressão de imagens hiperespectrais e multiespectrais composto por um preditor e um codificador. Normalmente, os sistemas que geram este tipo de imagens (satélites, drones, etc…) têm restrições energéticas. Este algoritmo é implementado, sobretudo em FPGAs devido ao seu baixo consumo energético. O mercado dos smartphones tem tornado os CPUs e GPUs em dispositivos energeticamente eficientes, colocando-os em posição de competir contra as FPGAs no campo de compressão de baixo consumo.O objetivo desta dissertação é, utilizando uma Jetson TX2, paralelizar o CCSDS-123. No preditor, quando a predição é intra-banda (P=0), é utilizado um único kernel. Quando se usa predição inter-banda (P>0), o preditor passa a ter dependências de dados dentro das bandas, tornando a paralelização menos eficiente e mais difícil de implementar. No codificador, que contém dependências de dados, são estudadas paralelizações utilizando vários dispositivos (CPU+GPU) nos dois codificadores contemplados nesta norma. Produzindo uma solução híbrida de computação heterogénea.As implementações são alvo de testes que compararam o tempo de execução paralela com os tempos execução em série de forma a identificar as melhores implementações. Ainda é feita uma análise energética medindo a potência utilizada pela placa ao longo do tempo de execução do algoritmo. No final, a taxa de débito e a eficiência energética são comparadas com o estado de arte.O uso de GPUs de baixo consumo traz um novo paradigma ao campo de compressão multiespectral e hiperespectral. Apesar de não tão eficientes como as FPGAs, GPUs conseguem altas taxas de débito.

The CCSDS 123 is a hyperspectral and multispectral image compression algorithm composed of a predictor and an encoder. Usually, the systems that generate these types of images (satellites, drones, etc.) have energy restrictions. Hence, FPGAs show themselves as efficient devices to implement the CCSDS 123 due to its low energy consumption. The smartphone market has turned CPUs and GPUs into energy-efficient systems, making them potential competitors against FPGAs implementation dominance in the field of low-energy compression.The objective of this dissertation is, using a low-power GPU (Jetson TX2), to parallelize the CCSDS 123. Intra-band prediction (P=0) uses a single kernel. When using inter-band prediction (P>0), the predictor has data dependencies within bands, making parallelization less efficient and more challenging to implement. Hybrid parallelizations (CPU+GPU) are studied for the two encoders designed for this standard, producing a heterogeneous computing system.The implementations are subject to tests that compare the parallel execution times with the serial execution times in order to identify the best implementations. An energy analysis is performed, measuring the power used by the board over the algorithm's running time. In the end, the throughput rate and energy efficiency are compared with the state-of-the-art.The use of low-power graphics processing units (GPUs) brings a new paradigm to the field of multispectral and hyperspectral compression. Even though, not as the efficiency as FPGAs, GPUs deliver high throughput rates.