TU Darmstadt / ULB / TUprints

Algorithm, Application Mapping, Design and Realization of the Time-Frequency Representation with Flexible Kernels based on their Lifting Scheme

Guntoro, Andre :
Algorithm, Application Mapping, Design and Realization of the Time-Frequency Representation with Flexible Kernels based on their Lifting Scheme.
Technische Universität, Darmstadt
[Ph.D. Thesis], (2009)

Dissertation Andre Guntoro - PDF
Available under Creative Commons Attribution Non-commercial No Derivatives.

Download (1MB) | Preview
Item Type: Ph.D. Thesis
Title: Algorithm, Application Mapping, Design and Realization of the Time-Frequency Representation with Flexible Kernels based on their Lifting Scheme
Language: English

Wavelets have become a hot topic in both industry and research fields in the recent years. In the transform block of JPEG2000, two different wavelet filters can be applied depending on the compression methods: (5,3) for lossless and (9,7) for lossy compression. Besides the block transform of JPEG2000, wavelet transforms are applied in many other applications, such as feature detection, voice synthesis, statistic, etc. The major challenge in the wavelet transforms is that there exist different classes of wavelet filters for different kinds of applications. In this thesis, we propose generalized lifting-based wavelet processors that can perform various DWT decompositions and reconstructions, as well as DWP decompositions and reconstructions with different types of wavelet filters. The processors are based on cross-chained processing elements which perform prediction and update atom functions of the lifting-based transforms. Two different arithmetics are designed in order to adapt with diversities in applications' demand: fixed-point and floating-point wavelet processors. On each type of arithmetic, two architectures are proposed: resource-aware architecture which exploits time-sharing property of the arithmetic units and has processing speed of f/2, and high-performance architecture which uses dedicated arithmetic units and has processing speed of f. The generalization of the proposed wavelet processors extends in many ways. The proposed processors can compute N-dimensional transforms, as well as multilevel transforms for 1D signal. On some applications that require energy conservation during the transforms, we also consider the normalization step which takes place at the end of the decomposition or at the beginning of the reconstruction. Our proposed wavelet processors can also be configured to have arbitrary data width, including the fraction size of the floating-point architectures. Because different applications require different number of samples for the transforms, we propose a flexible memory size that can be implemented in the design. To cope with different wavelet filters, we feature a multi-context configuration to select among various transforms. This context switch is further used as a configuration tool to compute wavelet filters with longer lifting steps. Our wavelet processors are modelled and synthesized with a parameterizable VHDL code written at the RTL level. The performance of our processors varies depending on the data width selections, the architecture types, and the wavelet filters. For 32-bit resource-aware floating-point architecture, the proposed processor can compute lossless JPEG2000 transform of 512x512 image with 211 fps.

Alternative Abstract:
Alternative AbstractLanguage
In den letzten Jahren wurden Wavelets sowohl in Forschung als auch in der Industrie sehr umfassend untersucht. Im Transformationsblock des JPEG2000 Algorithmus können je nach Kompressionsmethode zwei unterschiedliche Wavelet Filter eingesetzt werden: (5,3) für eine verlustfreie und (9,7) für eine verlustbehaftete Kompression. Außer in der Blocktransformation von JPEG2000 finden Wavelet-Filter ihren Einsatz in vielen weiteren Anwendungen, wie z.B. Mustererkennung, Sprachsynthese, Statistik usw. Die größte Herausforderung besteht darin, dass für unterschiedliche Anwendungen unterschiedliche Klassen von Wavelet-Filter bestehen. In dieser Dissertation werden verallgemeinerte Lifting-basierte Wavelet-Prozessoren vorgeschlagen, die sowohl verschiedene DWT (Discrete Wavelet Transform) Dekompositionen und Rekonstruktionen als auch DWP (Discrete Wavelet Packet) Dekompositionen und Rekonstruktionen mit verschiedenen Typen von Wavelet-Filter durchführen können. Die Prozessoren basieren auf verketteten Prozesselementen (PE) zur Berechnung und Aktualisierung von Atom-Funktionen in den Lifting-basierten Transformationen. Zwei unterschiedliche Arten der Arithmetik wurden berücksichtigt, um die große Fülle von Anwendungen zu berücksichtigen: Fixpunkt- und Gleitkomma-Wavelet-Prozessoren. Für beide Arten der Arithmetik wurden zwei Prozessoren entworfen: eine Resourcen-sparsame Architektur, die das Zeitteilverfahren der arithmetischen Einheiten ausnutzt und bei einer Verarbeitungs-Geschwindigkeit von f/2 betrieben wird und eine hochperformante Architektur, welche dedizierte arithmetische Einheiten einsetzt und bei einer Verarbeitungs-Geschwindigkeit von f betrieben wird. Die Verallgemeinerung der vorgeschlagenen Wavelet-Prozessoren schlägt sich auf viele Arten nieder. Die Prozessoren können sowohl N-dimensionale Transformationen als auch Multi-Level Transformationen eines 1D-Signals berechnen. Für manche Anwendungen, die eine Energieerhaltung während der Transformation diktieren, betrachten wir auch die Normalisierung am Ende der Dekomposition bzw. am Anfang der Rekonstruktion. Die vorgeschlagenen Prozessoren können für eine beliebige Datenbreite konfiguriert werden, auch die Anzahl der Mantissenziffern in der Gleitkommadarstellung kann beliebig eingestellt werden. Da unterschiedliche Anwendungen eine unterschiedliche Anzahl von Samples für die Transformation benötigen, wird eine flexible Speichergröße vorgeschlagen, die im Entwurf implementiert werden kann. Um verschiedene Wavelet-Filter zur Berechnung einer Vielzahl von Transformationen realisieren zu können, wird eine Multi-Kontext Konfiguration vorgestellt. Dieser Kontext-Switch wird auch als ein Konfigurations-Tool zur Berechnung von Wavelet-Filter mit längeren Lifting Schritten eingetzt. Die vorgestellten Wavelet-Prozessoren wurden in parametrisierbarem VHDL-Code auf RTL-Ebene modelliert und synthetisiert. Die Performanz der Prozessoren unterscheiden sich je nach Datenbreite, Architekturtyp und Wavelet-Filter. Für die 32-bit Ressourcen-sparsame Gleitkomma-Architektur kann der Prozessor eine verluftfreie JPEG2000 Transformation eines 512x512 Bildes mit 211 fps berechnen.German
Place of Publication: Darmstadt
Uncontrolled Keywords: Wavelets Lifting Scheme DWT DWP Discrete Wavelet Transforms Discrete Wavelet Packets Discrete Wavelet Processor Compactly Supported Wavelet Filters DSP VLSI
Alternative keywords:
Alternative keywordsLanguage
Wavelets Lifting Scheme DWT DWP Discrete Wavelet Transforms Discrete Wavelet Packets Discrete Wavelet Processor Compactly Supported Wavelet Filters DSP VLSIEnglish
Classification DDC: 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications > Signal Processing
18 Department of Electrical Engineering and Information Technology > Microelectronic Systems
Date Deposited: 18 Nov 2009 14:29
Last Modified: 07 Dec 2012 11:56
URN: urn:nbn:de:tuda-tuprints-19610
Referees: Glesner, Prof. Dr. Manfred and Fliege, Prof. Dr.- Norbert
Refereed: 5 November 2009
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/1961
Actions (login required)
View Item View Item