Algorithmes de la morphologie mathématique pour - Pastel - HAL

Algorithmes de la morphologie mathématique pour les architectures orientées fluxJaromír BRAMBORar(Arrayd’entrée)boundsstrm 0extr 0NgbOp 0zip ++arraystrm 1extr 1NgbOp 1zip ++strm Nextr NNgbOp Nzip ++[]Arrayde sortiestrms extrs opsCréation de l’array de sortiecomputeFIG. 5.8 : Graphe de flux exprimant le fonctionnement du skeleton algorithmique ngbAlgoGen de traitementgénéral de voisinage5.1.4 Approche des superpixels, algorithmes aux kernels complexes qui exploitent lalocalité des donnéesLe travail pixel par pixel que nous avons utilisé jusqu’à présent dans nos skeletons algorithmiqueset qui sera utilisé aussi dans tous les algorithmes spécifiques de la morphologie mathématique dérivésde ces skeletons, est seulement une des possibilités. Il s’agit du travail qui suit quasi-directement lesdéfinitions de base des opérations morphologiques et même s’il est facilement transposable aux architecturesmassivement parallèles, il est loin d’être le plus intéressant du point de vue de la structure d’unalgorithme et, surtout, du point de vue des performances.Une catégorie des algorithmes, fréquemment utilisés dans la pratique, emploie les éléments structurantsparticuliers qui ont la forme d’un disque (ou d’une boule) unité. Dans l’espace digitalisé, nousemployons les éléments structurants qui approximent la boule unité et qui, pour la grille donnée, désignentles voisins d’un pixel. Ces algorithmes sont largement utilisés dans les algorithmes géodésiques.Cette catégorie des algorithmes morphologiques utilise les données proches d’un pixel dans l’espace 2Det sont, lors du traitement, stockées dans la mémoire cache la plus rapide ou présents dans les registres.Ainsi, à un instant du traitement, nous disposons d’un accès aux données le plus rapide qui puisse être.La localité spatiale d’un groupe de pixels qui se partagent mutuellement une partie de leurs voisinsest un phénomène qui n’est surtout pas à ignorer. Il est donc évident que nous avons la volonté d’exploiterau maximum la localité de ces données et, sur certaines architectures, également leur présence dans lesregistres lors du traitement. Ainsi, il serait beaucoup plus intéressant de travailler avec un certain groupede pixels à la fois plutôt que de les traiter en employant la méthode pixel par pixel. Il serait intéressantlors d’un tel traitement de pouvoir réutiliser certaines des valeurs des voisins d’un pixel qui ont été déjàextraites de l’image et peut-être même de réutiliser les résultats partiels des opérations du voisinage.Le phénomène d’extraction des valeurs des pixels voisins, plus précisément des pixels qui sont désignéspar l’élément structurant, entre également en jeu. L’extraction du voisinage se modifie dans ce cas etnous procédons, en effet, à l’extraction du voisinage de ce groupe de pixels. Nous pouvons percevoir cetravail également comme le travail sur le voisinage local, même si la notion "local" concerne maintenanttout un groupe de pixels et le terme "local élargi" serait plus approprié.Si nous percevons l’extraction de tels groupes de pixels comme le traitement en stream avec un kerneld’extraction, le calcul morphologique sur ce voisinage local élargi peut également être perçu comme lecalcul par un kernel de traitement. Dans ce cas, le kernel sera adapté au traitement de tout un groupe de108