Driving to a fast IMS feature vector computing

La creciente cantidad de imágenes transmitidas a través de Internet ha llevado al desarrollo de Sistemas de Minería de Imágenes de propósito general. La performance de un SMI depende en gran medida de una rápida y buena especificación del vector característica que describe unívocamente a una imagen completa. El tamaño del vector y las relaciones existentes entre cada una de las características evaluadas y su tiempo de procesamiento son críticos, más aún cuando la cantidad de imágenes es lo suficientemente grande. Una posible solución consiste en el uso de paralelismo en las diferentes tareas involucradas en un SMI. Hoy en día, los clusters de computadoras son una opción ampliamente utilizada, con un bajo costo y alto rendimiento, principalmente para máquinas de propósitos específicos y se adaptan a la resolución de problemas de procesamiento de imágenes con un alto grado de paralelismo y localidad de datos. En este paper nos focalizaremos en el paralelismo de la etapa de procesamiento de un sistema SMI con la intención de acelerar el cálculo del vector característica por medio de una arquitectura cluster intentando brindar una mejor performance al sistema SMI en su totalidad. Increasing amount of image data transmitted via Internet has triggered the development of general purposes Image Mining Systems (IMS). An IMS performance relies on a good and fast feature vector specification that describes univocally an entire image. Vector size and the relationship between each evaluated feature and its computation time are critical, moreover when the image amount is big enough. Decreasing this IMS computational complexity by means of parallelism at the different involved tasks is one solution. Nowadays clusters of computers are already widely used as a low cost and high utility option to special-purpose machines, and suited to solve image processing problems with a high degree of data locality and parallelism. At this paper, we will focus on parallelism into the IMS processing stage trying to accelerate the feature vector calculus thru a cluster architecture attempting to give a better performance to the whole image mining system. Workshop de Computación Gráfica, Imágenes y Visualización (WCGIV)