楊肇桐

摘要： 低空航拍可以獲得大比例尺、高精度的影像，具有響應(yīng)時(shí)間短、靈活等優(yōu)點(diǎn)，常用于災(zāi)害應(yīng)急制圖中。同時(shí)，救災(zāi)的緊迫性要求遙感影像能夠被快速處理。在快速處理領(lǐng)域，一般采用分布式集群計(jì)算機(jī)和多核CPU來(lái)獲得大數(shù)據(jù)量和復(fù)雜計(jì)算的加速效果，但其局限性比較大，大集群占用太大物理空間，多核CPU性能難以達(dá)到要求，而可編程圖形處理器（GPU）同時(shí)解決了分布式集群和多核CPU的局限性。特別是近年來(lái)，可編程圖形處理器的并行處理在其他領(lǐng)域得到了很好的應(yīng)用和發(fā)展。因此，研究其在遙感圖像快速處理領(lǐng)域中的應(yīng)用具有重要的現(xiàn)實(shí)意義。

關(guān)鍵詞： GPU;快速處理;錯(cuò)峰調(diào)度;快速傅里葉變換

【中圖分類號(hào)】P37【文獻(xiàn)標(biāo)識(shí)碼】B【文章編號(hào)】1674-3733（2020）15-0226-02

分析GPU的并行可編程性和CUDA編程模型特征，通過(guò)對(duì)遙感影像錯(cuò)峰調(diào)度、快速傅里葉變換和高斯差分算法的CUDA編程設(shè)計(jì)，在GPU上實(shí)現(xiàn)這3種算法的快速并行處理，并與CPU結(jié)果對(duì)比，證明GPU能夠在數(shù)據(jù)精度和CPU保持一致的基礎(chǔ)上大幅縮短遙感影像處理時(shí)間，加速比可以達(dá)到一個(gè)數(shù)量級(jí)。

1影像處理算法分析CUDA設(shè)計(jì)

1.1錯(cuò)峰調(diào)度算法分析優(yōu)化。在改正航攝過(guò)程中，由于航攝軸傾斜、中心投影、大氣折光、地球曲率等因素影響會(huì)產(chǎn)生影像幾何變形問(wèn)題。錯(cuò)峰調(diào)度算法模型在進(jìn)行共線方程計(jì)算像點(diǎn)坐標(biāo)、灰度插值這兩個(gè)有大量迭代和計(jì)算的作業(yè)中，可通過(guò)選擇適合的作業(yè)啟動(dòng)時(shí)間，實(shí)現(xiàn)不同作業(yè)高低峰負(fù)載的交叉重疊，以充分利用計(jì)算資源。

如圖1所示，在共線方程和灰度插值迭代過(guò)程中，每一步參與計(jì)算的頂點(diǎn)的數(shù)目是動(dòng)態(tài)變化的，因此計(jì)算負(fù)載會(huì)出現(xiàn)三類變化。（1）漸降類，迭代初始階段，所有頂點(diǎn)均參與計(jì)算，但在后續(xù)迭代計(jì)算過(guò)程中，參與計(jì)算的頂點(diǎn)數(shù)目呈逐漸下降趨勢(shì);（2）循環(huán)類，圖中頂點(diǎn)被分組，組內(nèi)頂點(diǎn)在一個(gè)迭代步內(nèi)處理，組間頂點(diǎn)在不同步內(nèi)處理，故計(jì)算負(fù)載循環(huán)變化;（3）拋物線類，頂點(diǎn)參與計(jì)算的時(shí)間點(diǎn)與圖的遍歷過(guò)程緊密相關(guān)，計(jì)算負(fù)載呈現(xiàn)單調(diào)漸變特性。三種圖算法類的差異化的頂點(diǎn)收斂速度為

這三種變化會(huì)導(dǎo)致GPU計(jì)算負(fù)載低的時(shí)候，很多線程處于空轉(zhuǎn)狀態(tài)。可通過(guò)CUDA編程模型對(duì)共線方程和灰度插值作業(yè)的準(zhǔn)確分類和調(diào)度啟動(dòng)時(shí)間的準(zhǔn)確計(jì)算，實(shí)現(xiàn)在基于GPU的影像幾何糾正過(guò)程中對(duì)于大量遙感影像數(shù)據(jù)的快速處理。

1.2快速傅里葉變換算法分析。快速傅里葉變換（fast Fourier transform，F(xiàn)FT）的基本思想是利用DFT旋轉(zhuǎn)因子的周期性和對(duì)稱性，使長(zhǎng)序列的DFT分解為更小長(zhǎng)度的DFT，然后利用這些小的DFT計(jì)算來(lái)代替大的DFT計(jì)算，從而達(dá)到提高效率的目的。FFT算法在CPU端主要的費(fèi)時(shí)操作是因?yàn)橄穹?、循環(huán)次數(shù)多、計(jì)算較為復(fù)雜。設(shè)x（n）為長(zhǎng)度為N的有限長(zhǎng)序列，則其離散傅里葉正變換（DFT）為;

式中，稱為旋轉(zhuǎn)因子或蝶形因子。通過(guò)兩次調(diào)用一維快速傅里葉變換即可實(shí)現(xiàn)二維快速傅里葉變換。二維快速傅里葉變換的輸入相當(dāng)于一個(gè)M行N列的復(fù)數(shù)矩陣，對(duì)其每行進(jìn)行一維快速傅里葉變換，再對(duì)其每列進(jìn)行一維快速傅里葉變換，這樣就達(dá)到了變換的目的。根據(jù)以上算法分析，每一個(gè)像素都要依次進(jìn)行行列各一次DFT變換。此算法具有相對(duì)的數(shù)據(jù)獨(dú)立性，可以利用GPU并行處理技術(shù)，適合CUDA編程模型。本試驗(yàn)編程調(diào)用了CUFFT函數(shù)庫(kù)。CUDA提供了封裝好的CUFFT庫(kù)，它提供了與CPU上的FFTW庫(kù)相似的接口，能夠讓使用者輕易地挖掘GPU的強(qiáng)大浮點(diǎn)處理能力，不用自己去實(shí)現(xiàn)專門的FFT內(nèi)核函數(shù)。使用者通過(guò)調(diào)用CUFFT庫(kù)的API函數(shù)，即可完成FFT變換。

1.3高斯差分算法分析設(shè)計(jì)。高斯差分是SIFT匹配算法的關(guān)鍵步驟，它包括影像空間域卷積和生成DOG影像。影像空間域卷積算法簡(jiǎn)單，即用一個(gè)窗口模板移動(dòng)來(lái)平滑整幅影像;再把不同卷積模板卷積的影像對(duì)應(yīng)位置相減即得到高斯差分圖像。高斯差分算法在CPU端所需時(shí)間主要還是消耗在大量的循環(huán)和復(fù)雜的計(jì)算中。本次試驗(yàn)算法決定使用5幅卷積圖像生成1組4層高斯差分影像。為了簡(jiǎn)便算法，設(shè)計(jì)把二維卷積變換為先行卷積再列卷積，再利用卷積圖像相減得到差分圖像。根據(jù)以上算法分析，每一個(gè)像素點(diǎn)都要先行卷積再列卷積，再對(duì)應(yīng)位置相減。此過(guò)程具有天然的數(shù)據(jù)獨(dú)立性，非常適合GPU并行CUDA編程模型。根據(jù)高斯差分算法分析和CUDA編程模型，整個(gè)算法的實(shí)現(xiàn)流程如下：（1）CPU讀入影像，生成卷積模板;（2）CPU把影像和模板數(shù)據(jù)開(kāi)辟，并拷貝顯存空間，影像放入全局存儲(chǔ)器，采用合并訪存的方式訪問(wèn)，因?yàn)槟０寰哂兄貜?fù)使用性和不改變性，所以放入共享存儲(chǔ)器來(lái)提高訪問(wèn)速度，另外還需在全局存儲(chǔ)器中開(kāi)辟5幅中間影像空間和5幅高斯差分結(jié)果空間;（3）在GPU端，為了確保列變換之前行變換已完成，采用CUDA中的流控制來(lái)依次啟動(dòng)行列兩個(gè)卷積Kernel函數(shù)，利用CUDA編程模型的多線程并行處理技術(shù)來(lái)拆分多次循環(huán)，卷積在各線程內(nèi)部進(jìn)行，每個(gè)線程負(fù)責(zé)一個(gè)像素點(diǎn)的相減;（4）在CPU端把4幅高斯差分影像拷貝到內(nèi)存，釋放各種GPU存儲(chǔ)器資源，并將差分影像寫入硬盤。

2CUDA試驗(yàn)及精度時(shí)間分析

2.1試驗(yàn)環(huán)境。為了更有效地說(shuō)明圖形處理器在遙感影像快速處理領(lǐng)域的作用，所有編程試驗(yàn)均在統(tǒng)一的電腦配置環(huán)境下進(jìn)行，除了添加一個(gè)GPU Quadro4000顯卡外，其余配置都和經(jīng)典編程環(huán)境一致。算法實(shí)現(xiàn)的主要硬件平臺(tái)：青島海洋科學(xué)與技術(shù)-高性能計(jì)算中心提供GPU服務(wù)器（GPU計(jì)算節(jié)點(diǎn)8臺(tái)，每節(jié)點(diǎn)配置：2顆Intel Xeon E5-2680v4十四核處理器，主頻2.4GHz，256GB DDR4內(nèi)存，4個(gè)Nvidia Kepler K40M GPU加速卡）。算法依賴的主要軟件平臺(tái)：Windows 10、Visual Studio 2019、 NVIDIA GPU Computing Toolkit（CUDA 10）、FFTW和CUFFT函數(shù)庫(kù)。為了更好地體現(xiàn)圖形處理器的性能，不僅要對(duì)多幅不同像幅的原始遙感影像進(jìn)行處理，還要分析算法在CPU和GPU上運(yùn)算數(shù)據(jù)精度和時(shí)間的差異。

2.2CPU與GPU數(shù)據(jù)精度分析。由于CPU和GPU由不同的處理單元組成，對(duì)單浮點(diǎn)和雙浮點(diǎn)類型的支持可能不同，因此有可能會(huì)造成除法保留的小數(shù)位不同，最終造成影像灰度級(jí)別的差異。同時(shí)，由于算法必須為適合CUDA統(tǒng)一編程模型而作適當(dāng)?shù)男薷?，同樣可能存在差異，因此必須?duì)比它們的數(shù)據(jù)精度。在此，僅以單波段正射糾正為例，將基于CPU和GPU獲得的影像進(jìn)行數(shù)據(jù)精度分析，統(tǒng)計(jì)兩者的差異。

2.3CPU與GPU時(shí)間分析。為了更加充分地說(shuō)明GPU加速遙感影像處理的能力，采用像幅大小分別為1024像素×1024像素、2048像素×2048像素、4096像素×4096像素的遙感影像進(jìn)行時(shí)間統(tǒng)計(jì)對(duì)比分析。正射糾正的最高加速比為1947/377=5.16;FFT的最高加速比為2453/233=10.53;高斯差分的最高加速比為3057/330=9.26。GPU處理遙感影像的加速比隨著像幅的增大而增加，這說(shuō)明在不超過(guò)GPU存儲(chǔ)單元容量的條件下，遙感影像數(shù)據(jù)量越大越能體現(xiàn)GPU的加速效果，也能得到更大的加速比。僅從表1處理時(shí)間上分析，利用GPU并行處理技術(shù)可以在4096像素×4096像素像幅的情況下獲得比CPU串行高達(dá)一個(gè)量級(jí)的加速比，向影像快速處理邁進(jìn)了重要一步。

總之，GPU能夠在影像正射糾正、快速傅里葉變換和高斯差分方面得到明顯的加速，并能夠在數(shù)據(jù)精度上與CPU保持一致的情況下，大幅提高遙感影像的處理速度。遙感影像處理是針對(duì)像素的操作，數(shù)據(jù)處理具有以下特點(diǎn)：數(shù)據(jù)量大、計(jì)算復(fù)雜、處理方法固定、處理方法具有內(nèi)在的并行特性等。遙感影像處理的這些特點(diǎn)決定了它適合于GPU的并行處理架構(gòu)和CUDA編程模型。認(rèn)為利用GPU技術(shù)能夠?qū)崿F(xiàn)遙感圖像快速處理領(lǐng)域的巨大飛躍。

參考文獻(xiàn)

[1]張艷萍.遙感圖像并行處理算法的研究與應(yīng)用.2018.

[2]劉宏宇.關(guān)于基于可編程GPU的遙感影像快速處理研究.2019.