Algorithme et architecture de compression sans perte pour réduire les besoins en bande passante mémoire avec une prédiction améliorée basée sur l'algorithme Golomb-Rice multiple DPCM

Abstrait

Dans un environnement informatique, les résolutions plus élevées nécessitent généralement plus de bande passante mémoire, ce qui entraîne inévitablement une consommation d'énergie plus élevée.

Cela peut devenir critique pour les performances globales des appareils mobiles et des processeurs graphiques avec des quantités accrues d'accès à la mémoire et de bande passante mémoire.

Il existe une relation étroite entre l'environnement et la mémoire. L’environnement dans lequel les gens vivent et travaillent aura une incidence sur la santé physique et mentale ainsi que sur le développement et les performances de la mémoire.

Tout d’abord, un bon environnement peut favoriser le développement des capacités de réflexion et de perception des individus. L'environnement de travail et d'apprentissage doit être calme, bien rangé, chaleureux et confortable, pour améliorer efficacement l'attention et la concentration des personnes, leur permettant ainsi de se concentrer plus facilement sur la réflexion et la mémorisation. Si l’environnement est bruyant, chaotique ou surpeuplé, le cerveau humain sera alors perturbé, affectant l’effet de l’apprentissage et de la mémoire.

Deuxièmement, un environnement positif peut favoriser la formation d’une mentalité positive et d’émotions positives. Un état mental positif améliorera efficacement la conscience et la cognition des gens, ainsi que leur créativité et leur mémoire. Au contraire, un environnement négatif et déprimant fera perdre aux gens leurs émotions positives et leur confiance, affectant ainsi la fonction de mémoire des gens.

Enfin, un environnement sûr et sain peut garantir la santé du corps et du cerveau des personnes, améliorant ainsi efficacement la mémoire. Le corps et l’esprit ont besoin de suffisamment de repos et d’exercice pour mieux fournir de l’énergie et soutenir la fonction de mémoire. Dans le même temps, la pollution et les toxines présentes dans l'environnement affecteront directement la santé physique et cérébrale des personnes et accéléreront le déclin de la mémoire.

Bref, un bon environnement est une condition importante pour développer la mémoire. Un environnement d'apprentissage et de travail adapté, une mentalité et des émotions positives et saines, ainsi qu'un environnement de vie sain et sûr peuvent tous promouvoir activement le développement et l'amélioration de la mémoire des personnes. On voit que nous devons améliorer la mémoire, et Cistanche peut améliorer considérablement la mémoire car Cistanche peut également réguler l'équilibre des neurotransmetteurs, comme en augmentant les niveaux d'acétylcholine et de facteurs de croissance, qui sont très importants pour la mémoire et l'apprentissage. En outre, Cistanche peut également améliorer la circulation sanguine et favoriser l'apport d'oxygène, ce qui peut garantir que le cerveau reçoive suffisamment de nutrition et d'énergie, améliorant ainsi sa vitalité et son endurance.

Cliquez sur connaître les moyens d'améliorer la fonction cérébrale

Cet article propose un algorithme de compression sans perte avec un code de signe variable Golomb-Rice à modulation de code d'impulsion différentielle multiple pour réduire les besoins en bande passante mémoire. L'efficacité de la modulation différentielle à impulsions codées multiples proposée est améliorée par la sélection du mode de modulation différentielle à impulsions codées optimal.

Les résultats expérimentaux montrent un taux de compression de 1,99 pour les séquences d'images de codage vidéo à haute efficacité et que le matériel de compression sans perte proposé peut réduire les besoins en bande passante du bus.

Mots clés : compression d'images sans perte, architecture matérielle, réduction de la bande passante mémoire.

1 Introduction

À mesure que la résolution des derniers appareils mobiles et processeurs graphiques (GPU) augmente rapidement, la bande passante mémoire nécessaire pour accéder aux images stockées dans la mémoire tampon augmente également.

Cette quantité accrue d'accès à la mémoire influence les performances globales et la consommation d'énergie [1, 2, 9-11], tout comme l'utilisation de la bande passante mémoire [3, 12]. À cette fin, les méthodes de compression sans perte du framebuffer et de réduction de la bande passante mémoire pourraient être des moyens efficaces pour équiper un bus hautes performances en tant qu'IP.

De nombreuses études ont été menées dans ce but [4–6] ; l'algorithme de compression sans perte avec modulation différentielle de code d'impulsion, codage Golomb-Rice (DDPCM-GR), l'algorithme de compression d'image sans perte à haut débit avec modulation différentielle de code d'impulsion, codage GR de code de signe variable (DPCM-VSC GR), et l'algorithme de recompression avec moyenne de plusieurs modes DPCM Le codage à longueur semi-fixe (MDA-SFL) a été proposé respectivement dans [4, 5] et [6].

Cet article propose un algorithme de compression sans perte avec un code de signe variable GR multipleDPCM (MDPCM) pour réduire les besoins en bande passante mémoire. L'algorithme utilise MDPCM pour la prédiction et le code de signe variable (VSC) GR pour le codage entropique [5]. La structure de l'article est la suivante. La section 2 donne un aperçu des études antérieures liées au sujet de ce travail.

La section 3 présente l'algorithme MDPCM-GR proposé. La section 4 présente l'architecture matérielle de compression sans perte proposée. La section 5 présente l'algorithme proposé et les résultats de la vérification des performances du matériel. La conclusion est donnée dans la section 6.

2 Contexte

Dans cette section, nous passons en revue les travaux liés à l'algorithme et à l'architecture matérielle proposés. Toutes les études incluses suggèrent qu'elles ont amélioré les performances basées sur l'algorithme DPCM.

2.1 Algorithme DPCM

DPCM [7] est un algorithme largement adopté pour la compression réversible des données. Il comprend l'étape de prédiction et le codage entropique des résultats d'erreur de prédiction. La taille des données des pixels d'entrée peut être réduite en utilisant les caractéristiques de localité spatiale de l'image.

DDPCM [8] est l'algorithme proposé par ATI pour réduire la taille des données Z dans les graphiques 3D en améliorant le DPCM. L'algorithme DDPCM calcule les valeurs différentielles pour les directions des axes x et y en fonction des résultats de l'algorithme DPCM.

2.2 DDPCM-GR

DDPCM-GR [4] est l'algorithme de compression sans perte qui exécute DDPCM comme fonction de prédiction et codage GR pour le codage entropique pour k fixe, où k est 2. Pour le bloc de traitement dans l'image originale, DDPCM est appliqué.

Pour les données d'erreur de DDPCM, le codage GR est effectué. Le codage GR est une méthode de codage entropique qui applique un codage unaire dans le quotient q, où la valeur d'entrée N est divisée par le paramètre M et le reste est stocké sous forme de données binaires.

2.3 DPCM-VSCGR

DPCM-VSC GR [5] est l'algorithme de compression à haut débit qui exécute le DPCM comme fonction de prédiction et le codage VSC GR pour le codage entropique. Pour le bloc de traitement dans l'image d'origine, le DPCM 2D est appliqué.

La valeur du quotient est calculée en divisant la valeur résultante de DPCM par la valeur $ 2 ∧ k $, où k=0, 1, 2, 3. Les valeurs VSC et les valeurs de code unaire sont obtenues en effectuant un codage GR et VSC.

Les longueurs des données compressées et du bloc d'origine sont comparées une fois toutes les étapes terminées. Si la longueur des données compressées est inférieure à la longueur du bloc d'origine, les données compressées sont générées en regroupant toutes les données associées.

Les données associées comprennent la valeur K, la valeur du mode DPCM, la valeur du premier facteur, la valeur restante, la valeur des données unaires et les données variables pour un signe. Si le bloc d'origine est plus long que les données compressées, les données compressées ne sont pas utilisées et le bloc d'origine est conservé.

3 Algorithme de compression sans perte proposé

Cette section présente le flux d'exécution de l'algorithme multiple DPCMGR (MDPCM-GR) proposé pour la compression et la décompression.

3.1 Processus global de l’algorithme de compression et de décompression proposé

L'algorithme MDPCM-GR proposé consiste en un compresseur qui compresse les données originales et un décompresseur qui restaure les données compressées. Le processus de compression se déroule comme suit.

Tout d'abord, MDPCM est exécuté sur la base des données de bloc d'origine, après quoi le mode DPCM présentant le coût le plus bas est sélectionné parmi les coûts DPCM calculés. Enfin, le codage VSC GR [5] est effectué sur les valeurs d'erreur de MDPCM. La décompression suit le processus inverse de la compression. La figure 1 montre des diagrammes de ces processus.

3.2 Algorithme DPCM multiple

L'algorithme MDPCM proposé peut sélectionner un mode DPCM avec un coût minimum en exécutant quatre DPCM directionnels différents ; Tels que le DPCM horizontal et vertical et le DDPCM.

Le MDPCM proposé utilise le DDPCM vertical et horizontal, qui sont exécutés respectivement sur la base du DPCM vertical et horizontal. Lors de l'exécution du DDPCM, la fonction de prédiction optimale est sélectionnée comme résultat de la fonction de prédiction, et le coût de codage entropique pour le résultat de la fonction de prédiction est calculé sur la base de la somme des valeurs absolues des résultats du DPCM.

Les avantages du MDPCM proposé sont les suivants. Premièrement, étant donné que le DPCM et le DDPCM sont appliqués à la fois horizontalement et verticalement, ils sont prévus pour les images comportant des localités spatiales à la fois horizontales et verticales.

Deuxièmement, comme le DDPCM, qui effectue un DPCM supplémentaire, est appliqué à l'algorithme proposé, il est prédit pour l'image avec une différence de pixels rapide. Enfin, la surcharge nécessaire à l'application de MDPCM n'est que de 2 bits, ce qui est très faible.

4 Architecture matérielle de compression sans perte proposée

Cette section présente l'architecture matérielle de compression sans perte proposée et décrit en détail chaque module de la configuration et son flux opérationnel.

4.1 Architecture matérielle globale de la compression sans perte proposée

Comme le montre la figure 2, l'architecture matérielle de compression sans perte proposée se compose des unités suivantes : une unité MDPCM pour l'exécution de MDPCM ; une unité de conversion de signe pour convertir une valeur négative des résultats DPCM en une valeur positive ; une unité de conditionnement de données pour regrouper des données compressées ; unité de codage parallèleVSC ; une unité de séparation K ; une unité de calcul de coût pour le résultat de la division de K valeurs ; et une unité de codage GR parallèle pour un codage parallèle GR.

4.2 Architecture matérielle globale de la décompression sans perte proposée

La figure 3 montre l'architecture matérielle de décompression sans perte globale proposée, qui se compose des unités suivantes : une unité InvMDPCM parallèle pour effectuer une MDPCM inverse parallèle ; une unité de conversion de signe pour une conversion de signe au moyen de données de signe et de données d'amplitude ; une unité de décodage GR parallèle pour le décodage GR en parallèle ; une unité de détection de zéro pour vérifier si la valeur DPCMerror est 0 ; une unité de décodeur VSC parallèle pour effectuer un décodage VSC en parallèle ; une unité de décompression de données qui décompresse les données compressées ; et une unité de séparation unaire/VSC variable qui divise les données VSC et unaire. Le matériel de la décompression sans perte proposée est réalisé comme suit.

Tout d’abord, pour décompresser les données compressées, l’unité de décompression des données décompresse les données d’entrée. Les données VSC unaires non divisées reçues de l'unité de déballage sont divisées en données unaires et données VSC dans l'unité de séparation VSC unaire.

Les données unaires divisées sont transmises à l'unité de décodeur GR parallèle et à l'unité de détection de zéro, tandis que les données VSC divisées sont transmises à l'unité de décodeur VSC parallèle.

L'unité de détection de zéro vérifie si la valeur d'erreur DPCM est nulle sur la base des données unaires et des données restantes. Le résultat de détection de zéro est transmis au dispositif décodeur VSC parallèle, qui reconstruit les données signées via le résultat de détection de zéro reçu et décode le VSC. Les données unaires sont décodées en parallèle par l'unité de décodage GR parallèle pour restaurer les données de quotient.

Les données d'amplitude sont restaurées sur la base des données de quotient restaurées et des données restantes. Lorsque les données de signe et de magnitude sont restaurées, l'unité de conversion de signe reconstruit la valeur d'erreur DPCM. Enfin, l'unité parallèle InvMDPCM fonctionne en parallèle au mode DPCM sur la base des valeurs de départ et d'erreur DPCM pour reconstruire les données de pixels.

5 Résultats expérimentaux

Dans cette section, les résultats de simulation de l'algorithme et de l'architecture matérielle proposés sont résumés. Les performances seront mesurées par le taux de compression de l'algorithme et la bande passante du bus dans la structure matérielle.

5.1 Taux de compression

Dans cet article, nous mesurons le taux de compression (CR) des images compressées afin de vérifier l'efficacité de l'algorithme de compression sans perte. CR fait référence à la taille de l'image compressée par taille d'image originale et plus le CR est élevé, plus l'algorithme de compression est efficace. L'équation du CR est la suivante.

CR =Taille de l'image originaleTaille de l'image compressée(3)

Sept séquences d'images de classes A et B de références de codage vidéo à haute efficacité (HEVC) ont été utilisées pour obtenir des mesures CR dans l'algorithme de compression sans perte et l'architecture matérielle proposés.

L'algorithme de compression sans perte proposé a été comparé à ceux développés dans [4, 5] et [6]. Le tableau 1 montre le CR moyen de l'algorithme proposé et de [4, 5] et [6] pour toutes les images des séquences d'images HEVC. .

Les résultats expérimentaux pour les séquences d'images HEVC montrent que les valeurs moyennes de CR sont de 1,99, 1,63, 1,92 et 1,91 pour l'algorithme de compression sans perte proposé, [4, 5] et [6] respectivement.

L'algorithme de compression sans perte proposé atteint un CR plus élevé dans toutes les séquences d'images HEVC que les autres algorithmes. L'algorithme MDPCM proposé a une exigence de surcharge de 2- bits pour stocker les informations en mode DPCM. Comme le montrent les résultats expérimentaux du tableau 1, il est clair que le taux de compression accru des résultats de la fonction de prédiction de l'algorithme MDPCM proposé est suffisant pour répondre aux exigences de surcharge.

5.2 Analyse des performances de la bande passante du bus

Le CR de l'algorithme de compression proposé peut être limité par la largeur de bande du bus car les données transmises sur le bus doivent être alignées sur sa largeur. Par conséquent, les données transmises sur le bus peuvent perdre le CR dans la mesure de la bande passante des données alignées.

Pour analyser cela, nous avons mesuré le CR moyen réel de la scène de trafic avec cinq bandes passantes de bus différentes de 8, 16, 32, 64 et 128 bits. La figure 4 montre les résultats expérimentaux des CR réels sur eux.

Ici, le CR réel est limité à une largeur de bus de 128- bits, la bande passante la plus courante. Cependant, le CR réel sur la largeur du bus 8-bit est similaire au cas idéal du 1-bitone, ce qui signifie que les performances du matériel de compression sans perte proposé sont bonnes sur le 8-bit. bande passante du bus. Par conséquent, le matériel de compression sans perte proposé peut réduire les besoins en bande passante du bus.

6Conclusion

Dans cet article, un algorithme de compression sans perte et une architecture matérielle sont proposés pour réduire les besoins en bande passante mémoire. L'architecture matérielle proposée présente une vitesse de traitement élevée car les étapes de compression et de décompression peuvent être effectuées en parallèle.

De plus, un CR élevé a été obtenu en améliorant la fonction de prédiction de l'algorithme existant. La fonction de prédiction a également amélioré les performances, reflétant les avantages du DPCM et du DDPCM. Nous avons utilisé la séquence d'images HEVC comme référence pour vérifier les performances de l'algorithme et de l'architecture matérielle proposés.

À la suite de l'expérience, nous avons obtenu un CR moyen de 1,99 dans les classes A et B de la séquence d'images HEVC. Grâce à cela, l'architecture de compression sans perte proposée a été vérifiée pour atteindre un CR plus élevé que les algorithmes de comparaison. De plus, comme l'algorithme de cette étude atteint un CR élevé, le matériel de compression sans perte proposé peut réduire les besoins en bande passante du bus.

Ainsi, le matériel de compression sans perte proposé convient aux applications nécessitant une bande passante mémoire et un accès mémoire élevés, telles que les GPU et les processeurs vidéo haute résolution.

Reconnaissance

Cette recherche a été soutenue en partie par le programme de soutien du MOTIE (Ministère du Commerce, de l'Industrie et de l'Énergie) (10080568, Development of the Embedded GP-GPUfor Deep Learning based Circumstances Recognition) et du KSRC (KoreaSemiconductor Research Consortium) pour le développement du futur dispositif semi-conducteur. . L'outil EDA a été soutenu par l'ICDesign Education Center (IDEC), Corée.

Références

[1] D. Burger, JR Goodman, A. Kagi, « Bande passante limitée pour affecter la conception du processeur », IEEE Micro, vol. 17, non. 6, pp. 55-62, novembre 1997.

[2] H. David, E. Gorbatov, UR Hanebutte, R. Khanna, C. Le, 'RAPL:memory power estimation and capping', In 2010 Symposium international ACM/IEEE sur l'électronique et la conception de faible puissance (ISLPED), p. 189-194, août 2010.

[3] Guide d'optimisation des applications ARM Mali GPU OpenGL ES, disponible sur.https://developer.arm.com/docs/dui0555/b/optimization-checklist/the-checklist/reduce-memory-bandwidth-usage

[4] H.-S. Kim, J.-H. Lee, H.-J. Kim, S.-H. Kang, W.-C. Park, « Une architecture de compression d'image couleur sans perte utilisant un codec parallèle Golomb-RiceHardware », Transactions IEEE sur les circuits et les systèmes pour la technologie vidéo, vol. 21, non. 11, pp. 1581-1587, novembre 2011.

[5] J. Lee, J. Yun, J. Lee, I. Hwang, D. Hong, Y. Kim, CG Kim, W.-C. Park, « Un algorithme et une architecture efficaces pour la compression sans perte à haut débit d'images haute résolution », IEEEAccess, Vol. 7, numéro 1, pages 138803 à 138815. Septembre 2019.

[6] L. Guo, D. Zhou, S. Goto, « Un nouvel algorithme de recompression de cadre de référence et son architecture VLSI pour le codec vidéo UHD TV », IEEETransactions on Multimedia, vol. 16, pp. 2323-2332, décembre 2014.

[7] AD Mitra, PK Srimani, « Modulation différentielle par impulsions codées », Int. J.Electron., vol. 46, pp. 633-637, juin 1972.

[8] S. Morein, « Hyper technologie ATI Radeon », dans Proceedings of theGraphics Hardware, 2000.

[9] D. Silveira, G. Povala, L. Amaral, B. Zatt, L. Agostini, M. Proto, « Schéma de compression de trame de référence efficace pour le système de codage vidéo : algorithme et conception VLSI », Journal of Real-Time Image Traitement 16, pp. 391-411, 2019.

[10] Yu-Hsuan Lee, Tzu-Chieh Chen, Hsuan-Chi Liang, Jian-Xiang Liao, « Conception d'algorithme et d'architecture du moteur de détection de coin d'image FAST-C », Système d'intégration à très grande échelle (VLSI) IEEE Transactionon, vol. 29, non. 4, p. 788-799, 2021.

[11] Sungchul Yoon, Sungho Jun, Yongkwon Cho, Kilwhan Lee, HyukjaeJang, Tae Hee Han, « Compression intégrée sans perte optimisée pour les applications multimédias mobiles », Electronics, vol. 9, p. 868, 2020.

[12] Yu-Hsuan Lee, Cheng-Hung Kuei, Yue-Zhan Kao, Shih-Song Fan Jiang, « Conceptions d'algorithmes et d'architecture VLSI d'un encodeur de compression intégré sans perte pour les systèmes de codage vidéo HD », Journal ofCircuits, Systems, and Computers , 2020.

For more information:1950477648nn@gmail.com