Алгоритъм и архитектура за компресиране без загуби за намалено изискване за честотна лента на паметта с подобрено прогнозиране, базирано на множествения DPCM алгоритъм на Golomb-Rice

Резюме

В компютърна среда по-високите разделителни способности обикновено изискват повече честотна лента на паметта, което неизбежно води до повече консумация на енергия.

Това може да стане критично за цялостната производителност на мобилни устройства и графични процесори с увеличен обем на достъп до паметта и честотна лента на паметта.

Съществува тясна връзка между средата и паметта. Средата, в която хората живеят и работят, ще повлияе на физическото и психическото здраве и на развитието и работата на паметта.

На първо място, добрата среда може да насърчи развитието на мисленето и способностите за възприятие на хората. Работната и учебната среда трябва да бъде тиха, подредена, топла и удобна, за да подобри ефективно вниманието и концентрацията на хората, като улесни хората да се концентрират върху мисленето и запаметяването. Ако средата е шумна, хаотична или пренаселена, тогава човешкият мозък ще бъде нарушен, което ще повлияе на ефекта от ученето и паметта.

Второ, положителната среда може да насърчи формирането на положителен манталитет и положителни емоции. Положителното психическо състояние ефективно ще подобри съзнанието и познанието на хората и ще подобри креативността и паметта на хората. Напротив, негативната и депресираща среда ще накара хората да загубят положителни емоции и увереност, като по този начин ще засегнат паметта на хората.

И накрая, безопасната и здравословна среда може да осигури здравето на телата и мозъците на хората, като по този начин ефективно подобрява паметта. Тялото и умът трябва да получават достатъчно почивка и упражнения, за да осигурят по-добре енергия и подкрепа за функцията на паметта. В същото време замърсяването и токсините в околната среда ще засегнат пряко физическото и мозъчното здраве на хората и ще ускорят влошаването на паметта.

Накратко, добрата среда е важно условие, за да развием паметта. Една адаптирана учебна и работна среда, положителен и здрав манталитет и емоции, както и здравословна и безопасна жизнена среда могат активно да насърчават развитието и подобряването на паметта на хората. Може да се види, че трябва да подобрим паметта и Cistanche може значително да подобри паметта, тъй като Cistanche може също да регулира баланса на невротрансмитерите, като например повишаване на нивата на ацетилхолин и растежни фактори, които са много важни за паметта и ученето. В допълнение, Cistanche може също така да подобри притока на кръв и да насърчи доставянето на кислород, което може да гарантира, че мозъкът получава достатъчно храна и енергия, като по този начин подобрява жизнеността и издръжливостта на мозъка.

Щракнете върху познайте начините за подобряване на мозъчната функция

Тази статия предлага алгоритъм за компресиране без загуби с множество диференциални импулсно-кодови модулации с променлив код на знака Golomb-Rice за намаляване на изискването за честотна лента на паметта. Ефективността на предложената многократна диференциална импулсно-кодова модулация се подобрява чрез избор на оптимален режим на диференциална импулсно-кодова модулация.

Експерименталните резултати показват съотношение на компресия от 1,99 за високоефективно видео кодиране на последователности от изображения и че предложеният хардуер за компресия без загуби може да намали изискването за честотна лента на шината.

Ключови думи: компресиране на изображения без загуби, хардуерна архитектура, намаляване на честотната лента на паметта.

1 Въведение

Тъй като разделителната способност на най-новите мобилни устройства и графични процесори (GPU) нараства бързо, честотната лента на паметта, необходима за достъп до изображенията, съхранени в буфера на кадрите, също се увеличава.

Това увеличено количество достъп до паметта влияе върху цялостната производителност и консумацията на енергия [1, 2, 9–11], както и използването на честотната лента на паметта [3, 12]. За тази цел компресията на фреймбуфер без загуби и методите за намаляване на честотната лента на паметта могат да бъдат ефективни начини за оборудване на високопроизводителна шина като IP.

За тази цел са проведени много изследвания [4–6]; алгоритъмът за компресия без загуби с диференциална импулсна кодова модулация, кодиране на Golomb-Rice (DDPCM-GR), алгоритъмът за високопроизводителна компресия на изображения без загуби с диференциална импулсна кодова модулация, променлив код GR-кодиране (DPCM-VSC GR) и алгоритъмът за рекомпресия с множествена средна стойност в режим DPCM кодиране с полуфиксирана дължина (MDA-SFL) беше предложено съответно в [4, 5] и [6].

Този документ предлага алгоритъм за компресия без загуби с множествен DPCM (MDPCM) променлив знаков код GR за намаляване на изискването за честотна лента на паметта. Алгоритъмът използва MDPCM за прогнозиране и променлив знаков код (VSC) GR за ентропийно кодиране [5]. Структурата на статията е следната. Раздел 2 предоставя преглед на предишни проучвания, свързани с предмета на тази работа.

Раздел 3 въвежда предложения алгоритъм MDPCM-GR. Раздел 4 представя предложената хардуерна архитектура за компресия без загуби. Раздел 5 представя предложения алгоритъм и резултатите от проверката на производителността на хардуера. Заключението е дадено в раздел 6.

2 Фон

В този раздел правим преглед на произведения, свързани с нашия предложен алгоритъм и хардуерна архитектура. Всички включени проучвания предполагат, че са подобрили производителността въз основа на алгоритъма DPCM.

2.1 Алгоритъм DPCM

DPCM [7] е широко разпространен алгоритъм за обратимо компресиране на данни. Състои се от етапа на прогнозиране и ентропийно кодиране на резултатите от грешките при прогнозиране. Размерът на данните за входните пиксели може да бъде намален с помощта на характеристиките на пространствената локалност на изображението.

DDPCM [8] е алгоритъмът, предложен от ATI за намаляване на размера на Z данни в 3D графики чрез подобряване на DPCM. Алгоритъмът DDPCM изчислява диференциалните стойности за посоките на оста x и оста y въз основа на резултатите от алгоритъма DPCM.

2.2 DDPCM-GR

DDPCM-GR [4] е алгоритъмът за компресия без загуби, който изпълнява DDPCM като функция за прогнозиране и GR кодиране за ентропийно кодиране за fixed-k, където k е 2. За блока за обработка в оригиналното изображение се прилага DDPCM.

За данните за грешка от DDPCM се извършва GR кодиране. GR кодирането е метод на ентропийно кодиране, който прилага унарно кодиране в частно q, където входната стойност N се разделя на параметър M, а остатъкътr се съхранява като двоични данни.

2.3 DPCM-VSC GR

DPCM-VSC GR [5] е високопроизводителен алгоритъм за компресия, който изпълнява DPCM като функция за прогнозиране и VSC GR кодиране за ентропикодиране. За обработващия блок в оригиналното изображение се прилага 2D DPCM.

Стойността на коефициента се изчислява чрез разделяне на получената стойност на DPCM на стойността $ 2 ∧ k $, където k=0, 1, 2, 3. VSC стойностите и стойностите на унарния код се получават чрез извършване на GR кодиране и VSC.

Дължините на компресираните данни и оригиналния блок се сравняват, след като всички етапи са завършени. Ако дължината на компресираните данни е по-малка от дължината на оригиналния блок, компресираните данни се генерират чрез пакетиране на всички свързани данни.

Свързаните данни се състоят от стойността K, стойността на режима DPCM, стойността на първия фактор, оставащата стойност, стойността на унарните данни и променливите данни за знак. Ако оригиналният блок е по-дълъг от компресираните данни, компресираните данни не се използват и оригиналният блок се запазва.

3 Предложен алгоритъм за компресия без загуби

Този раздел представя потока на изпълнение на предложения многократен алгоритъм DPCMGR (MDPCM-GR) за компресиране и декомпресиране.

3.1 Цялостен процес на предложения алгоритъм за компресиране и декомпресиране

Предложеният алгоритъм MDPCM-GR се състои от компресор, който компресира оригиналните данни и декомпресор, който възстановява компресираните данни. Процесът на компресиране протича по следния начин.

Първо, MDPCM се изпълнява въз основа на оригиналните блокови данни, след което DPCM режимът с най-ниска цена се избира измежду изчислените DPCM разходи. И накрая, VSC GR [5] кодирането се извършва върху стойностите на грешката от MDPCM. Декомпресията следва обратния процес на компресията. Фигура 1 показва диаграми на тези процеси.

3.2 Многократен DPCM алгоритъм

Предложеният MDPCM алгоритъм може да избере DPCM режим с минимална цена чрез изпълнение на четири различни насочени DPCM; като хоризонтални и вертикални DPCM и DDPCM.

Предложеният MDPCM използва вертикален и хоризонтален DDPCM, които се изпълняват съответно на вертикален и хоризонтален DPCM. Когато се изпълнява DDPCM, оптималната функция за прогнозиране се избира като резултат от функцията за прогнозиране и разходите за ентропийно кодиране за резултата от функцията за прогнозиране се изчисляват въз основа на сумата от абсолютните стойности на резултатите от DPCM.

Ползите от предложения MDPCM са следните. Първо, тъй като DPCM и DDPCM се прилагат както хоризонтално, така и вертикално, той се предсказва за изображения, които имат хоризонтални и вертикални пространствени локализации.

Второ, тъй като DDPCM, който изпълнява допълнителен DPCM, е приложен към предложения алгоритъм, той се предвижда за изображението с бърза пикселна разлика. И накрая, разходите за прилагане на MDPCM са само 2 бита, което е много малко.

4 Предложена хардуерна архитектура за компресия без загуби

Този раздел въвежда предложената хардуерна архитектура за компресиране без загуби и описва всеки модул от конфигурацията и неговия оперативен поток в подробности.

4.1 Обща хардуерна архитектура на предложената компресия без загуба

Както е показано на Фигура 2, предложената хардуерна архитектура за компресиране без загуби се състои от следните единици: единица MDPCM за изпълнение на MDPCM; единица за преобразуване на знаци за преобразуване на отрицателна стойност от резултатите от DPCM в положителна стойност; модул за пакетиране на данни за пакетиране на компресирани данни; parallelVSC кодираща единица; сплитер K; единица за изчисляване на разходите за резултата от разделянето на K стойности; и паралелен GR енкодер за GR паралелно кодиране.

4.2 Цялостната хардуерна архитектура на предложеното LosslessDecompression

Фигура 3 показва цялостната предложена хардуерна архитектура за декомпресия без загуби, която се състои от следните единици: паралелна InvMDPCM единица за извършване на паралелна обратна MDPCM; единица за преобразуване на знаци за преобразуване на знаци чрез данни за знаци и данни за величина; паралелна GR декодираща единица за GR декодиране в паралел; нулев детектор за проверка дали стойността на DPCMerror е 0; паралелен VSC декодер за извършване на паралелно VSC декодиране; единица за разопаковане на данни, която декомпресира компресираните данни; и променлив унарен/VSC разделител, който разделя VSC и унарни данни. Хардуерът на предложената декомпресия без загуби се изпълнява, както следва.

Първо, за да декомпресира компресираните данни, модулът за разопаковане на данни разопакова входните данни. Неразделените унарни VSC данни, получени от разопаковащата единица, се разделят на унарни данни и VSC данни в унарната VSC разделителна единица.

Разделените унарни данни се предават към паралелния GR декодер и модула за нулев детектор, докато разделените VSC данни се предават към паралелния VSC декодер.

Блокът за детектор на нула проверява дали стойността на грешката на DPCM е нула въз основа на унарните данни и остатъчните данни. Резултатът от нулево откриване се доставя до паралелното VSC декодерно устройство, което реконструира подписаните данни чрез получения резултат от нулево откриване и декодира VSC. Унарните данни се декодират паралелно от паралелния GR декодер, за да се възстановят частните данни.

Данните за величината се възстановяват въз основа на възстановените частни данни и остатъчните данни. Когато данните за знака и големината са възстановени, блокът за преобразуване на знак реконструира стойността на грешката на DPCM. И накрая, паралелният модул InvMDPCM работи паралелно на режим DPCM въз основа на началните стойности и стойностите на грешката на DPCM, за да реконструира пикселните данни.

5 Експериментални резултати

В този раздел са обобщени резултатите от симулацията на предложения алгоритъм и хардуерна архитектура. Производителността ще се измерва чрез степента на компресиране на алгоритъма и честотната лента на шината в хардуерната структура.

5.1 Степен на компресия

В тази статия измерваме коефициента на компресия (CR) на компресираните изображения, за да проверим ефективността на алгоритъма за компресия без загуби. CR се отнася до размера на компресираното изображение спрямо оригиналния размер на изображението и колкото по-висок е CR, толкова по-ефективен е алгоритъмът за компресиране. Уравнението за CR е както следва.

CR =Размер на оригиналното изображениеРазмер на компресирано изображение(3)

Седем последователности от изображения в клас A и B на еталони за високоефективно видео кодиране (HEVC) бяха използвани за получаване на CR измервания в предложения алгоритъм за компресиране без загуби и хардуерна архитектура.

Предложеният алгоритъм за компресия без загуби беше сравнен с тези, разработени в [4, 5] и [6]. Таблица 1 показва средния CR на предложения алгоритъм и на [4, 5] и [6] за всички кадри от последователностите на HEVC изображения .

Експерименталните резултати за последователностите на изображения HEVC показват, че средните стойности на CR са 1,99, 1,63, 1,92 и 1,91 за предложения алгоритъм за компресия без загуби, съответно [4, 5] и [6].

Предложеният алгоритъм за компресиране без загуби постига по-висок CR във всички HEVC последователности от изображения в сравнение с другите алгоритми. Предложеният алгоритъм MDPCM има 2-битово изискване за зареждане за съхраняване на информация за режим DPCM. Както е показано в експерименталните резултати от таблица 1, ясно е, че повишената степен на компресиране на резултатите от функцията за прогнозиране на предложения MDPCM алгоритъм е достатъчна, за да изпълни изискването за режийни разходи.

5.2 Анализ на производителността за честотната лента на шината

CR на предложения алгоритъм за компресиране може да бъде ограничен от широчината на шината, тъй като данните, предавани по шината, трябва да бъдат подравнени към нейната ширина. Следователно данните, предавани по шината, могат да загубят CR дотолкова, доколкото е честотната лента на подравнените данни.

За да анализираме това, ние измерихме действителния среден CR на трафик сцената с пет различни честотни ленти на шината от 8, 16, 32, 64 и 128 бита. Фигура 4 показва експерименталните резултати на действителните CR върху тях.

Тук действителният CR е ограничен до 128-битова широчина на шината, най-често срещаната честотна лента. Обаче действителният CR на ширината на 8-битовата шина е подобен на идеалния случай на 1-битоновия тон, което означава, че производителността на предложения хардуер за компресия без загуби е добра на 8-битовата честотна лента на шината. Следователно предложеният хардуер за компресия без загуби може да намали изискванията за честотна лента на шината.

6 Заключение

В тази статия се предлага алгоритъм за компресиране без загуби и хардуерна архитектура за намаляване на изискванията за честотна лента на паметта. Предложената хардуерна архитектура има висока скорост на обработка, тъй като стъпките на компресия и декомпресия могат да се изпълняват паралелно.

В допълнение, висок CR беше постигнат чрез подобряване на функцията за прогнозиране на съществуващия алгоритъм. Функцията за прогнозиране също има подобрена производителност, отразяваща предимствата както на DPCM, така и на DDPCM. Използвахме последователността от изображения HEVC като еталон за проверка на производителността на предложения алгоритъм и хардуерна архитектура.

В резултат на експеримента постигнахме среден CR от 1,99 в класове A и B на последователността на изображения HEVC. Чрез това предложената архитектура за компресиране без загуби беше проверена за постигане на по-висок CR от алгоритмите за сравнение. Освен това, тъй като алгоритъмът на това проучване постига висок CR, предложеният хардуер за компресиране без загуби може да намали изискванията за честотна лента на шината.

По този начин предложеният хардуер за компресия без загуби е подходящ за приложения, изискващи висока честотна лента и достъп до паметта, като GPU и видео процесори с висока разделителна способност.

Признание

Това изследване беше подкрепено отчасти от MOTIE (Министерство на търговията, промишлеността и енергетиката) (10080568, Разработка на вградения GP-GPU за разпознаване на обстоятелства, базирани на задълбочено обучение) и KSRC (Корейски консорциум за изследвания на полупроводници) програма за подкрепа за разработването на бъдещото полупроводниково устройство . Инструментът EDA беше подкрепен от ICDesign Education Center (IDEC), Корея.

Референции

[1] Д. Бъргър, Дж. Р. Гудман, А. Каги, „Ограничената честотна лента за въздействие върху дизайна на процесора“, IEEE Micro, том. 17, бр. 6, стр. 55–62, ноември 1997 г.

[2] H. David, E. Gorbatov, UR Hanebutte, R. Khanna, C. Le, „RAPL: оценка на мощността на паметта и ограничаване“, През 2010 г. ACM/IEEE Международен симпозиум за нискоенергийна електроника и дизайн (ISLPED), стр. 189–194, август 2010 г.

[3] ARM Mali GPU OpenGL ES Ръководство за оптимизиране на приложения, налично на.https://developer.arm.com/docs/dui0555/b/optimization-checklist/the-checklist/reduce-memory-bandwidth-usage

[4] Х.-С. Ким, Дж.-Х. Лий, Х.-Дж. Ким, С.-Х. Kang, W.-C. Park, „Архитектура за компресиране на изображение без загуба на цвят, използваща паралелен хардуерен кодек на Golomb-Rice“, IEEE Transactions on Circuits and Systems for VideoTechnology, vol. 21, бр. 11, стр. 1581–1587, ноември 2011 г.

[5] J. Lee, J. Yun, J. Lee, I. Hwang, D. Hong, Y. Kim, CG Kim, W.-C. Парк, „Ефективен алгоритъм и архитектура за високопроизводителна компресия без загуби на изображения с висока разделителна способност“, IEEEAccess, том. 7, брой 1, стр. 138803–138815. септември 2019 г.

[6] L. Guo, D. Zhou, S. Goto, „Нов алгоритъм за рекомпресия на референтна рамка и неговата VLSI архитектура за UHD TV видео кодек“, IEEETransactions on Multimedia, vol. 16, стр. 2323–2332, декември 2014 г.

[7] AD Mitra, PK Srimani, „Диференциална импулсно-кодова модулация“, Int. J.Electron., vol. 46, стр. 633–637, юни 1972 г.

[8] S. Morein, „ATI Radeon hyper technology“, In Proceedings of theGraphics Hardware, 2000.

[9] D. Silveira, G. Povala, L. Amaral, B. Zatt, L. Agostini, M. Proto, „Ефективна схема за компресиране на референтна рамка за система за кодиране на видео: алгоритъм и VLSI дизайн“, Journal of Real-Time Image Обработка 16,стр. 391–411, 2019 г.

[10] Yu-Hsuan Lee, Tzu-Chieh Chen, Hsuan-Chi Liang, Jian-Xiang Liao, „Algorithm and Architecture Design of FAST-C Image Corner DetectionEngine“, Very Large Scale Integration (VLSI) System IEEE Transactionon, vol. 29, бр. 4, стр. 788–799, 2021 г.

[11] Sungchul Yoon, Sungho Jun, Yongkwon Cho, Kilwhan Lee, HyukjaeJang, Tae Hee Han, „Оптимизирано вградено компресиране без загуби за мобилни мултимедийни приложения“, Електроника, том. 9, стр. 868, 2020 г.

[12] Yu-Hsuan Lee, Cheng-Hung Kuei, Yue-Zhan Kao, Shih-Song Fan Jiang, „Algorithm and VLSI Architecture Designs of A Lossless Embedded Compression Encoder for HD Video Coding Systems“, Journal of Circuits, Systems, and Computers , 2020 г.

For more information:1950477648nn@gmail.com