Il mio lavoro parla della sperimentazione di alcuni metodi per

l'acquisizione di segnali ed in particolare di immagini con

numero ridotto di campioni. Un sistema di acquisizione attuale è
basato sull'applicazione pratica del teorema di Shannon: il
segnale d'interesse viene campionato ad una frequenza che è il
doppio della sua frequenza massima. Il risultato viene
successivamente compresso e infine memorizzato. Tutto questo però
è molto dispendioso dal punto di vista economico: un gran numero
di sensori vengono impiegati per ottenere un flusso di poche
centinaia di kilobyte. L'obiettivo del campionamento compresso
invece, è quello di acquisire il segnale in modo che sia già
compresso e successivamente ricostruito per essere memorizzato.
Questa tecnica però è molto complessa? Perchè complessa? Perchè
richiede l'uso di metodi di ottimizzazione che impiegano notevoli
risorse di calcolo ed è quindi chiaro che l'elaborazione completa
richiede molto tempo, perciò i processori moderni non hanno
prestazioni sufficienti. E' stato quindi necessario l'uso delle
GPU. Perchè la GPU? Fondamentalmente perchè hanno prestazioni
migliori a costi più bassi. Perchè prestazioni migliori? Perchè
la performance dei dispositivi grafici cresce più velocemente di
quella della cPU, inoltre l'architettura delle GPU è dotata di un
altissimo parallelismo. Perchè a costi più bassi? Perchè anche se
il costo di una GPU è in linea con quello di una CPU, consumano
molta meno energia. Dispongono inoltre di grande larghezza di
banda per quanto riguarda i trasferimenti da e verso la memoria
perchè hanno una memoria molto grande integrata nel chip. Infine
sono anche flessibili e programmabili. La programmabilità di
questi dispositivi ha permess il nascere e lo svilupparsi del GPU
computing, ossia l'uso delle GPU per scopi diversi dalla
creazione di immagini 3D. Sono quindi nate architetture che
permettono il calcolo sulla GPU come Nvidia CUDA e ATI Close to
Metal che a loro volta hanno permesso lo svilupparsi di ambienti
di sviluppo software come GPUMat e Jacket che offrono la
possibilità di usare le capacità delle GPU in MATLAB e JCUDA che
offre invece la possibilità di usare l'architettura CUDA nei
programmi Java. Il campionamento compresso, si basa su due
concetti fondamentali: sparsità e incoerenza. Sparsità vuol dire
che l'informazione contenuta in un segnale tempo-continuo è più
basso della sua larghezza di banda. Incoerenza vuol dire che la
forma d'onda di campionamento deve essere densa dove il segnale
ha una rappresentazione sparsa. Per quanto riguarda le immagini,
come dominio in cui l'immagine ha una rappresentazione è stata
scelta la trasformata discreta del coseno per l'incoerenza si è
fatto ricorso alle noiselet. Le noiselet sono funzioni binarie
molto simili ad un disturbo casuale. I campioni acquisiti vengono
poi ricostruiti con il metodo di ottimizzazione L1. Vengono qui
mostrati degli esempi delle ricostruzioni fatte e i loro effetti
parassiti. Nel primo l'immagine è stata ricostruita prendendo i
primi 1000 coefficienti della trasformata discreta del coseno.
L'effetto parassita che otteniamo in questo caso prende il nome
di fenomeno di Gibbs o ringing che si ottiene quando ad un
segnale viene trocato il suo sviluppo in serie. Nel secondo caso
sono stati acquisiti maggiori campioni della DCT e la
ricostruzione attraverso l'ottimizzazione della norma l1. Come
effetto parassita si ha una perdita delle componenti ad alta
frequenza e quello che ha il nome di effetto a mosaico. L'ultima
ricostruzione è stata effettuata con le noiselet. Come effetto
parassita si presenta un effetto di puntinatura. Un caso di
studio interessante è quello delle immagini mediche dove si vede
il successo di questa tecnologia, infatti tutte le ricostruzioni
mantengono inalterati tutti i dettagli principali dell'immagine
originale. Infine viene mostrata una tabella che mostra le
differenze fra i tempi di esecuzione della GPU e quelli della
CPU.