Projeto Final MC970 - Paralelização de Técnicas de Meios-Tons

Este projeto implementa algoritmos de meios-tons com difusão de erro em três versões: serial (C++), paralela com OpenMP (C++) e paralela com CUDA (C++/CUDA). Também inclui scripts Python para benchmarking e análise dos resultados.

---

1. Pré-requisitos

• Linux (recomendado)
• Compilador C++ (g++ >= 9)
• CUDA Toolkit (para rodar a versão CUDA)
• Python 3.8+
• CMake (>= 3.10)
• make
• pip (>= 20)
• NVIDIA GPU (para CUDA)
• Google Colab (opcional, para rodar o notebook)

---

2. Baixando o Projeto

Clone este repositório via ssh:

git clone git@github.com:mc970-25s1/final-project-paralelizacao-tecnica-de-meios-tons.git
cd final-project-paralelizacao-tecnica-de-meios-tons

---

3. Instalando Dependências C++/CUDA

No Ubuntu, rode:

sudo apt update
sudo apt install build-essential cmake libomp-dev nvidia-cuda-toolkit

Certifique-se de seguir as orientações da nvidia para configurar o CUDA.

---

4. Compilando o Projeto

Crie o diretório de build e compile:

cmake -S . -B build
cmake --build build -j

Os executáveis serão gerados em build/.

---

5. Executando os Programas

Serial

./build/serial_cpp <input.ppm> <output.ppm> <method> [p=0.5] [stochastic=1] [-g]

OpenMP

./build/omp <input.ppm> <output.ppm> <method> [p=0.5] [stochastic=1] [-g]

CUDA

./build/cuda <input.ppm> <output.ppm> <method> [p=0.5] [stochastic=1] [-g]

Parâmetros:

• <input.ppm>: Caminho para a imagem de entrada (formato PPM).
• <output.ppm>: Caminho para a imagem de saída.
• <method>: Método de difusão de erro (FloydSteinberg, StevensonArce, Burkes, Sierra, Stucki, JarvisJudiceNinke).
• [p]: Parâmetro de ruído para dithering estocástico (opcional, padrão 0.5).
• [stochastic]: 1 para estocástico, 0 para determinístico (opcional, padrão 1).
• [-g]: Converte para escala de cinza antes de processar (opcional).

Exemplo:

./build/omp img/ppm/teste.ppm out/teste_out.ppm FloydSteinberg 0.5 1 -g

---

6. Ambiente Python para Benchmark e Análise

Criando o Ambiente Virtual

python3 -m venv .venv
source .venv/bin/activate

Instalando as Dependências

pip install --upgrade pip
pip install -r requirements.txt

---

7. Rodando o Notebook Localmente ou no Google Colab

1. Faça upload do projeto para o seu Google Drive.
2. Abra o arquivo colab-runner.ipynb no Google Colab.
3. Execute as células na ordem. O notebook monta o Google Drive, compila o projeto, executa os testes e gera relatórios de desempenho automaticamente.

---

8. Estrutura de Pastas

• src/ — Códigos-fonte C++/CUDA
• img/ppm/ — Imagens de entrada (PPM)
• out/ — Imagens de saída
• build/ — Executáveis compilados
• logs/ — Logs e relatórios de execução
• colab-runner.ipynb — Notebook para automação e análise

---

9. Observações

• Para rodar a versão CUDA, é necessário ter uma GPU NVIDIA compatível e drivers/CUDA instalados.
• O notebook pode ser executado localmente ou no Colab, mas a versão CUDA só roda em ambientes com GPU NVIDIA.
• As imagens de entrada devem estar no formato PPM.

10. Autores

• Henrique Parede de Souza [Github] [Linkedin]
• Raphael Salles Vitor de Souza [Github] [Linkedin]
• Vinicius Patriarca Miranda Miguel [Github] [Linkedin]

11. Como citar

@software{Parede2025,
  title    = "parallel-halftone: {CUDA} and {OpenMP} parallelization of
              halftone algorithms commonly found in literature",
  author   = "Parede, Henrique and Souza, Raphael Salles Vitor de and Miguel,
              Vinicius Patriarca Miranda",
  year     =  2025,
  url      = "https://github.com/Henrique-hpds/parallel-halftone",
  language = "pt"
}