Aceleração de Correção de Rotação de Imagens (CUDA & OpenMP)

Status: Concluído (Projeto Final - MC970 Unicamp) Tecnologias: C, C++, CUDA, OpenMP, Profiling (Nsight Compute, perf)

Nota de Integridade Acadêmica: O código-fonte completo deste projeto é mantido em um repositório privado para respeitar as políticas da Universidade Estadual de Campinas (UNICAMP). Este repositório serve como um estudo de caso (case study) apresentando a arquitetura, metodologia e os resultados de otimização alcançados. O relatório técnico completo está disponível em PDF neste repositório.

O Desafio

O objetivo deste projeto foi paralelizar um algoritmo originalmente escrito em Python para a linguagem C/C++, visando corrigir a inclinação (deskewing) de imagens textuais de forma automática e performática. A correção baseia-se na binarização da imagem, cálculo de projeção horizontal e rotação geométrica para maximizar a uniformidade das linhas.

Arquitetura e Paralelização

1. Aceleração em CPU (OpenMP)

Focamos na paralelização da busca do melhor ângulo de rotação (entre -90º e +90º).

• Utilizamos pragmas #pragma omp parallel for distribuindo iterações entre as threads disponíveis.
• Implementamos regiões críticas para garantir atualizações seguras da melhor solução global, evitando condições de corrida.

2. Aceleração Massiva em GPU (CUDA)

Transferimos as operações mais pesadas (memory e compute bound) para a GPU, paralelizando três etapas principais:

• Binarização: Mapeamento de 1 thread por pixel (binarizar_kernel).
• Métrica de Avaliação: Uso avançado de Shared Memory e otimização de blocos (configuração 16x16) para contar pixels pretos por linha (contar_pretos_por_linha), reduzindo drasticamente o acesso à memória global e melhorando o Memory Throughput.
• Rotação e Interpolação: Mapeamento em hardware das transformações geométricas (rotate_binary_kernel e rotate_bilinear_kernel).

Resultados e Performance (Speedup)

Através de um profiling rigoroso utilizando o NVIDIA Nsight Compute e perf, alcançamos ganhos de performance extremamente significativos em comparação com a execução sequencial original:

• OpenMP: Aceleração média e constante de 3x, independente do tamanho da imagem, demonstrando grande estabilidade na paralelização via CPU.
• CUDA: Para imagens de alta resolução (onde o custo de transferência host-device é diluído), atingimos um speedup superior a 17x (redução de mais de 94% no tempo de execução), extraindo o máximo do paralelismo da arquitetura.

---

Desenvolvido por Lucas Félix e Guilherme Ferreira - IC/UNICAMP (2025)