Descripción

¿Qué se va a hacer?
Este proyecto implementa un sistema de procesamiento de imágenes en paralelo sobre un clúster de computadoras (nodos) usando MPI (Message Passing Interface) y OpenMP.
El objetivo principal es aplicar distintos filtros (ligeros y de desenfoque) a un conjunto de imágenes BMP en forma eficiente, distribuyendo la carga de trabajo entre un proceso maestro y varios procesos ayudantes, y aprovechando el paralelismo en cada nodo mediante secciones OpenMP.

Herramientas que se emplearán

• Lenguaje C (compilador GCC).
• MPI (mpich o OpenMPI) para comunicación entre procesos en distintos nodos.
• OpenMP para paralelismo de threads dentro de cada proceso.
• Funciones propias de procesamiento de imágenes (en image_processing.h / image_processing.c), que incluyen operaciones como:
  • Conversión a escala de grises
  • Reflejo horizontal y vertical (color y escala de grises)
  • Desenfoque (blur) con kernel de tamaño configurable
• Estructura de carpetas:
  • images/ → carpeta de entrada que contiene las imágenes .bmp
  • results/ → carpeta destino donde se guardan las imágenes procesadas

---

¿Qué elementos garantizan los resultados esperados?

1. Validación de parámetros

• En main.c, se recibe el kernel_blur desde línea de comandos, y se valida que sea impar y esté entre 55 y 155.
• En la parte Python, la GUI también verifica que los campos ingresados por el usuario cumplan rangos válidos antes de llamar al ejecutable en C.

2. Lectura y distribución de archivos

• main.c abre images/ y construye un arreglo global char archivos_global[MAX_ARCHIVOS][100] con las rutas de cada BMP.
• Luego difunde por todo MPI_COMM_WORLD tanto el kernel como la lista de imágenes.

3. Sincronización y paralelismo

• MPI: el proceso rank=0 (maestro) reparte tareas a los ayudantes (ranks ≥ 1).
• OpenMP: dentro de cada proceso, hay secciones paralelas (#pragma omp parallel sections) para aplicar filtros ligeros en 5 hilos simultáneos. Para el blur, se usan bucles #pragma omp parallel for.
• Locks (omp_lock_t lock_ligeros, lock_blur) y secciones críticas (#pragma omp critical) garantizan que cada hilo/proceso obtenga un índice distinto al asignar imágenes, evitando condiciones de carrera.

4. Interfaz amigable

• interfaz.py provee botones para:
  1. Seleccionar carpeta de imágenes.
  2. Elegir número de procesos MPI y tamaño de kernel.
  3. Visualizar mensajes de progreso y mostrar —por ejemplo— un log con líneas como [Rank 3] Filtros ligeros procesados: imagen1.bmp.

5. Salida unificada

• Todas las imágenes resultantes (grayscale, espejos, blur) se escriben en results/, con nombres generados por funciones como generar_nombre_salida en C (por ejemplo: nombre_grayscale.bmp, nombre_blur_101.bmp).
• Al finalizar, main.c escribe un archivo results.txt con métricas (tiempo total, número de bytes procesados, MIPS estimados, MB/s, etc.).
• La parte Python puede leer ese results.txt y mostrarlo en la ventana de la GUI.

Con toda esta arquitectura, se asegura que:

• No haya solapamiento de trabajo (cada imagen se procesa una sola vez).

• El usuario pueda verificar rápidamente, en la carpeta results/, que cada operación (grayscale, mirrorh, mirrorv, blur) se aplicó correctamente.

• El paralelismo distribuido reduzca significativamente el tiempo total de procesamiento.

• Python 3.x

  • main.py: script de orquestación que invoca (vía subprocess) el ejecutable generado por la parte en C, recopila parámetros y muestra resultados.
  • interfaz.py: GUI desarrollada con PyQt5 (o Flask, según versión) para que el usuario seleccione carpeta de imágenes, especifique parámetros de ejecución y vea mensajes de progreso.

• Estructura de carpetas (en el repositorio)