Caractéristiques matérielles du module

La carte prototype est une carte au standard VME double Europe. Nous rappelons rapide-ment ici les élérapide-ments qui la constituent.

Les liens de communication avec son environnement système sont assurés par l'interface VME pour la conguration et l'échange de données caractéristiques, et par l'interface IGOR pour le chargement et la sauvegarde des mémoires image locales. On constate que l'interfaçage est simple, ce qui fait de ce prototype un module utilisable sur n'importe quel système de vision VME sachant émuler le protocole du bus IGOR.

L'unité de traitement est entièrement logée dans un circuit programmable ALTERA FLEX 10K130. Ce circuit peut être téléchargé depuis un PC par bit blaster, pour la mise au point ou par une PROM. La TLCA est logée à l'intérieur du FLEX 10K130.

La mémoire image se subdivise en quatre boîtiers mémoires de 128 ko. Chacune de ces mémoires physique représente une banque de la structure de mémorisation image. La mémoire label est identique à la précédente, à l'exception de la taille: chaque banque regroupe deux boîtiers mémoires de 128 ko. Sur la gure 4.10, les boitiers à droite du circuit SPIDDO sont les mémoires image (en clair) et label (en sombre). La MFA se compose de quatre boîtiers mémoires de 512 ko. Toutes ces mémoires sont de type SRAM avec un temps d'accès de 25 ns.

La gure 4.10 reprend le schéma d'implantation de la carte prototype.

On notera la présence des connecteurs permettant la liaison du module SPIDDO au bus IGOR (K1, K2) et du module IGOR sur le module SPIDDO (K3,K4). Les circuits U13 à U16 constituent la MFA répartie dans 4 boitiers mémoires. Les autres composants sont principalement les buer d'interfaçage avec le bus VME ainsi que les circuits de programmation du FLEX.

4.5.8 Conclusion

La présente section a récapitulé les fonctionnalités du module SPIDDO. Nous avons montré qu'il peut eectuer les traitements spéciés au chapitre 1. De plus, l'extraction de caractéristiques de l'image résultat classe le module SPIDDO parmi les unités de traitement moyen niveau, c'est-à-dire capables de déterminer des paramètres caractéristiques d'une image d'entrée. Les spécications matérielles ont également été présentées sous deux aspects: la structure du module et son intégration dans son environnement système.

4.6. Conclusion 151

Fig. 4.10  Schéma d'implantation du module SPIDDO.

4.6 Conclusion

Dans ce chapitre, nous avons présenté un module de traitement intégrant les fonctionnalités de l'architecture proposée au chapitre 3. Le choix d'un module déporté a été justié. Il se com-pose d'un circuit ASIC (ou FPGA dans le cas du démonstrateur), de mémoires et de liens de communication vers son hôte. La conception de ce module à été basée sur l'utilisation de VHDL durant toutes les étapes de développement. Elle permet la validation fonctionnelle du module. Nous avons présenté, en particulier, la validation complète du module dans son environnement système, grâce à une description émulant le comportement de l'hôte vu de SPIDDO. D'autre part, VHDL a été utilisé pour la synthèse de l'architecture sur cible ASIC et FPGA. La synthèse sur FPGA présente des dicultés que nous avons relevées et qui se traduisent par des perfor-mances en vitesse dégradées. Nous conservons néanmoins une structure à base de FPGA pour ce démonstrateur en ayant à l'esprit, d'une part que l'évolution de la plate-forme de développe-ment FPGA permettra d'atteindre des performances supérieures lorsque ces outils autoriseront une démarche hiérarchique, d'autre part que la solution ASIC devrait être considérée lorsque cette maquette sera nalisée. La structure proposée pour le module montre qu'il peut être utilisé conjointement avec le module IGOR en vue de chaînes complexes de traitements câblés .

Conclusion générale

Si... l'histoire... nous enseigne quelque chose, c'est que l'homme dans sa quête de la connaissance et du progrès est déterminé et ne peut être découragé.

John F.Kennedy

La segmentation d'images en milieu industriel impose des contraintes importantes sur l'in-tégration d'opérateurs de traitement. Ces opérateurs doivent apporter des solutions génériques et robustes. C'est la diminution du temps de développement, ou la proposition de solutions là où d'autres techniques échouent, qui est visé.

La robustesse permet de diminuer les contraintes sur les conditions de prise d'images, et en particulier d'éclairage, limitant ainsi le coût du système de vision dans sa globalité.

La généricité peut s'entendre du point de vue de l'utilisateur ou du concepteur d'architec-tures. La généricité d'un opérateur (ou d'une famille d'opérateurs) vis-à-vis des applications industrielles renforce les arguments que nous venons d'évoquer. La généricité d'un algorithme, c'est-à-dire sa capacité à s'adapter à une large famille d'opérateurs concernera l'implantation matérielle. L'architecture issue d'un tel algorithme donne accès à une large palette de traite-ments. L'optimisation ne de l'implantation matérielle de l'algorithme générique conduit à une architecture à la fois exible et rapide.

La facilité de mise en ÷uvre liée à la paramétrisation simple des opérateurs, permet leur utilisation dans une vaste gamme d'applications, avec des temps de développement faibles.

Ces critères nous ont conduits au choix d'opérateurs de segmentation par morphologie ma-thématique géodésique et, en particulier, à la segmentation à base de LPE. La construction de la LPE consiste en une segmentation par agglomération itérative de points selon un critère lié au gradient, à partir d'ensembles sources dénis par l'utilisateur. Elle engendre des contours fermés par construction. La segmentation par LPE est réalisée en deux étapes: le choix des sources qui désignent les objets à segmenter, puis la construction automatique de la LPE. La deuxième phase ne nécessite l'ajustement d'aucun paramètre. L'utilisateur intervient dans le choix des sources de propagation appelées marqueurs. Mais il est naturel, au fond, que la désignation des objets à segmenter incombe à l'utilisateur. Le choix des marqueurs peut faire appel à des techniques allant du pointage manuel à des méthodes automatiques élaborées. Là encore, les outils de la morphologie géodésique sont d'un grand secours. Ils permettent de dénir les marqueurs selon des critères de taille ou de contraste, faciles à appréhender pour l'utilisateur et donc rapides à

mettre en ÷uvre.

La LPE et les opérateurs géodésiques ont des caractéristiques communes: la propagation de données contraintes, issues d'ensembles sources, selon des critères basés sur une image de réfé-rence. Ils s'implantent, de ce fait, sur des algorithmes ayant de fortes similarités. Dans le cadre d'un partenariat industriel, nous devons proposer une machine performante, dont l'élaboration ne nécessite pas l'accès à des technologies coûteuses. Dans cet état d'esprit, nous avons conçu une machine pipe-line: SPIDDO. Elle se base sur les algorithmes récursifs à balayage dépen-dant des données par les d'attente. D'abord, le caractère générique des opérateurs implantés se traduit dans ces algorithmes sous la forme de paramètres facilement modiables. Nous avons proposé deux algorithmes génériques paramétrables, exploitant cette propriété. Ensuite, ces al-gorithmes sont simples dans leur principe et laissent alors entrevoir une implantation ecace. Ils sont d'ailleurs les plus rapides sur machine conventionnelle. Ces algorithmes utilisent un ré-agencement permanent des données en mémoires, conduisant à des accès mémoire fréquents qui constituent le principal goulet d'étranglement. C'est pourquoi notre étude architecturale vise à augmenter la bande passante mémoire, par l'élaboration de structures de mémorisation ad hoc, en accroissant le débit mémoire dans le cas des mémoires d'images et en diminuant le temps de latence dans celui de la mémoire de le d'attente. Enn, la non uniformité inhérente à ces algorithmes data driven a été étudiée dans le but de régulariser le ot d'instructions dans le processeur.

Pour valider rapidement et à faible coût cette architecture, nous avons proposé un démons-trateur à base d'un circuit programmable. Il permet l'évaluation fonctionnelle de l'architecture sur des applications industrielles dans son environnement système. C'est un module VME com-posé d'un FPGA ALTERA FLEX 10K et de mémoires locales. Cette machine calcule la LPE en 200 ms sur une image de taille 512512 et permet d'évaluer toutes les fonctionnalités étudiées dans le cadre de l'architecture SPIDDO. Elle constitue déjà un produit industriellement viable. Nous proposons, pour le passage au produit industriel nal, la réalisation d'un ASIC qui présente des performances accrues et pourrait être disponible à court terme. Un circuit de ce type, cadencé à 25 MHz, conduirait à des temps de traitement de l'ordre de 40 ms pour le calcul de la LPE sur une image de taille 512512, soit un gain de 100 par rapport à une machine de type SUN SPARC 10. Le coût architectural est de 25 000 portes auxquelles s'ajoute une mémoire interne double ports de 9,5 kbits. La version ASIC nous permet d'envisager un circuit plus complexe. Le domaine d'application de SPIDDO pourrait s'étendre à d'autres traitements, comme, par exemple, les opérateurs de squelettisation par point d'ancrage. Bien que reposant sur l'utilisation d'une le d'attente, ces traitements nécessitent des structures spéciques à l'analyse de l'homotopie des voisinages et un séquencement des opérations particuliers.

Nous avons également mené une étude prospective sur une architecture extrayant le maxi-mum de parallélisme de la LPE qui a aboutit à une machine massivement parallèle. Il s'agit d'un automate cellulaire associatif qui constitue une référence pour les autres architectures envisa-geables. Son étude nous conduit, par une simulation naturelle du processus de propagation géodésique, à une meilleur compréhension de celui-ci. Elle nous fait présager de ce que pour-ront être les processeurs de traitement d'images futurs. En eet, une nesse de technologie de 0,15

m

, permettrait l'intégration sur un seul circuit d'une matrice de 512512 processeurs élémentaires. Une telle machine atteindrait des cadences de traitement élevées: calcul de la LPE en 0,3 ms sur une image de taille 512512. Une technologie de ce type devrait voir le jour dans

Conclusion générale 155 5 ans. La cellule de base pourrait, sous réserve de quelques modications, donner naissance à une architecture capable de mettre en ÷uvre des chaînes de traitements complètes.

Éléments de topologie discrète

La connexité de cet objet, c'est une notion qualita-tive. Mais dès qu'un objet n'est pas connexe, c'est qu'il est en plusieurs morceaux, plusieurs composantes connexes; on peut les compter. Le caractère connexe a, à ce moment là, cette particularité qu'il tient à la fois du quantitatif et du qualitatif. Intrinsèquement, il tient du qualitatif; mais dès que l'on refuse la qualité de connexe à un espace ou à un objet, il engendre au-tomatiquement du quantitatif. Cette distinction est au fond assez délicate. Le continu est en quelque sorte le substrat universel de la pensée, et de la pensée mathé-matique en particulier. Mais on ne peut rien penser de manière eective sans avoir quelque chose de discret dans ce déroulement continu des processus mentaux.

René Thom

Les notions de traitement d'images, et plus précisément de morphologie mathématique que nous abordons dans cette thèse, nous obligent à nous pencher sur la nature même des images. Leur représentation sous forme discrétisée dans les machines de traitement oriente notre analyse vers les images échantillonnées. Nous développerons dans la présente annexe les dénitions re-latives aux images discrètes an de pouvoir les manipuler en tant qu'objets mathématiques. La morphologie mathématique, nous le verrons en annexe B, analyse les images en terme d'objets, de formes, etc, par une théorie ensembliste. Il nous faut donc discerner les points appartenant aux mêmes ensembles, c'est-à-dire aux mêmes objets. Dans le domaine continu, cet aspect ne soulève pas de diculté puisqu'il est décrit par la notion même de continuité. Un problème se pose par contre lorsqu'on passe aux images discrétisées. Pour éviter d'être contraint de voir les points d'une image comme des sources d'informations isolées, nous utilisons les notions de trame et de voisinage qui dénissent des liaisons entre les points et permettent de dénir les objets. Les objets ont des propriétés caractéristiques comme leur forme, le nombre de trous qu'ils contiennent... C'est là le coeur de l'étude topologique et nous nous intéresserons en particulier à la notion d'homotopie. Nous verrons en annexe B une approche pour la description des opé-rateurs morphologiques fondée sur la notion de distance. C'est celle que nous avons choisie dans

la plus grande partie de cette thèse. Nous nous intéresserons donc à la distance dans les images discrétisées, notion qui illustre bien le type de problèmes que l'on rencontre lorsqu'on travaille avec ce type d'images. Pour toutes ces notions, le lecteur pourra se reporter à des ouvrages trai-tant de la géométrie discrète, comme par exemple (ChasseryetMontanvert, 1991; Serra, 1982).

A.1 Images binaires et numériques

Commençons par dénir la notion d'image proprement dite et les notions de base qui s'y rattachent.

Dénition 20 (Image 1)

Une image est le résultat de l'échantillonnage bidimensionnel d'une fonction de luminance dénie sur

IR

2.

Nous parlons d'image binaire lorsque les échantillons sont quantiés dans f0

;

1g. Nous par-lons d'image numérique (ou image en niveaux de gris) lorsque les échantilpar-lons sont quantiés dans une partie de Z, typiquement f0

;::: ;

255g.

Une image rectangulaire peut donc être vue comme un tableau de nombres. On peut aussi la voir comme une fonction

f

:D Z

2

!

Q

Zassociant, à chaque point (ou pixel)

p

(

x;y

), sa valeur dans l'espace de quantication

Q

. On parlera ainsi de fonction numérique ou d'ensemble binaire selon la nature de

Q

.

Par la suite DZ

2représentera le domaine de dénition de l'image.

Remarque (Topographie)

Comme pour les fonctions de plusieurs variables, les images nu-mériques sont souvent assimilées à des surfaces ou reliefs topographiques. On retrouve ainsi les termes de cols, crêtes, pics, qui permettent de se représenter facilement des congurations particulières de pixels.

Dénition 21 (Complémentaire)

Le complémentaire d'un ensemble binaire

S

 D noté

S

c est déni par :

8

p

2D

;p

62

S

,

p

2

S

c (A.1)

Nous serons amenés à étudier des opérateurs mettant en relation les pixels avec leur voisinage et devrons pour cela dénir cette notion de voisinage. Rappelons, au préalable, quelques notions sur les graphes.

Dans le document Architectures parallèles pour la morphologie mathématique géodésique (Page 163-173)