張戰(zhàn)偉，劉培明，趙 熹

(1.山東明嘉勘察測繪有限公司,山東 淄博 255086; 2.中國礦業(yè)大學環(huán)境與測繪學院,江蘇 徐州 221116)

遙感技術(shù)在多個方面得到了應用,特別是近年來衛(wèi)星遙感的快速發(fā)展,衛(wèi)星傳感器采樣精度、細度、頻率不斷提升[1]。衛(wèi)星遙感數(shù)據(jù)的應用不斷拓展,多源衛(wèi)星遙感數(shù)據(jù)的融合應用需求及場景也越來越多[2]。這些遙感數(shù)據(jù)的應用需要統(tǒng)一的空間數(shù)據(jù)基準,遙感影像的幾何校正是其中一項重要的處理任務,基于三角網(wǎng)進行遙感影像幾何校正是常有方式[3-4]。伴隨長時間序列、高分辨率影像及實時性強的處理需求,快速的遙感影像幾何校正處理算法的重要性更加突出。

遙感數(shù)據(jù)的處理效率提升的手段可以概括為兩個方面:一是增加硬件計算資源,目前云計算、超級計算機、計算機集群等技術(shù)均是該范疇;二是提高算法并行度及代碼質(zhì)量,主要包括多核CPU并行、GPU并行、代碼優(yōu)化、算法優(yōu)化等方法。本文從第二個角度開展研究,采用的具體技術(shù)包括OpenMP,GPU通用計算、代碼優(yōu)化等。OpenMP是一種編程模型,其具有復雜度低、移植性好等優(yōu)點,可方便的實現(xiàn)代碼并行及多線程化。隨著多核CPU的應用,很多研究人員選擇OpenMP實現(xiàn)遙感數(shù)據(jù)多核CPU并行處理算法[5-6]。圖形處理單元(GPU)具有算力強、體積小、能耗低等優(yōu)點,目前是遙感數(shù)據(jù)處理優(yōu)先選擇的計算機硬件,GPU在遙感數(shù)據(jù)校正、融合、識別、分類等諸多方面得到廣泛應用[7-9]。為了推動GPU在通用計算中的應用,Nvidia在2006年推出CUDA編程框架并進行了持續(xù)完善,使其成為通用GPU編程的主要工具,此外OpenCL,C++AMP也可用于通用GPU編程。代碼優(yōu)化,通過高效的編碼語句、合理的數(shù)據(jù)結(jié)構(gòu)、科學的邏輯控制來提升代碼質(zhì)量,常有的代碼優(yōu)化方法包括代碼外提、變量歸納、循環(huán)展開、常量合并、數(shù)據(jù)重用[10],其不依賴具體計算機硬件,優(yōu)化方法可以在算法運行全流程中發(fā)揮作用[11]。

目前針對基于三角網(wǎng)遙感影像幾何校正并行算法設計及優(yōu)化相關(guān)的研究較少,因此為了提升遙感影像幾何校正的處理效率,本文從CPU并行、GPU并行、數(shù)據(jù)結(jié)構(gòu)優(yōu)化、處理算法編碼優(yōu)化等角度對基于三角網(wǎng)遙感影像幾何校正算法進行了研究。

1 算法設計及優(yōu)化

1.1 并行算法設計

基于三角網(wǎng)的遙感影像幾何校正算法核心步驟包括三個部分:點坐標初始化、三角網(wǎng)變換參數(shù)計算、坐標關(guān)系映射,算法其他主要流程還包括影像基本信息獲取、坐標經(jīng)度值及緯度值獲取、目標(成果)影像參數(shù)計算、影像坐標信息計算、目標影像文件寫入。

本文并行算法圍繞著基于三角網(wǎng)遙感影像幾何校正算法的三個核心步驟設計,根據(jù)計算硬件特點,面向多核CPU及GPU分別設計,圖1為算法設計的整體框架。

1)多核CPU采用OpenMP編程接口實現(xiàn)算法并行,本文設計了點坐標初始化、三角網(wǎng)變換參數(shù)計算、坐標關(guān)系映射三個函數(shù),每個函數(shù)均根據(jù)影像特點采用兩層for循環(huán)結(jié)構(gòu),在外層循環(huán)嵌入for循環(huán)并行控制語句。2)GPU采用CUDA實現(xiàn)算法并行,算法包括數(shù)據(jù)拷貝(主機到設備、設備到主機)及三個核函數(shù)。算法并行設計體現(xiàn)在三個核函數(shù)中,包括點坐標初始化、三角網(wǎng)變換參數(shù)計算、坐標關(guān)系映射三個函數(shù)。

1.2 算法實現(xiàn)

基于三角網(wǎng)遙感影像幾何校正算法的實現(xiàn),關(guān)鍵算法包括三角網(wǎng)生成、幾何變換關(guān)系計算、像素點歸屬判斷、像素值計算、影像生成等。

1)三角網(wǎng)生成:根據(jù)不同坐標系統(tǒng)下的控制點坐標信息,采用Delaunay三角剖分算法構(gòu)建三角網(wǎng)。2)幾何變換關(guān)系計算:基于生成的三角網(wǎng),使用仿射變換分別計算每個三角形的幾何變換關(guān)系。每個三角形具有唯一的變換關(guān)系,可以將衛(wèi)星影像上的像素點映射到地理坐標系中的對應位置。3)像素點歸屬判斷:遍歷衛(wèi)星影像上的每個像素點,采用重心法確定其歸屬于哪個三角形。4)像素值計算:根據(jù)像素點所屬的三角形,將該三角形的變換關(guān)系應用于該像素,計算其在目標坐標系中的對應位置,采用雙線性插值計算像素值。5)校正影像生成:將變換后的像素點坐標和像素值填充到新的柵格數(shù)據(jù)中,生成校正后的衛(wèi)星影像利用基于三角網(wǎng)進行遙感影像幾何校正的方法,針對不同的區(qū)域具有不同的變換關(guān)系,由于每個三角形都有獨立的變換關(guān)系,因此該方法能夠應用于不規(guī)則形變的影像。

1.3 GPU并行算法

本文基于CUDA實現(xiàn)基于三角網(wǎng)遙感影像幾何校正GPU并行算法,算法1為偽代碼,見圖2。

1)定義控制點和三角網(wǎng)結(jié)構(gòu):ControlPoint和Triangle結(jié)構(gòu)用于存儲控制點以及它們之間的三角網(wǎng)關(guān)系。2)實現(xiàn)并行變換核函數(shù):核函數(shù)(apply_transformation_kernel)并行處理影像中的每個像素?；诰€程索引計算像素坐標,然后遍歷三角剖分,尋找包含當前像素坐標的三角形。找到對應三角形后,計算仿射變換關(guān)系并應用于當前像素坐標,得到新的坐標。最后,使用插值方法計算像素值。3)設置參數(shù):設置核函數(shù)參數(shù),包括blockDim和gridDim,合理的設置參數(shù)能夠充分利用GPU資源,提高影像幾何校正的執(zhí)行速度。4)設計輔助函數(shù):包括像素點歸屬判斷函數(shù)(is_point_inside_triangl)、仿射變換計算函數(shù)(compute_affine_transformation)和像素插值計算函數(shù)(interpolate_pixel_value)。

1.4 代碼優(yōu)化

不同的代碼編寫方法會導致算法執(zhí)行時間的明顯區(qū)別,代碼優(yōu)化策略需要根據(jù)不同算法進行有針對性的設計。本文從訪問及存儲優(yōu)化、代碼邏輯優(yōu)化兩個方面進一步對并行算法的代碼進行優(yōu)化。

1)訪問及存儲優(yōu)化。采用結(jié)構(gòu)體及嵌套來描述及傳遞坐標點及三角網(wǎng)信息值,通過精簡算法過程數(shù)據(jù)的結(jié)構(gòu),降低內(nèi)存占用量和傳輸量,從而減少無效信息、降低冗余。此外,在內(nèi)存組織形式上進行了優(yōu)化,采用同類數(shù)據(jù)就近聚合策略,實現(xiàn)內(nèi)存合并訪問,從而進一步降低訪存成本。2)代碼邏輯優(yōu)化。代碼邏輯優(yōu)化是針對具體處理方法編碼進行的優(yōu)化,優(yōu)化策略更有針對性,雖然優(yōu)化方法可移植性價值不高,但是優(yōu)化邏輯可以作為其他處理方法的參考。在點坐標與三角網(wǎng)空間位置關(guān)系判斷實現(xiàn)過程中,采用同類項合并設計方案,具體包括函數(shù)合并及循環(huán)合并優(yōu)化,降低循環(huán)復雜度及計算復雜度,從而減少冗余操作。

2 實驗及分析

2.1 實驗數(shù)據(jù)及環(huán)境

實驗使用MODIS(Moderate-resolution Imaging Spectroradiometer)數(shù)據(jù),MODIS是美國宇航局研制的大型空間遙感儀器,包括Terra,Aqua衛(wèi)星,該數(shù)據(jù)具有廣泛的用途,可用于地球表面溫度、陸地覆蓋、云層、氣溶膠、水蒸氣、溫度分布和森林火災等方面。圖3為本文實驗使用的MODIS遙感影像數(shù)據(jù),其中圖3(a)為原始影像,圖3(b)為幾何校正后的影像。

實驗投入的計算機硬件具體配置:CPU為Intel Core i7-9700 (3.0 GHz, 8 CPUs);顯卡為NVIDIA GeForce GTX 1660,顯存容量6 GB;內(nèi)存容量為8 GB;磁盤分別為HDD及SSD,其中HDD轉(zhuǎn)速7 200 rpm,SATA3.0接口、緩存64MB,SSD讀取速度3 500 MB/S、寫入速度3 000 MB/S。

2.2 實驗結(jié)果分析

本文針對不同的影像大小進行了實驗,影像大小介于33 MB～864 MB之間。對多核CPU及GPU并行計算運行時間進行了統(tǒng)計,并與單線程算法進行了對比。本文采用加速比評價并行算法的加速效果,加速比計算如式(1)所示。

(1)

其中,S為加速比;T1為單線程算法的執(zhí)行時間;T為并行算法的執(zhí)行時間。

表1為不同影像大小在不同硬件方案下的運行時間及多核CPU,GPU相對單線程的加速比結(jié)果,圖4為不同影像大小情況下影像計算時間及總體處理時間的統(tǒng)計及對比結(jié)果。

表1 不同計算方案統(tǒng)計結(jié)果 s

從表1,圖4可以看出,當采用8核CPU時,多核CPU并行算法獲得了4.35x-6.43x的加速比;GPU并行算法獲得了1.32x-15.93x的加速比,且隨著影像大小的增加,加速效果越明顯,其中當影像大小為863 MB時,獲得了15.93x的加速比。此外,從圖4可以看出計算部分的加速效果要明顯優(yōu)于數(shù)據(jù)處理整體時間的加速效果,主要原因是讀、寫部分執(zhí)行時間的影響,為了系統(tǒng)分析讀、寫及計算的時間成本,本文進行了多組實驗,如表2所示。

表2 不同方案數(shù)據(jù)處理時間對比結(jié)果

表2為影像大小486 MB時不同硬件方案數(shù)據(jù)處理時間的統(tǒng)計結(jié)果。從表2可以看出讀(I)、寫(O)的執(zhí)行時間占比相對較大,因此造成整體加速效果不是非常明顯,主要原因是影像校正算法屬于訪存密集型任務,主要瓶頸受制于內(nèi)存帶寬及I/O效率,大量耗時操作用于數(shù)據(jù)傳遞。從表2可以看出SSD相對HDD在I/O方面具有明顯優(yōu)勢,因此在并行算法執(zhí)行時可以優(yōu)先選擇SSD。雖然I/O影響了基于三角網(wǎng)的遙感影像幾何校正并行算法的加速效果,但是相對單線程算法,多核CPU及GPU并行算法仍獲得了明顯的加速效果,特別是GPU并行算法,影像數(shù)據(jù)量越大加速效果越明顯。

3 結(jié)論

本文以提升遙感影像幾何校正的處理效率為目標,從并行算法設計、代碼優(yōu)化角度對基于三角網(wǎng)的遙感影像幾何校正算法進行了研究,經(jīng)過多組實驗分析,得到了較為理想的加速效果。本文的主要貢獻如下:

1)基于CUDA實現(xiàn)了基于三角網(wǎng)遙感影像幾何校正GPU并行算法,當影像大小為863 MB時,獲得了15.93x的加速比。

2)基于OpenMP實現(xiàn)了基于三角網(wǎng)遙感影像幾何校正多核CPU并行算法,當采用8核CPU時,獲得了4.35x-6.43x的加速比。

3)在數(shù)據(jù)結(jié)構(gòu)體優(yōu)化、常量合并、循環(huán)體優(yōu)化等方面對算法代碼進行了優(yōu)化,獲得了較為明顯的加速效果。

由于遙感影像幾何校正計算復雜度相對較低,數(shù)據(jù)的I/O成本相對計算成本比例較高,從而導致并行算法加速的綜合效率提升并不明顯,因此如何縮短遙感數(shù)據(jù)的I/O時間,降低I/O成本是需要研究的內(nèi)容。下一步,本文將基于GPU多流、疊加I/O及計算等技術(shù)或策略開展相關(guān)研究,以進一步提升遙感數(shù)據(jù)處理的整體效率。