{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1321129"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1321129","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Implementation and Performance Analysis on the Image Compression Algorithm of CCSDS 122.0-B.1 Recommendation in Massively Parallel Graphical Processing Units","abstract":"Ο σκοπός της παρούσας εργασίας είναι η υλοποίηση και η ανάλυση σε παράλληλο προγραμματιστικό περιβάλλον με Μονάδες Επεξεργασίας Γραφικών και την πλατφόρμα CUDA™ της NVIDIA, τον αλγόριθμο Συμπίεσης Εικόνας του προτύπου CCSDS 122.0-B-1. Οι αλγόριθμοι που χρησιμοποιούνται για την συμπίεση είναι ο Discrete Wavelet Transform (DWT) και ο Bit Plane Encoder (BPE). Στην μελέτη αυτή περιγράφεται η διαδικασία της παραλληλοποίησης του σειριακού προγράμματος. Το παράλληλο πρόγραμμα που δημιουργήθηκε, δοκιμάστηκε σε δυο συστήματα, το ένα αποτελείται από έναν επεξεργαστή AMD Phenom II X4 965 και μια κάρτα γραφικών NVIDIA Tesla C2070 και το άλλο από έναν επεξεργαστή Intel i7 3970X και μια κάρτα γραφικών NVIDIA Tesla K20. Η επιτάχυνση που παρατηρήθηκε ήταν 2.1x στο πρώτο σύστημα και 1.1x στο δεύτερο, για εικόνες μεγέθους από 256x256 μέχρι 8192x8192 pixels. Αυτό οφείλεται κυρίως στον BPE, καθώς ο DWT είχε επιτάχυνση μέχρι και 110x στην μια περίπτωση και 47x στην άλλη, σε σχέση με την σειριακή υλοποίηση. Η υλοποίηση του BPE αλγορίθμου είναι ελάχιστα καλύτερη από την σειριακή μόνο στις μεγάλες εικόνες. Το συμπέρασμα ήταν ότι ο αλγόριθμος στην παρούσα μορφή του δεν μπορεί να παραλληλοποιηθεί αποδοτικά, διότι αποτελείται από πολλές δομές ελέγχου και δομές δεδομένων που δεν ενδείκνυται για παραλληλοποίηση με κάρτες γραφικών.","abstract_html":"Ο σκοπός της παρούσας εργασίας είναι η υλοποίηση και η ανάλυση σε παράλληλο προγραμματιστικό περιβάλλον με Μονάδες Επεξεργασίας Γραφικών και την πλατφόρμα CUDA™ της NVIDIA, τον αλγόριθμο Συμπίεσης Εικόνας του προτύπου CCSDS 122.0-B-1. Οι αλγόριθμοι που χρησιμοποιούνται για την συμπίεση είναι ο Discrete Wavelet Transform (DWT) και ο Bit Plane Encoder (BPE). Στην μελέτη αυτή περιγράφεται η διαδικασία της παραλληλοποίησης του σειριακού προγράμματος. Το παράλληλο πρόγραμμα που δημιουργήθηκε, δοκιμάστηκε σε δυο συστήματα, το ένα αποτελείται από έναν επεξεργαστή AMD Phenom II X4 965 και μια κάρτα γραφικών NVIDIA Tesla C2070 και το άλλο από έναν επεξεργαστή Intel i7 3970X και μια κάρτα γραφικών NVIDIA Tesla K20. Η επιτάχυνση που παρατηρήθηκε ήταν 2.1x στο πρώτο σύστημα και 1.1x στο δεύτερο, για εικόνες μεγέθους από 256x256 μέχρι 8192x8192 pixels. Αυτό οφείλεται κυρίως στον BPE, καθώς ο DWT είχε επιτάχυνση μέχρι και 110x στην μια περίπτωση και 47x στην άλλη, σε σχέση με την σειριακή υλοποίηση. Η υλοποίηση του BPE αλγορίθμου είναι ελάχιστα καλύτερη από την σειριακή μόνο στις μεγάλες εικόνες. Το συμπέρασμα ήταν ότι ο αλγόριθμος στην παρούσα μορφή του δεν μπορεί να παραλληλοποιηθεί αποδοτικά, διότι αποτελείται από πολλές δομές ελέγχου και δομές δεδομένων που δεν ενδείκνυται για παραλληλοποίηση με κάρτες γραφικών.","abstract_has_math":false,"creators":["Κρεμμύδα Ολυμπία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-11-19T05:26:38Z","subjects":[],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1321129"],"render_values":[{"text":"uoadl:1321129","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1321129","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1321129","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1321129","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κρεμμύδα Ολυμπία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2014"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1321129","https://pergamos.lib.uoa.gr/uoa/dl/object/1321129"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο σκοπός της παρούσας εργασίας είναι η υλοποίηση και η ανάλυση σε παράλληλο προγραμματιστικό περιβάλλον με Μονάδες Επεξεργασίας Γραφικών και την πλατφόρμα CUDA™ της NVIDIA, τον αλγόριθμο Συμπίεσης Εικόνας του προτύπου CCSDS 122.0-B-1. Οι αλγόριθμοι που χρησιμοποιούνται για την συμπίεση είναι ο Discrete Wavelet Transform (DWT) και ο Bit Plane Encoder (BPE). Στην μελέτη αυτή περιγράφεται η διαδικασία της παραλληλοποίησης του σειριακού προγράμματος. Το παράλληλο πρόγραμμα που δημιουργήθηκε, δοκιμάστηκε σε δυο συστήματα, το ένα αποτελείται από έναν επεξεργαστή AMD Phenom II X4 965 και μια κάρτα γραφικών NVIDIA Tesla C2070 και το άλλο από έναν επεξεργαστή Intel i7 3970X και μια κάρτα γραφικών NVIDIA Tesla K20. Η επιτάχυνση που παρατηρήθηκε ήταν 2.1x στο πρώτο σύστημα και 1.1x στο δεύτερο, για εικόνες μεγέθους από 256x256 μέχρι 8192x8192 pixels. Αυτό οφείλεται κυρίως στον BPE, καθώς ο DWT είχε επιτάχυνση μέχρι και 110x στην μια περίπτωση και 47x στην άλλη, σε σχέση με την σειριακή υλοποίηση. Η υλοποίηση του BPE αλγορίθμου είναι ελάχιστα καλύτερη από την σειριακή μόνο στις μεγάλες εικόνες. Το συμπέρασμα ήταν ότι ο αλγόριθμος στην παρούσα μορφή του δεν μπορεί να παραλληλοποιηθεί αποδοτικά, διότι αποτελείται από πολλές δομές ελέγχου και δομές δεδομένων που δεν ενδείκνυται για παραλληλοποίηση με κάρτες γραφικών.","The objective of this thesis is to implement and analyze the effects of Parallel Computing using Graphic Process Units (GPUs) and the CUDA™ programming interface by NVIDIA, on the Image Compression algorithm proposed by the Recommended Standard CCSDS 122.0-B-1. The specific algorithm consists of two basic mechanisms, the Discrete Wavelet Transformation (DWT) and the Bit Plane Encoder (BPE). This study analyzes how the algorithm was ported to GPU as a complete parallel compression process using CUDA. Our parallel program was evaluated in two servers; the first consists of an AMD Phenom II X4 965 CPU with an NVIDIA Tesla C2070 GPU and the second of an Intel i7 3970X CPU with an NVIDIA Tesla K20 GPU. The GPU vs. CPU speed up is only up to 2.1x for the first server and 1.1x for the second one, tested on a wide range of image sizes, from 256x256 to 8192x8192 pixels. The moderate speed up is mostly caused by the inefficient parallelization of BPE, as DWT is executed up to 110x and 47x faster in parallel. Significant execution bottlenecks have been identified which efficiently limit the parallelization of the algorithm on a GPU such as control intensive parts and memory structures."]},{"key":"dc:title","label":"Title","values":["Implementation and Performance Analysis on the Image Compression Algorithm of CCSDS 122.0-B.1 Recommendation in Massively Parallel Graphical Processing Units"]}]}],"canonical_facts":{"dc:creator":["Κρεμμύδα Ολυμπία"],"dc:date":["2014"],"dc:description":["Ο σκοπός της παρούσας εργασίας είναι η υλοποίηση και η ανάλυση σε παράλληλο προγραμματιστικό περιβάλλον με Μονάδες Επεξεργασίας Γραφικών και την πλατφόρμα CUDA™ της NVIDIA, τον αλγόριθμο Συμπίεσης Εικόνας του προτύπου CCSDS 122.0-B-1. Οι αλγόριθμοι που χρησιμοποιούνται για την συμπίεση είναι ο Discrete Wavelet Transform (DWT) και ο Bit Plane Encoder (BPE). Στην μελέτη αυτή περιγράφεται η διαδικασία της παραλληλοποίησης του σειριακού προγράμματος. Το παράλληλο πρόγραμμα που δημιουργήθηκε, δοκιμάστηκε σε δυο συστήματα, το ένα αποτελείται από έναν επεξεργαστή AMD Phenom II X4 965 και μια κάρτα γραφικών NVIDIA Tesla C2070 και το άλλο από έναν επεξεργαστή Intel i7 3970X και μια κάρτα γραφικών NVIDIA Tesla K20. Η επιτάχυνση που παρατηρήθηκε ήταν 2.1x στο πρώτο σύστημα και 1.1x στο δεύτερο, για εικόνες μεγέθους από 256x256 μέχρι 8192x8192 pixels. Αυτό οφείλεται κυρίως στον BPE, καθώς ο DWT είχε επιτάχυνση μέχρι και 110x στην μια περίπτωση και 47x στην άλλη, σε σχέση με την σειριακή υλοποίηση. Η υλοποίηση του BPE αλγορίθμου είναι ελάχιστα καλύτερη από την σειριακή μόνο στις μεγάλες εικόνες. Το συμπέρασμα ήταν ότι ο αλγόριθμος στην παρούσα μορφή του δεν μπορεί να παραλληλοποιηθεί αποδοτικά, διότι αποτελείται από πολλές δομές ελέγχου και δομές δεδομένων που δεν ενδείκνυται για παραλληλοποίηση με κάρτες γραφικών.","The objective of this thesis is to implement and analyze the effects of Parallel Computing using Graphic Process Units (GPUs) and the CUDA™ programming interface by NVIDIA, on the Image Compression algorithm proposed by the Recommended Standard CCSDS 122.0-B-1. The specific algorithm consists of two basic mechanisms, the Discrete Wavelet Transformation (DWT) and the Bit Plane Encoder (BPE). This study analyzes how the algorithm was ported to GPU as a complete parallel compression process using CUDA. Our parallel program was evaluated in two servers; the first consists of an AMD Phenom II X4 965 CPU with an NVIDIA Tesla C2070 GPU and the second of an Intel i7 3970X CPU with an NVIDIA Tesla K20 GPU. The GPU vs. CPU speed up is only up to 2.1x for the first server and 1.1x for the second one, tested on a wide range of image sizes, from 256x256 to 8192x8192 pixels. The moderate speed up is mostly caused by the inefficient parallelization of BPE, as DWT is executed up to 110x and 47x faster in parallel. Significant execution bottlenecks have been identified which efficiently limit the parallelization of the algorithm on a GPU such as control intensive parts and memory structures."],"dc:identifier":["uoadl:1321129","https://pergamos.lib.uoa.gr/uoa/dl/object/1321129"],"dc:language":["English"],"dc:title":["Implementation and Performance Analysis on the Image Compression Algorithm of CCSDS 122.0-B.1 Recommendation in Massively Parallel Graphical Processing Units"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:38Z"}