基于GPU的遙感圖像融合并行算法研究

趙 進(jìn)，劉昌明，宋 峰，張麗萍

(1.海軍計(jì)算技術(shù)研究所，北京100086;2.68310部隊(duì),陜西 西安710600；3.91731部隊(duì)，北京102200）

隨著遙感傳感器技術(shù)的發(fā)展，獲取遙感數(shù)據(jù)的方式已經(jīng)由單一可見(jiàn)光模式發(fā)展成多種傳感器模式。每一種傳感方式獲取的數(shù)據(jù)信息相對(duì)單一，融合不同傳感方式獲取的數(shù)據(jù)信息可以有效提高數(shù)據(jù)信息量，提供更為精確的遙感圖像信息。

POHL C和GENDEREN J L[1]對(duì)圖像融合給出了如下定義：通過(guò)特定算法將兩幅或多幅圖像合成一幅新的圖像。圖像融合可以分為像素級(jí)、特征級(jí)和決策級(jí)3個(gè)層次，其中像素級(jí)融合需要處理的數(shù)據(jù)量最大,計(jì)算過(guò)程也最復(fù)雜。隨著遙感圖像的時(shí)間、空間和光譜分辨率逐步提高，融合算法處理結(jié)果的精度要求同時(shí)在逐步提高，導(dǎo)致圖像融合的處理速度需求逐步增大，計(jì)算量大、計(jì)算過(guò)程復(fù)雜的遙感圖像融合在處理速度上面臨著新的問(wèn)題與挑戰(zhàn)。近幾年來(lái)，基于GPU的異構(gòu)平臺(tái)在通用計(jì)算領(lǐng)域得到快速發(fā)展，已經(jīng)在許多方面得到了有效應(yīng)用[2-4]，為遙感圖像融合快速處理技術(shù)研究提供了新的思路。

結(jié)合CPU-GPU異構(gòu)平臺(tái)面向通用計(jì)算領(lǐng)域的性能優(yōu)勢(shì)，針對(duì)遙感圖像融合面臨的處理速度問(wèn)題，通過(guò)分析圖像融合處理過(guò)程的特點(diǎn)，將像素級(jí)融合的BROVEY變換和YIQ變換融合算法在基于GPU平臺(tái)上進(jìn)行了并行研究與實(shí)驗(yàn)，獲得了突出的性能。

1 研究背景

1.1 CUDA編程模型

NVIDIA公司的CUDA[5]語(yǔ)言是基于C語(yǔ)言的擴(kuò)展，主要使用API調(diào)用底層功能進(jìn)行處理與計(jì)算，使熟悉C語(yǔ)言的編程人員能夠快速運(yùn)用CUDA開(kāi)發(fā)通用計(jì)算程序。在CUDA結(jié)構(gòu)中，CPU端被稱為Host，GPU端被稱為 Device，采用 SIMT(Single Instruction Multiple Thread)模式執(zhí)行程序[5]。用戶把可以放在GPU上并行執(zhí)行的程序組織稱為Kernel內(nèi)核程序。在CPU端執(zhí)行的程序稱為Host宿主程序，控制Kernel的啟動(dòng)、加載或保存與 GPU的通信數(shù)據(jù)，以及執(zhí)行部分的串行計(jì)算。Device端在執(zhí)行時(shí)創(chuàng)建很多的并行線程Thread，線程組織成線程塊Block，而 Block再組成網(wǎng)格 Grid。每個(gè) Thread執(zhí)行自己的程序Kernel，Block內(nèi)的線程通過(guò)共享存儲(chǔ)器(Shared Memory)分享數(shù)據(jù)。并行線程通過(guò)GPU上的眾多計(jì)算內(nèi)核實(shí)現(xiàn)并行處理，實(shí)現(xiàn)整個(gè)程序的性能加速[5]。

1.2 兩種典型的像素級(jí)融合算法

遙感圖像融合在遙感圖像配準(zhǔn)基礎(chǔ)上進(jìn)行，待融合的兩幅遙感圖像具有相同大小，每個(gè)像素點(diǎn)的融合或是獨(dú)立執(zhí)行，或者只需要少量周圍像素點(diǎn)數(shù)據(jù)協(xié)助執(zhí)行。

1.2.1 BROVEY變換融合算法

BROVEY變換融合算法[6]是一種基于色度的變換，屬于彩色空間的方法。它是將多光譜的色彩空間進(jìn)行分解得到色彩與亮度，再用其全色圖像進(jìn)行計(jì)算。這種算法像素點(diǎn)彼此單獨(dú)執(zhí)行，具有良好的并行性，算法執(zhí)行簡(jiǎn)單，在保留了較多光譜信息的同時(shí)，也具有較快的處理速度。

1.2.2 YIQ變換融合算法

YIQ顏色系統(tǒng)是一種用于電視信號(hào)傳輸NTSC制式的彩色編碼系統(tǒng)。其中，Y對(duì)應(yīng)亮度信息，I、Q分量反映圖像與硬件相關(guān)的彩色信息。YIQ變換融合算法[7]屬于彩色空間的方法，計(jì)算較為復(fù)雜，像素點(diǎn)在變換到Y(jié)IQ分量后，需要使用直方圖匹配，具有一定的并行性。

2 并行設(shè)計(jì)及優(yōu)化實(shí)現(xiàn)

2.1 優(yōu)化策略

2.1.1 數(shù)據(jù)異步傳輸

遙感圖像融合CUDA并行計(jì)算程序在CPU-GPU異構(gòu)平臺(tái)上執(zhí)行，該平臺(tái)上CPU與GPU工作任務(wù)不同。CPU為GPU準(zhǔn)備執(zhí)行數(shù)據(jù)，同時(shí)執(zhí)行邏輯控制等復(fù)雜事務(wù)。CPU加載數(shù)據(jù)時(shí)，采用同步方式啟動(dòng)傳輸指令；傳遞數(shù)據(jù)時(shí)，CPU處于空閑狀態(tài)，計(jì)算資源不能得到充分利用。優(yōu)化時(shí)CPU采用異步方式傳輸數(shù)據(jù)，啟動(dòng)傳輸指令后直接進(jìn)行后續(xù)事務(wù)處理，使CPU執(zhí)行與加載數(shù)據(jù)重疊，提高資源利用率。

坐標(biāo)轉(zhuǎn)換矩陣在運(yùn)動(dòng)學(xué)中是用4×4矩陣來(lái)描述兩個(gè)剛體的空間幾何關(guān)系?；趲缀巫儎?dòng)在裝配體中的傳遞方式，本文用坐標(biāo)轉(zhuǎn)換矩陣來(lái)表達(dá)零件間特征或要素間的幾何關(guān)系。兩個(gè)不同坐標(biāo)系之間的平移和旋轉(zhuǎn)關(guān)系可用轉(zhuǎn)換矩陣T表示[5]：

2.1.2 訪存優(yōu)化

GPU線程對(duì)全局存儲(chǔ)器(Global Memory)進(jìn)行一次訪存需要400～600個(gè)時(shí)鐘周期,對(duì)共享存儲(chǔ)器(Shared Memory)、寄存器(Register)等快速存儲(chǔ)部件訪存一次只需要 4個(gè)左右的時(shí)鐘周期。優(yōu)化時(shí)充分利用GPU顯存中的多層次存儲(chǔ)部件，發(fā)揮快速存儲(chǔ)部件讀取數(shù)據(jù)優(yōu)勢(shì)，最大化提高執(zhí)行性能。

2.2 融合算法的CUDA并行實(shí)現(xiàn)

綜合融合算法CUDA優(yōu)化策略，進(jìn)行融合算法CUDA程序并行設(shè)計(jì)與實(shí)現(xiàn)時(shí)，重點(diǎn)研究以下問(wèn)題。

2.2.1 線程塊參數(shù)與網(wǎng)格參數(shù)的設(shè)置

CPU-GPU異構(gòu)計(jì)算模式中，每個(gè)線程塊只能擁有有限線程數(shù),每個(gè)流處理單元SP最多可同時(shí)執(zhí)行256整數(shù)倍線程,根據(jù)遙感圖像數(shù)據(jù)以二維方式組織的特點(diǎn)，將塊Block設(shè)置為16×16二維形式，每個(gè)塊有256個(gè)線程，使每個(gè)SP單元能夠滿負(fù)載執(zhí)行，最大限度地提高資源利用率。設(shè)計(jì)實(shí)現(xiàn)時(shí)，線程網(wǎng)格大小的設(shè)置與圖像大小有關(guān)，網(wǎng)格的寬度設(shè)置成(imagewidth+dimBlock.x-1)/dimBlock.x,高度設(shè)置成(imageheight+dimBlock.y-1)/dim-Block.y，保證線程塊是一個(gè)整數(shù)。線程塊規(guī)模與遙感圖像規(guī)模有關(guān)，與GPU處理核心數(shù)量無(wú)關(guān)。這樣同一問(wèn)題能夠在不同型號(hào)的GPU上執(zhí)行，形成CUDA并行程序良好的可移植性。

2.2.2 線程網(wǎng)格規(guī)模大于圖像規(guī)模

令i為線程網(wǎng)格寬度索引號(hào)，j為線程網(wǎng)格高度索引號(hào)，imagewidth為圖像寬度，imageheight為圖像高度。通過(guò) 加 入 if（i＜imagewidth&&j＜ imageheight） 語(yǔ) 句 控 制 線 程執(zhí)行對(duì)應(yīng)像素點(diǎn)?？?qǐng)?zhí)行線程最多可以為255×I+255×J-255×255個(gè)，其中，I是線程網(wǎng)格的寬度，J是線程網(wǎng)格的高度。與具有的大量執(zhí)行線程相比，空?qǐng)?zhí)行線程占很小比例，幾乎不需要執(zhí)行時(shí)間。與并行加速獲取的提升時(shí)間相比，空?qǐng)?zhí)行少量線程浪費(fèi)的時(shí)間可以忽略。

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)硬件為：Inter(CR)Core(TM)i5四核2.67GHz CPU，2 GB內(nèi)存,NVIDIA GeForce GTX 460 GPU，1GB顯存，336個(gè)SP計(jì)算單元。操作系統(tǒng)為L(zhǎng)inux Ubuntu 10.10，串行程序?yàn)镃語(yǔ)言實(shí)現(xiàn)的標(biāo)準(zhǔn)程序。融合的圖像是IKONOS掃描北京故宮的遙感衛(wèi)星圖像。

(1)CPU-GPU異構(gòu)計(jì)算平臺(tái)擁有更多的計(jì)算資源，使Texecute＜TCPU。

(2)圖像規(guī)模與算法計(jì)算復(fù)雜度都較小時(shí)，Tallocate＞(TCPU-Texecute)，出現(xiàn)CPU-GPU異構(gòu)平臺(tái)并行執(zhí)行時(shí)間大于CPU串行執(zhí)行，性能下降。隨著圖像規(guī)模與算法計(jì)算復(fù)雜度某一項(xiàng)或同時(shí)增加出現(xiàn) Tallocate＜(TCPU-Texecute)， 總執(zhí)行時(shí)間在CPU-GPU異構(gòu)平臺(tái)上得到加速。

(3)在相同的計(jì)算復(fù)雜度下，圖像規(guī)模使GPU計(jì)算核心執(zhí)行達(dá)到飽和時(shí)，speedupexecute趨于穩(wěn)定甚至下降。但因?yàn)橛?jì)算資源的優(yōu)勢(shì)，總加速性能仍有提升。

對(duì)于融合算法CUDA的并行執(zhí)行，定義為：

兩種融合CUDA程序中Tallocate與Texecute的關(guān)系如圖2所示。

從圖中可以看出,圖像規(guī)模(如 256×256和 512×512)小時(shí),Pexecute小，算法計(jì)算復(fù)雜度的不同導(dǎo)致加速比出現(xiàn)不同情況。因此,為進(jìn)一步提升加速性能,融合算法CUDA并行執(zhí)行需要最大化地提高Pexecute。

從實(shí)驗(yàn)結(jié)果可以得到，隨著算法計(jì)算復(fù)雜度與問(wèn)題規(guī)模的增大，加速性能逐漸增加。實(shí)驗(yàn)表明，GPU并行處理能夠很好地應(yīng)用于遙感圖像融合的算法，將GPU應(yīng)用到遙感加速處理領(lǐng)域具有很好的應(yīng)用前景。

本文從遙感圖像融合處理背景出發(fā)，闡述了研究融合處理加速的意義，然后針對(duì)近些年興起的CPU-GPU異構(gòu)加速平臺(tái)，對(duì)BROVEY變換和YIQ變換遙感圖像融合算法進(jìn)行了CUDA并行優(yōu)化實(shí)現(xiàn)。研究表明，GPU通用計(jì)算技術(shù)在遙感圖像融合領(lǐng)域具有廣闊的應(yīng)用前景。

[1]POHL C,Van Genderen J L.Multisensor image fusion in remote sensing:concepts,methods and applications[J].International Journal of Remote Sensing,1998,19(5):823-854.

[2]OWENS J,LUEBKE D,GOVINDARAJU N,et al.A survey of general-purpose computation on graphics hardware[J].Computer Graphics Forum,2007,26(1):80-113.

[3]GARLAND M,GRAND S,NICKOLLS J,et al.Parallel computing experiences with CUDA[J].IEEE Micro,2008,28(4):13-27.

[4]LAHABAR S,AGRAWAL P,NARAYANAN P J.High performance pattern recognition on GPU[J].National Conference on Computer Vision Pattern Recognition Image Processing and Graphics,2008:154-159.

[5]NVIDIA.NVIDIA CUDA compute unified device architecture,Programming Guide,Version 2.0.NVIDIA,2008.[EB/OL].http//www.nvidia.com/object/cude_home_new.htm l.

[6]GILLESPIE A R,KAHLE A B,WALKER R E.Color enhancement of highly correlated images-II.channel ratio and chromaticity transformation techniques[J].Remote Sensing of Environment,1987,22:343-365.

[7]Dong Guangjun,Huang Xiaobo,Dai Chenguang.Comparison and analysis of fusion algorithms of high resolution Im-agery[C].International Symposium on Photoelectronic Detection and Imaging:Related Technologies and Applications,Proceedings of SPIE,2008,6625(66250H).