基于GPU的GeoEye-1影像正射糾正

顏 源，張 靖，李紫凝，王潔茹

（1.長江航道測(cè)量中心，湖北 武漢 430010；2.武漢大學(xué)，湖北 武漢 430079）

基于GPU的GeoEye-1影像正射糾正

顏 源1，張 靖2，李紫凝1，王潔茹1

（1.長江航道測(cè)量中心，湖北 武漢 430010；2.武漢大學(xué)，湖北 武漢 430079）

在介紹和分析GPU并行編程方法的基礎(chǔ)上，給出了在GPU上進(jìn)行GeoEye-1影像正射糾正的算法過程。利用NVIDIA Quadro 600顯卡對(duì)31 985像素×15 251像素的3波段GeoEye-1影像進(jìn)行正射糾正，其總體速度比沒有加速的算法提升40%以上。試驗(yàn)結(jié)果表明，采用GPU并行處理技術(shù)可以提升遙感影像處理效率。

正射糾正；并行計(jì)算；GPU；CUDA；GeoEye-1

由于衛(wèi)星影像在成像過程中受到地形起伏的影響，導(dǎo)致像點(diǎn)發(fā)生位移，定位精度較低，可以滿足影像瀏覽、景觀地圖制作等不需要高幾何精度的項(xiàng)目需要，但對(duì)于一些要求高精度影像、需要生產(chǎn)DOM的項(xiàng)目，如城市規(guī)劃、地理國情普查等，未進(jìn)行正射糾正的影像不能滿足精度要求，需要對(duì)其進(jìn)行正射糾正。

GPU計(jì)算就是運(yùn)用GPU來加速通用科學(xué)和工程應(yīng)用程序。GPU具有數(shù)以千計(jì)的計(jì)算核心，能夠快速處理繁重的計(jì)算任務(wù)，可實(shí)現(xiàn)前所未有的應(yīng)用程序性能[1]。GPU加速程序編寫關(guān)鍵在于分解任務(wù)，合理分配GPU各線程的計(jì)算。

1 基于GPU的正射糾正

1.1 GPU并行編程方法

GPU具有比CPU多得多的處理核心，能夠使數(shù)以千計(jì)的線程同時(shí)計(jì)算，適合進(jìn)行高密度的計(jì)算[1]。CUDA是NVIDIA推出的通用計(jì)算架構(gòu)，該架構(gòu)能夠使GPU解決非常復(fù)雜的計(jì)算問題，并支持C語言擴(kuò)展。

CUDA程序分為host端和device端。host端利用CPU進(jìn)行串行處理運(yùn)算量較小的任務(wù)，如數(shù)據(jù)準(zhǔn)備、內(nèi)存管理、數(shù)據(jù)傳輸?shù)龋琩evice端利用GPU進(jìn)行高計(jì)算密度的并行處理。CPU和GPU相互配合，充分利用各自優(yōu)勢(shì)，可大幅提升計(jì)算效率。CUDA程序可通過在Visual Studio中的集成調(diào)試工具Nsight（http：// www．nvidia．com/object/nsight．html）進(jìn)行開發(fā)調(diào)試，其操作方法與在Visual Studio開發(fā)環(huán)境中調(diào)試C/C++代碼類似，為編寫CUDA程序提供了方便。

CUDA程序以線程為執(zhí)行單元，若干個(gè)線程構(gòu)成線程塊，線程塊的執(zhí)行相互獨(dú)立，線程塊內(nèi)的線程共享Shared Memory，線程塊之間共享Global Memory[1]。設(shè)定線程塊數(shù)為N，線程塊內(nèi)的線程數(shù)為M，則總線程數(shù)為N×M。線程塊和線程數(shù)的多少與GPU的參數(shù)有關(guān)。CUDA程序通過調(diào)用核函數(shù)來啟動(dòng)多線程執(zhí)行并行計(jì)算。核函數(shù)的調(diào)用模式為kernel〈〈〈blockNum, threadNum〉〉〉(function argument)，〈〈〈…〉〉〉為核函數(shù)的執(zhí)行配置語法。核函數(shù)內(nèi)通過線程塊索引blockIdx和線程索引threadIdx來定位像素，像素在for循環(huán)中的索引為index，for循環(huán)語句的結(jié)構(gòu)為for( index = threadIdx．x+blockId．x*threadNum; index〈nPixels;index += threadNum *blockNum)。nPixels為影像塊的像素?cái)?shù)，blockNum、threadNum分別為線程塊數(shù)、線程數(shù)。

1.2 RPC正射糾正

為了避免糾正后影像出現(xiàn)像素空白區(qū)，糾正時(shí)一般采用反解法，即從空白影像出發(fā)，逐像素反解其在原始影像的像素坐標(biāo)，然后通過內(nèi)插獲取該像素的灰度值[2]。GeoEye-1提供了RPC模型代替嚴(yán)格成像模型，RPC模型形式簡單，可獲得與嚴(yán)格成像模型一致的精度，是目前高分辨率衛(wèi)星廣泛采用的幾何模型[3-5]，采用RPC模型生成正射遙感影像是其重要應(yīng)用[6-8]。

1.3 算法過程

1.3.1 總體思想

將計(jì)算量大的部分分配給GPU，CPU則負(fù)責(zé)數(shù)據(jù)準(zhǔn)備、內(nèi)存分配、邏輯處理、數(shù)據(jù)傳輸?shù)龋粚?duì)于用反解法進(jìn)行正射糾正來說，計(jì)算量大的部分主要是像點(diǎn)坐標(biāo)計(jì)算和灰度重采樣，這一部分可分配給GPU計(jì)算；影像讀寫、DEM讀取、RPC參數(shù)讀取等計(jì)算量較小的任務(wù)分配給CPU。高分遙感影像數(shù)據(jù)量普遍較大，如果一次全部讀入內(nèi)存，可能會(huì)導(dǎo)致內(nèi)存不足。為了在內(nèi)存有限的條件下進(jìn)行大數(shù)據(jù)量的計(jì)算，必須對(duì)影像進(jìn)行分塊糾正。一次讀入一定大小的塊，糾正完成后，寫出到磁盤，再讀入下一塊，繼續(xù)同樣的糾正過程，直到最后的塊糾正完成。為了簡化程序編寫，實(shí)驗(yàn)程序是基于開放遙感平臺(tái)OpenRS來完成的。

1.3.2 程序?qū)崿F(xiàn)流程

如圖1所示，host端讀入DEM、RPC文件，計(jì)算糾正后影像大小，創(chuàng)建輸出影像，分塊讀入原始影像并拷貝到device端。device端設(shè)計(jì)兩個(gè)核函數(shù)，分別負(fù)責(zé)像點(diǎn)坐標(biāo)計(jì)算和灰度重采樣，灰度重采樣選擇雙線性內(nèi)插方法。

圖1 基于GPU的正射糾正過程

2 精度和速度分析

為檢驗(yàn)基于GPU的遙感影像正射校正的精度和速度，下面以云南省楚雄彝族自治州的Geoeye-1數(shù)據(jù)作為實(shí)驗(yàn)對(duì)象。影像分辨率1．65 m，影像大小31 985列、15 251行、3波段、2．72 GB。DEM采用美國提供的90 m分辨率的免費(fèi)SRTM數(shù)據(jù)。數(shù)據(jù)測(cè)試電腦配置：4核CPU、3．3 GHz，顯卡NVIdIA Quadro 600，計(jì)算能力2．1。為分析GPU加速的性能，編寫了基于GPU加速和單核CPU處理兩種正射糾正程序。

1）精度是速度的基礎(chǔ)，首先進(jìn)行精度分析。參照對(duì)象選擇ENVI正射糾正結(jié)果。將單核CPU的糾正結(jié)果、GPU加速的正射糾正結(jié)果與ENVI正射糾正結(jié)果進(jìn)行比較，通過ENVI鏈接地理坐標(biāo)，查看相同坐標(biāo)是否定位在同一地物。

圖2 采用GPU編程的正射糾正結(jié)果和局部放大圖

圖3 ENVI軟件正射糾正結(jié)果和局部放大圖

圖4 只采用CPU進(jìn)行正射糾正的結(jié)果和局部放大圖

圖2～圖4均在ENVI的地理坐標(biāo)鏈接狀態(tài)下，即局部放大圖中紅色十字絲的交叉點(diǎn)坐標(biāo)相等。從3幅局部放大圖可以看出，紅色十字絲均定位在同一處，表明本實(shí)驗(yàn)編寫的GPU加速及單核CPU正射糾正程序正確，其糾正精度與ENVI一致。

2）速度分析。多次運(yùn)行程序，統(tǒng)計(jì)各次影像讀取部分時(shí)間和總運(yùn)行時(shí)間。

從表1可以看出，GPU加速的正射糾正程序相對(duì)于未加速的程序，速度可提升約40%。隨著影像數(shù)據(jù)量的增加，計(jì)算量增大，這種優(yōu)勢(shì)會(huì)更加明顯。對(duì)于遙感影像處理來說，除了計(jì)算量大之外，影響程序速度的另一個(gè)主要原因就是影像讀取。從表中可看出，對(duì)于單核CPU、GPU加速2種正射糾正程序，影像讀取的時(shí)間分別占整個(gè)程序運(yùn)行時(shí)間的44%和76%。要減少影像讀取的時(shí)間，就要盡量減少讀取影像次數(shù)，若內(nèi)存和顯存都足夠大，可以盡量讀取較大的影像塊，并拷貝到顯存，以減少影像讀取的頻率，從而減少CPU的運(yùn)行時(shí)間。

表1 正射糾正時(shí)間統(tǒng)計(jì)

GPU加速程序中，數(shù)據(jù)主要存儲(chǔ)在GPU的Global Memory。由于Global Memory訪問延遲在400～600個(gè)時(shí)鐘周期，其訪存效率較低，但其分配的空間位于顯存，可分配的容量最大。 Local Memory和Shared Memory設(shè)有緩存機(jī)制，比Global Memory訪存效率高，但容量都很小，不能作為影像數(shù)據(jù)的主要存儲(chǔ)類型。

在已有硬件條件下要提升遙感影像的并行化計(jì)算效率，可以從以下幾個(gè)方面來考慮：

1）優(yōu)化算法結(jié)構(gòu)。確定算法中的串行和并行部分，盡量分解為能并行化執(zhí)行的結(jié)構(gòu)，充分利用GPU的性能，同時(shí)也要綜合考慮并行化效率和host端與device端之間數(shù)據(jù)傳輸?shù)臅r(shí)間消耗。

2）優(yōu)化存儲(chǔ)器的使用。盡可能多地使用Local Memory和Shared Memory，減少對(duì)Global Memory的訪存。

3）優(yōu)化指令流。采用合適指令，避免線程沖突，盡量減少條件選擇等邏輯運(yùn)算。

4）優(yōu)化影像讀寫性能。遙感影像的分塊讀寫幾乎要占用約一半的處理時(shí)間，影像讀寫的效率直接影響整個(gè)程序的性能。程序采用GDAL庫進(jìn)行影像分塊讀寫，其總體效率并不高[9]；可以考慮采用內(nèi)存文件映射技術(shù)進(jìn)行影像讀寫，以減少I/O操作，在分塊讀寫大數(shù)據(jù)量的遙感影像時(shí)，I/O效率會(huì)得到大幅提升。

3 結(jié) 語

遙感影像處理大多是基于像素進(jìn)行，像素之間的計(jì)算模式相同，各波段的計(jì)算模式也相同。其處理模式可分為2步：①基于像素坐標(biāo)對(duì)各像素進(jìn)行一系列數(shù)學(xué)運(yùn)算，若不存在幾何處理，則得到的是各像素坐標(biāo)新灰度值；若存在幾何處理，則變換得到新的像素坐標(biāo)；②對(duì)新像素坐標(biāo)賦灰度值，也就是灰度重采樣。這2步都是基于像素進(jìn)行同質(zhì)的計(jì)算，因此遙感影像處理算法大多都可用GPU作并行化處理。在解決了各種算法并行化的瓶頸問題之后，另一個(gè)重要問題就是影像I/O，較好的解決辦法是通過內(nèi)存文件映射方式來讀寫影像，可大幅提升文件I/O效率。

[1] Jason S,Edward K．高性能編程之CUDA實(shí)戰(zhàn)[M]．北京：機(jī)械工業(yè)出版社,2011

[2] 王佩軍,徐亞明．?dāng)z影測(cè)量學(xué)[M]．武漢：武漢大學(xué)出版社,2010 [3] 宋偉東,陳靜波,王偉璽．高分辨率遙感影像單片定位及正射糾正方法[J]．遼寧工程技術(shù)大學(xué)學(xué)報(bào)：自然科學(xué)版,2009,28(1)：37-39

[4] 蘇逸平,陳春華．高分遙感影像Geoeye-1正射糾正研究[J]．地理空間信息,2011,9(3)：48-50

[5] 張柯南,闞明哲．GeoEye-1衛(wèi)星簡介及其遙感影像處理技術(shù)實(shí)踐[J]．城市勘測(cè),2010(3)：80-81

[6] 王海俠,高飛,胡小華．基于RPC模型的QuickBird影像正射糾正研究[J]．現(xiàn)代測(cè)繪,2010,33(6)：13-15

[7] 王紅平,劉修國,羅紅霞,等．基于RPC模型的IRS_P5影像正射校正[J]．中國地質(zhì)大學(xué)學(xué)報(bào),2010,35(3)：486-488

[8] 宋偉東,陳靜波,王偉璽．高分辨率遙感影像單片定位及正射糾正方法[J]．遼寧工程技術(shù)大學(xué)學(xué)報(bào),2009,28(1)：37-39

[9] 李民錄．GDAL源碼剖析與開發(fā)指南[M]．北京：人民郵電出版社,2014

P231

B

1672-4623（2016）04-0070-03

10.3969/j.issn.1672-4623.2016.04.023

顏源，碩士，工程師，主要從事衛(wèi)星遙感數(shù)據(jù)處理和在長江航道測(cè)繪中的應(yīng)用工作。

2015-03-26。

項(xiàng)目來源：國家自然科學(xué)基金資助項(xiàng)目（41301367）。