GPU PROGRAMLAMA KULLANAN SEVİYE KÜMELERİ VE UYGULAMALARI

Abstract

Son yıllarda grafik işlemcilerinin gelişmesi ile birlikte ekran kartları, genel amaçlı hesaplamalar yapmak için yaygın olarak kullanılmaya başlanmıştır. Özellikle 2007 yılında yayınlanan CUDA C dili ile birlikte birçok araştırmacı, CUDA C programlama dilini yüksek hesaplama gereken işlemler için kullanmıştır. Bu tez çalışmasında görüntü bölütleme için kullanılan seviye kümesi yöntemi ölçeklendirme yaklaşımı ile GPU üzerinde çalıştırılmıştır. Seviye kümeleri yaklaşımı ağırlıklı olarak kısmi diferansiyel denklemlerin çözümüne dayanmaktadır. Sunulan yöntem kısmi diferansiyel denklem çözümüne gerek duymaz. Temel geometrik dönüşümlerden olan ölçeklendirme yaklaşımını kullanır. Böylece çözüm için gerekli olan hesaplama yükünü hafifletir. GPU üzerinde CUDA programlama kullanılarak performans ve harcanan zaman bakımından avantaj sağlanmış ve çok daha hızlı sonuçlar elde edilmiştir. GPU kullanılması ile gerçek zamanlı işlem yapmaya da olanak sağlamıştır. Geliştirilen uygulama MRI beyin görüntüleri üzerinde tümör bulunması amacı ile kullanılmıştır.In recent years, with the development of graphics processors, graphics cards have been widely used to perform general-purpose calculations. Especially with release of CUDA C programming languages in 2007, most of the researchers have been used CUDA C programming language for the processes which needs high performance computing. In this thesis, a scaling approach for image segmentation using level sets is carried out by the GPU programming techniques. Approach to level sets is mainly based on the solution of partial differential equations. The proposed method does not require the solution of partial differential equation. Scaling approach, which uses basic geometric transformations, is used. Thus, the required computational cost reduces. The use of the CUDA programming on the GPU has taken advantage of classic programming as spending time and performance. Thereby results are obtained faster. The use of the GPU has provided to enable real-time processing. The developed application in this study is used to find tumor on MRI brain images.