摘 要： 針對(duì)傳統(tǒng)的遙感圖像前期處理算法在面對(duì)海量地面數(shù)據(jù)時(shí)計(jì)算時(shí)間很難滿足需求的問(wèn)題，基于RPC模型的遙感成像幾何校正算法的并行加速和基于SIFT特征提取的圖像匹配技術(shù)的并行加速研究。針對(duì)幾何校正的主要步驟及其速度瓶頸問(wèn)題，提出了可采用的并行加速方法，同時(shí)結(jié)合SIFT的特點(diǎn)提出了并行優(yōu)化加速的方案。采用基于數(shù)據(jù)劃分的并行方法對(duì)遙感圖像的幾何校正和SIFT特征提取算法進(jìn)行加速。最后利用CUDA環(huán)境，在CPU+GPU異構(gòu)系統(tǒng)下，設(shè)計(jì)試驗(yàn)對(duì)兩個(gè)算法優(yōu)化并行提速，試驗(yàn)結(jié)果表明，提出的加速方案和優(yōu)化算法能大幅提高遙感圖像的前期處理效率。

關(guān)鍵詞： 遙感圖像； 幾何校正； SIFT特征提?。?CPU+GPU； 并行計(jì)算

中圖分類號(hào)： TN911.73?34； TP338.6 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）03?0047?04

Research and application of GPU?based preprocessing algorithms for

remote sensing image

WANG Huazhe， WEI Xianyong

（Shangqiu Polytechnic， Shangqiu 476000， China）

Abstract： Since the computing time of the traditional preprocessing algorithm that is faced with massive ground data is difficult to satisfy the requirement of practical application， the parallel acceleration algorithms of remote sensing image geometric correction based on RPC model and image matching technique based on SIFT feature extraction are studied. For the key steps and the speed bottleneck of the geometric correction， the adoptable parallel acceleration method is presented， and the parallel optimization acceleration scheme is proposed in combination with the characteristics of SIFT. The parallel algorithm based on data partitioning is adopted to accelerate the geometric correction algorithm and SIFT feature extraction algorithm for remote sensing image. In the CUDA environment， the two parallel optimization algorithms were speeded up by design experiment in CPU+GPU heterogeneous system. The test results show that the proposed acceleration scheme and optimization algorithm can greatly improve the preprocessing efficiency of the remote sensing image.

Keywords： remote sensing image； geometric correction； SIFT feature extraction； CPU+GPU； parallel computing

0 引 言

隨著數(shù)字圖像處理在遙感成像技術(shù)應(yīng)用中的飛速發(fā)展，對(duì)遙感圖像處理在速度和精度上的要求越來(lái)越高。圖像處理數(shù)據(jù)的特點(diǎn)和圖像算法的復(fù)雜性，使得并行計(jì)算成為提高遙感圖像處理算法速度的有效技術(shù)之一[1]。特別是在面對(duì)海量的地面數(shù)據(jù)時(shí)，計(jì)算時(shí)間很難滿足需求。因此如何提高幾何校正算法的效率成為遙感圖像處理問(wèn)題的關(guān)鍵。

目前并行計(jì)算機(jī)技術(shù)主要有基于CPU和基于GPU這兩種并行處理方法。另外在國(guó)內(nèi)和國(guó)際上形成了許多基于特征的圖像匹配算法，包括基于Harris算子、基于Moravec算子的匹配[2]等。在當(dāng)前，怎樣使CPU和GPU協(xié)同計(jì)算，高效并行地組合二者進(jìn)行任務(wù)處理和數(shù)據(jù)計(jì)算成為遙感圖像前期處理領(lǐng)域的新課題[3]。本文結(jié)合遙感圖像的幾何校正和SIFT特征點(diǎn)匹配，針對(duì)CPU?GPU混合異構(gòu)模式的特點(diǎn)，對(duì)基于GPU的遙感圖像處理并行算法的實(shí)現(xiàn)及優(yōu)化進(jìn)行具體的討論。

1 遙感圖像幾何校正算法及優(yōu)化

幾何校正是遙感圖像預(yù)處理中一個(gè)非常重要的環(huán)節(jié)，是從衛(wèi)星遙感影像中提取信息的前提[4]。幾何校正的第一步需要對(duì)輸入圖像的四個(gè)頂點(diǎn)作計(jì)算，得到四個(gè)頂點(diǎn)的地面點(diǎn)坐標(biāo)。這一步重點(diǎn)需要完成的是將輸入圖像四個(gè)頂點(diǎn)的圖像坐標(biāo)轉(zhuǎn)換為地面點(diǎn)坐標(biāo)。在得到圖像四個(gè)頂點(diǎn)的地面點(diǎn)坐標(biāo)后，根據(jù)采樣間隔對(duì)四個(gè)頂點(diǎn)的包絡(luò)范圍劃分地面點(diǎn)網(wǎng)格，確定采樣點(diǎn)的地面坐標(biāo)如圖1所示。接下來(lái)計(jì)算每個(gè)采樣點(diǎn)的灰度值。該方法涉及到復(fù)雜的多項(xiàng)式計(jì)算，計(jì)算復(fù)雜度高且計(jì)算量大，有并行優(yōu)化加速的需要，進(jìn)行優(yōu)化和加速的空間很大。

由于遙感圖像尺寸巨大，需要處理的數(shù)據(jù)量多，受限于處理器存儲(chǔ)帶寬的限制，需要對(duì)圖像分塊處理。對(duì)于一幅[M×N]大小的圖像，劃分成[m×n]的圖像塊，計(jì)算每一小塊輸出圖像的成像范圍，然后根據(jù)采樣間隔劃分確定采樣點(diǎn)的數(shù)量即成像大小，計(jì)算采樣點(diǎn)的地面坐標(biāo)。將輸出圖像劃分成適合存儲(chǔ)容量大小為[m×n]的塊后，每次處理一塊的數(shù)據(jù)并寫(xiě)入輸出文件。在處理每一小塊圖像的幾何校正算法中，每個(gè)像素的計(jì)算互不影響，多個(gè)像素可以并行處理，因此幾何校正算法的并行處理是幾何校正算法的一種主要的優(yōu)化加速技術(shù)。

在解決了遙感圖像的幾何校正處理后，經(jīng)過(guò)校正后的遙感圖像可以用來(lái)作為區(qū)域匹配的模板圖像，將待匹配的地形圖像文件與校正后的區(qū)域圖像做匹配，可以有效地找出圖像中符合要求的地形區(qū)域。

2 遙感圖像配準(zhǔn)的SIFT算法及優(yōu)化

特征遙感匹配方法大大減少了匹配過(guò)程中的計(jì)算量。根據(jù)已知，特征點(diǎn)匹配的度量值對(duì)與像素點(diǎn)位置的變化具有敏感性，因此圖像匹配的準(zhǔn)確度大大提高?；谔卣鞯膱D像匹配方法在灰度變化、圖像變形和遮擋上也表現(xiàn)出了良好的魯棒性，在提取特征點(diǎn)的過(guò)程中有效地減少了噪聲的影響?，F(xiàn)今常使用基于特征的圖像匹配方法。

在使用SIFT特征點(diǎn)進(jìn)行匹配的過(guò)程中，會(huì)產(chǎn)生一些錯(cuò)誤匹配，為了避免錯(cuò)誤匹配，通常使用RANSAC（Random Sample Consensus，隨機(jī)抽樣一致）算法[5]。其主要思想是建立一個(gè)待定的模型，用測(cè)試數(shù)據(jù)反復(fù)測(cè)試，尋找一個(gè)模型對(duì)應(yīng)的錯(cuò)誤率最小的集合。在SIFT算法中，找到一個(gè)變換矩陣，使得盡量多的特征點(diǎn)都符合一定的變換關(guān)系[6]。隨機(jī)地在匹配特征點(diǎn)中抽取四對(duì)以上的特征點(diǎn)，根據(jù)這些特征點(diǎn)產(chǎn)生一個(gè)變換矩陣，產(chǎn)生矩陣的定義模型。

根據(jù)對(duì)SIFT算法的分析可知，算法的大部分是對(duì)圖像像素?cái)?shù)據(jù)的計(jì)算，而這些計(jì)算為并行的可能性提供了大量的參考依據(jù)。GPU本身在大規(guī)模的數(shù)據(jù)計(jì)算上占有優(yōu)勢(shì)并且提供了強(qiáng)大的性能，GPU和CPU配合起來(lái)將任務(wù)劃分可以充分挖掘SIFT算法的提速空間。

對(duì)于SIFT算法來(lái)說(shuō)，通過(guò)比較每個(gè)步驟在算法復(fù)雜度上的差異與算法可并行性、可擴(kuò)展性上的不同，來(lái)決定各個(gè)部分應(yīng)該采用的并行策略。在任務(wù)的劃分上，充分考慮到CPU與GPU在計(jì)算、處理上的差別。加之CPU與GPU有一定任務(wù)匹配的依賴關(guān)系，通常情況下應(yīng)該設(shè)計(jì)更加高明的算法優(yōu)化現(xiàn)有的串行算法[7]。在相鄰的數(shù)據(jù)大規(guī)模并行計(jì)算之間往往存在著少量的串行計(jì)算，可以讓CPU在GPU進(jìn)行計(jì)算的同時(shí)也做一些計(jì)算，例如準(zhǔn)備下一次計(jì)算需要的數(shù)據(jù)。

根據(jù)SIFT算法，檢測(cè)SIFT特征點(diǎn)圖像中的幾個(gè)部分，包括創(chuàng)建和初始化的具體特點(diǎn)，高斯金字塔的創(chuàng)建和高斯差分金字塔的創(chuàng)建，DOG空間極值點(diǎn)的檢測(cè)，計(jì)算特征點(diǎn)方向、梯度以及特征點(diǎn)描述符的計(jì)算。第一步和第二步的計(jì)算量較少，可以放在CPU端來(lái)做。各個(gè)模塊之間的交互與通信，由少量的CPU輔助運(yùn)算。圖2為SIFT并行方案中CPU和GPU的任務(wù)劃分情況。

3 混合架構(gòu)模型

CPU+GPU混合架構(gòu)主要涉及的思想是基于異構(gòu)模式下的主從模型設(shè)計(jì)思想[7]。在主從模式設(shè)計(jì)的思想下，對(duì)于一個(gè)給定的問(wèn)題模型，分別交給主進(jìn)程和從進(jìn)程分別處理，主進(jìn)程將整個(gè)計(jì)算任務(wù)劃分成多個(gè)子任務(wù)分配給各個(gè)從進(jìn)程進(jìn)行并行計(jì)算，從進(jìn)程得到了子任務(wù)后按照事先制定好的任務(wù)劃分規(guī)則進(jìn)行并行計(jì)算，各個(gè)從進(jìn)程執(zhí)行完畢再匯總到主進(jìn)程。在CPU+GPU混合系統(tǒng)中，不同的子任務(wù)映射到不同的區(qū)域完成[8]。主進(jìn)程管理CPU端的控制、任務(wù)的劃分、分配、調(diào)度，從進(jìn)程負(fù)責(zé)GPU資源分配、數(shù)據(jù)計(jì)算和并行任務(wù)的計(jì)算。

在編寫(xiě)GPU優(yōu)化并行加速代碼時(shí)，要充分注意分配任務(wù)的合理性，盡量減少訪存延遲，同時(shí)注意存儲(chǔ)器數(shù)據(jù)傳遞的優(yōu)化，這樣才能讓GPU的并行效果達(dá)到最好。

由于遙感影像比一般圖像大小偏大，可達(dá)12 000×12 000像素，因此一般采取劃分塊的方法對(duì)圖像數(shù)據(jù)進(jìn)行計(jì)算。劃分塊既可以減少單次塊計(jì)算所需的存儲(chǔ)空間，預(yù)防出現(xiàn)由于內(nèi)存空間不足出現(xiàn)計(jì)算錯(cuò)誤，考慮到分塊處理可以減小每次CPU與GPU的通信數(shù)據(jù)大小，降低通信延遲。在不受限與GPU顯存大小的前提下，一般將圖像劃分為4 096×4 096大小的塊，實(shí)際情況下會(huì)根據(jù)CUDA線程占用的顯存資源動(dòng)態(tài)調(diào)整塊的大小，這會(huì)對(duì)算法產(chǎn)生一定的影響。

輸出圖像大小的計(jì)算、圖像的分塊任務(wù)劃分和顯示等工作都需要CPU來(lái)完成，而GPU則主要負(fù)責(zé)具體分塊后的圖像數(shù)據(jù)的接收以及像元顏色值的計(jì)算。因此在整個(gè)幾何校正的并行方案中，任務(wù)規(guī)劃部分如下：

（1） CPU處理原圖像的角點(diǎn)信息，計(jì)算角點(diǎn)的經(jīng)緯度坐標(biāo)和地理坐標(biāo)，確定整幅圖像涵蓋的經(jīng)度帶。

（2） 根據(jù)四個(gè)角點(diǎn)的地理坐標(biāo)，確定輸出圖像的地理范圍。

（3） 根據(jù)采樣間隔確定輸出圖像的大小，根據(jù)GPU的可計(jì)算規(guī)模，對(duì)需要計(jì)算的數(shù)據(jù)分塊處理，如圖3所示。

CPU在做完任務(wù)規(guī)劃后，接下來(lái)的工作就是按照新的輸出圖像的大小決定分塊計(jì)算的大小，計(jì)算新的輸出圖像分塊需要原圖像數(shù)據(jù)的范圍，并與GPU協(xié)作計(jì)算分塊后的圖像的像素顏色值。

4 并行加速方案及其優(yōu)化

本文采用三種方案對(duì)劃分塊后的采樣點(diǎn)進(jìn)行處理，每個(gè)分塊在處理前在CPU端完成任務(wù)的劃分和數(shù)據(jù)的傳輸工作：

（1） 方案1：在CPU端完成初始化計(jì)算工作后，在CPU端通過(guò)調(diào)用proj庫(kù)函數(shù)，將每個(gè)采樣點(diǎn)的地面坐標(biāo)值轉(zhuǎn)換為經(jīng)緯度坐標(biāo)值，將計(jì)算好的坐標(biāo)值傳到GPU端作下一步計(jì)算。在GPU端，每個(gè)線程獲得需要計(jì)算的采樣點(diǎn)的經(jīng)緯度坐標(biāo)，通過(guò)RPC公式計(jì)算像素坐標(biāo)，最后計(jì)算出點(diǎn)的灰度值。

（2） 方案2：首先對(duì)圖像塊劃分格網(wǎng)，用512×512大小的格網(wǎng)覆蓋4 096×4 096個(gè)采樣點(diǎn)，在CPU端通過(guò)proj庫(kù)計(jì)算格網(wǎng)點(diǎn)經(jīng)緯度坐標(biāo)，并將格網(wǎng)點(diǎn)的經(jīng)緯度坐標(biāo)值傳到GPU端。在GPU端，通過(guò)插值的方法計(jì)算格網(wǎng)內(nèi)部采樣點(diǎn)的經(jīng)緯度，完成非格網(wǎng)點(diǎn)的采樣點(diǎn)坐標(biāo)轉(zhuǎn)換計(jì)算。然后通過(guò)RPC公式計(jì)算像素坐標(biāo)完成第二步計(jì)算，最后計(jì)算出采樣點(diǎn)的灰度值。

（3） 方案3：在CPU端完成簡(jiǎn)單的任務(wù)劃分，然后在GPU端完成第二步計(jì)算和采樣點(diǎn)的重采樣工作。在GPU端使用GeographicLib庫(kù)完成采樣點(diǎn)的第一步坐標(biāo)轉(zhuǎn)換計(jì)算。提取GeographicLib庫(kù)的相關(guān)算法后，在GPU端計(jì)算采樣點(diǎn)的第一步坐標(biāo)轉(zhuǎn)換，完成從地面坐標(biāo)到經(jīng)緯度坐標(biāo)的轉(zhuǎn)換。接下來(lái)完成采樣點(diǎn)的經(jīng)緯度坐標(biāo)到像素坐標(biāo)的計(jì)算轉(zhuǎn)換，最后計(jì)算出采樣點(diǎn)的灰度值。

在上述三種優(yōu)化方案中，第一種方案采樣點(diǎn)的第一步坐標(biāo)轉(zhuǎn)換計(jì)算使用了標(biāo)準(zhǔn)的proj庫(kù)實(shí)現(xiàn)，并將這部分計(jì)算放到CPU端處理。這種方案下計(jì)算精度最高，但是效率也最低，優(yōu)化效果較其他兩種方案相比最差。第二種方案簡(jiǎn)化了第一步的計(jì)算步驟。這種方案下計(jì)算精度最低，但是精度在誤差允許的范圍內(nèi)，而且計(jì)算效率最高，優(yōu)化效果較其他兩種方案最好。第三種方案采用了一種折中的方法，與第二種方案相比，這種方案的計(jì)算精度高，但是計(jì)算復(fù)雜度比插值方法大，因此優(yōu)化效果不如第二種方案效果好。

本文設(shè)計(jì)的方案采用的策略：設(shè)定初始?jí)K大小為4 096×4 096，根據(jù)塊大小計(jì)算CUDA線程占用的顯存資源大小，如果超過(guò)了顯存總量，按照塊邊長(zhǎng)為16的整數(shù)倍的前提[9]，依次減小塊的大小，直到CUDA線程占用的顯存資源小于顯存總數(shù)。

在實(shí)際情況下，有一些圖像是多波段的。所謂多波段是指圖像的像元信息包含多個(gè)光譜信息，例如一幅圖像包含R，G，B三種光譜的顏色信息。在CPU下，通常要將多個(gè)波段依次分開(kāi)計(jì)算。而在使用GPU做計(jì)算時(shí)，可以將多個(gè)波段的信息同時(shí)處理，這樣會(huì)加大使用的CUDA線程數(shù)量，根據(jù)上述分析，需要減小處理塊的大小，使CUDA線程使用的顯存資源不超過(guò)顯存總數(shù)。這樣需要處理塊的數(shù)量就會(huì)增加，由于塊與塊之間采用串行處理，塊的數(shù)量越多，整個(gè)計(jì)算過(guò)程需要花費(fèi)的時(shí)間就越多。因此對(duì)于多波段圖像，整體加速效果會(huì)有所下降。

5 試驗(yàn)結(jié)果與分析

根據(jù)上述針對(duì)幾何校正的并行優(yōu)化方案，本文設(shè)計(jì)了驗(yàn)證實(shí)驗(yàn)并應(yīng)用這些優(yōu)化方案解決原始遙感圖像的幾何校正。實(shí)驗(yàn)數(shù)據(jù)使用了兩幅圖像，一幅圖像大小為6 000×6 000，RBG彩色圖，采樣間隔為10 m，生成圖像大小為7 368×7 007；另一幅圖像大小為12 000×12 000，灰度圖，采樣間隔為5 m，生成圖像大小為14 739×14 019。

實(shí)驗(yàn)采用的平臺(tái)及硬件配置相關(guān)參數(shù)如下：

CPU：Intel?Xeon E5?2670；配置：八核；時(shí)鐘頻率：2.6 GHz；內(nèi)存2.1 GB。

GPU：Tesla M2090；配置：512個(gè)CUDA核心數(shù)量，顯存帶寬177 GB/s，顯存容量為6 GB。

表1列出了兩幅圖像的幾何校正過(guò)程分別在CPU下，以及在CPU?GPU混合架構(gòu)下，采用上述三種方案所得到的處理性能比較。

通過(guò)分析三種優(yōu)化方案的實(shí)驗(yàn)結(jié)果可以看出，采用格網(wǎng)劃分的方法達(dá)到的優(yōu)化效果最明顯，對(duì)于兩幅圖加速比可達(dá)17.08和27.36；使用GeographicLib次之，加速比分別為8.79和10.35；使用proj庫(kù)的效果最差，加速比為4.39和1.96。對(duì)于單波段的大尺寸圖像，采用格網(wǎng)劃分的方法將達(dá)到更加明顯的加速效果，如圖4所示。

從圖4可以看出，多波段的圖像的加速效果要次于單波段的圖像。因?yàn)樵诩铀俣嗖ǘ蔚膱D像中，本文的優(yōu)化方案使用的策略是在GPU端對(duì)多個(gè)波段的圖像像素值同時(shí)進(jìn)行計(jì)算。由于GPU存儲(chǔ)以及傳輸帶寬的限制，多波段圖像在處理的時(shí)候分塊大小比單波段圖像小，因此加速效果不如單波段的圖像明顯。

針對(duì)SIFT算法的并行優(yōu)化方案，本文設(shè)計(jì)了驗(yàn)證實(shí)驗(yàn)并應(yīng)用這些優(yōu)化策略解決SIFT算法。

實(shí)驗(yàn)采用一幅6 000×6 000的圖像。實(shí)驗(yàn)采用的平臺(tái)及硬件配置相關(guān)參數(shù)如下：

CPU：Intel?Xeon E5?2670；配置：八核；時(shí)鐘頻率：2.6 GHz；內(nèi)存2.1 GB。

通過(guò)上述實(shí)驗(yàn)數(shù)據(jù)可知，主方向模值梯度計(jì)算的并行效果較好。主方向模值梯度的計(jì)算采用了大量的像素矩陣之間的運(yùn)算，并且彼此之間獨(dú)立容易分開(kāi)計(jì)算，非常適合CPU?GPU架構(gòu)的并行計(jì)算。

6 結(jié) 論

本文基于RPC模型的遙感成像幾何校正算法的并行加速和基于SIFT特征提取的圖像匹配技術(shù)的并行加速研究，采用了基于數(shù)據(jù)劃分的并行方法在CPU+GPU異構(gòu)體系下，對(duì)遙感圖像的幾何校正和SIFT特征提取算法進(jìn)行了加速。將幾何校正部分和SIFT特征提取部分在CPU+GPU異構(gòu)的環(huán)境下進(jìn)行了并行加速，利用混合編程模型進(jìn)行了并行實(shí)驗(yàn)，取得了良好的實(shí)驗(yàn)效果。限于實(shí)驗(yàn)數(shù)據(jù)以及實(shí)驗(yàn)設(shè)備的原因，本文對(duì)遙感圖像處理算法的并行加速?zèng)]有在大的集群上進(jìn)行驗(yàn)證，只進(jìn)行了小規(guī)模的實(shí)驗(yàn)。今后的工作將在現(xiàn)有的工作基礎(chǔ)上，在CPU+GPU異構(gòu)環(huán)境下對(duì)SIFT特征提取部分的并行加速將在更大規(guī)模的集群上進(jìn)行并行加速研究，將采用更大規(guī)模的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，并分析加速性能。

參考文獻(xiàn)

[1] 李宏寬，楊曉冬，鄒珍軍.基于mpi并行的遙感影像系統(tǒng)級(jí)幾何校正快速處理技術(shù)研究[J].河南工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2011，23（1）：49?52.

[2] 劉仲，邢彬朝，扈嘯.基于yhft?qdsp的并行圖像匹配算法[J].計(jì)算機(jī)工程與科學(xué)，2012，34（4）：47?51.

[3] 盧風(fēng)順，宋君強(qiáng)，銀?？?，等.CPU/GPU協(xié)同并行計(jì)算研究綜述[J].計(jì)算機(jī)科學(xué)，2011，38（3）：5?9.

[4] 趙進(jìn).基于GPU的遙感圖像并行處理算法及其優(yōu)化技術(shù)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2011.

[5] ZHANG Rachel. SIFT特征提取分析[EB/OL].[2012?06?06].http：//blog.csdn.net/abcje nnifer/article/details/7639681.

[6] 戴憲彪，王亮.基于SIFT特征的月面模擬環(huán)境視差估計(jì)[J].計(jì)算機(jī)測(cè)量與控制，2011（12）：3072?3074.

[7] 汪松.基于SIFT算法的圖像匹配方法研究[D].西安：西安電子科技大學(xué)，2013.

[8] 李晶.CPU和GPU協(xié)同運(yùn)算下的DEFLATE算法性能加速研究[D].長(zhǎng)春：吉林大學(xué)，2013.

[9] 張春，楊俊.基于GPU的圖像處理算法研究[J].西南師范大學(xué)（自然科學(xué)版），2014（8）：41?45.