Implementación en GPU del algoritmo K-Means para ... - UMBC
Implementación en GPU del algoritmo K-Means para ... - UMBC
Implementación en GPU del algoritmo K-Means para ... - UMBC
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Implem<strong>en</strong>tación</strong> <strong>en</strong> <strong>GPU</strong> <strong>del</strong> <strong>algoritmo</strong> K-<strong>Means</strong> <strong>para</strong> procesami<strong>en</strong>to <strong>para</strong>lelo<br />
de imág<strong>en</strong>es de satélite disponibles <strong>en</strong> la herrami<strong>en</strong>ta Google Maps<br />
A dicha selección una vez almac<strong>en</strong>ada <strong>en</strong> disco, ejecutaremos el <strong>algoritmo</strong> de<br />
clasificación no supervisada K-<strong>Means</strong> <strong>para</strong>lelizado, al que aplicaremos 5 clases <strong>para</strong><br />
segm<strong>en</strong>tar la imag<strong>en</strong>. Los resultados los obt<strong>en</strong>dremos <strong>en</strong> la figura 6.4.<br />
A continuación y una vez realizado la ejecución <strong>del</strong> <strong>algoritmo</strong> K-<strong>Means</strong>,<br />
procesaremos dicha zona con la herrami<strong>en</strong>ta ENVI. Para ello, seleccionaremos el<br />
<strong>algoritmo</strong> de clasificación no supervisada K-<strong>Means</strong> con la misma configuración que<br />
<strong>en</strong> la ejecución <strong>del</strong> código <strong>para</strong>lelizado (ver figura 6.5).<br />
Figura 6.5. Segm<strong>en</strong>tación de la zona seleccionada de WTC (Nueva York) utilizando el<br />
<strong>algoritmo</strong> K-<strong>Means</strong> con la herrami<strong>en</strong>ta ENVI.<br />
Como hemos podido comprobar de forma visual la segm<strong>en</strong>tación realizada por<br />
nuestro <strong>algoritmo</strong> <strong>en</strong> <strong>GPU</strong> no es muy distinta a la realizada por la herrami<strong>en</strong>ta ENVI.<br />
Ahora nos quedaría demostrarlo a través de la com<strong>para</strong>ción de los distintos píxeles<br />
clasificados por nuestro <strong>algoritmo</strong> calculando un porc<strong>en</strong>taje de acierto. Ya que no se<br />
dispon<strong>en</strong> de medidas verdad-terr<strong>en</strong>o, se ha decidido utilizar las imág<strong>en</strong>es de la<br />
herrami<strong>en</strong>ta ENVI cómo nuestra medida de refer<strong>en</strong>cia <strong>para</strong> evaluar las imág<strong>en</strong>es<br />
obt<strong>en</strong>idas por nuestra herrami<strong>en</strong>ta. De esta manera, es necesario conocer cuántos<br />
píxeles de la imag<strong>en</strong> clasificada g<strong>en</strong>erada por nuestra herrami<strong>en</strong>ta se clasifican<br />
correctam<strong>en</strong>te por clase. Así t<strong>en</strong>dremos unas estadísticas que nos ayudarán a valorar<br />
positivam<strong>en</strong>te o negativam<strong>en</strong>te nuestros resultados tras la aplicación <strong>del</strong> <strong>algoritmo</strong> de<br />
Trabajo Fin de Máster -65- Sergio Bernabé García