Gaussian Blurring Mean Shift segmentace obrazu pomocí technologie NVIDIA CUDA

Abstract

Segmentace obrazu patří k~základním pilířům počítačového vidění a zpracování obrazu. Clusterovací metoda Mean-Shift patří k~těm výpočetně náročným, poskytující prostor pro návrh paralelního zpracování. Cílem této práce je seznámit se se současnými segmentačními metodami a technologií NVIDIA CUDA. Praktická část práce je zaměřena na návrh a efektivní implementaci algoritmu Gaussian Blurring Mean-Shift pro zpracování standardním procesorem i~grafickým adaptérem za použití technologie CUDA. Součástí práce je porovnání jednotlivých implementací z~pohledu jak dosaženého výkonu, tak náročnosti jejich vývoje.

Image segmentation is one of the basic pillars of computer vision and image processing. Mean-Shift clustering method is the computationally challenging one, providing space for parallel algorithm design. The goal of this bachelor thesis is to become familiar with the state of the art segmentation methods and NVIDIA CUDA technology. The practical part of this thesis is focused on design and efective implemetation of Gaussian Blurring Mean-Shift algorithm for processing both the CPU and GPU using CUDA technology. Thesis contains a comparison of the various implementations both in terms of achieved performance and difficulty of their development.