分塊變換和GPU并行的遙感影像快速正射校正方法

方留楊 何紅艷 張炳先

?

分塊變換和GPU并行的遙感影像快速正射校正方法

方留楊1何紅艷2,3張炳先2

（1 云南省交通規劃設計研究院有限公司 陸地交通氣象災害防治技術國家工程實驗室，昆明 650041）（2 北京空間機電研究所，北京 100094）（3 先進光學遙感技術北京市重點實驗室，北京 100094）

正射校正是整個遙感數據處理過程中計算量最大、耗時最長的步驟之一，已經成為制約整個遙感數據處理快速完成的瓶頸。為了提高正射校正處理效率，文章系統地探討了基于分塊三維直接線性變換和圖形處理單元（GPU）并行的遙感影像快速正射校正方法。首先針對正射校正坐標轉換計算量過大的問題，提出了分塊三維直接線性變換策略，有效地降低了坐標轉換的計算量；在此基礎上，采用“漸進式”策略開展GPU并行處理，首先通過GPU并行映射（核函數任務映射、基本設置），使方法在GPU上可執行，然后通過“兩層次”性能優化（核函數性能優化、整體流程性能優化），進一步提高了方法的執行效率。在CPU和GPU組成的實驗環境中，使用文中方法對“高分二號”衛星全色標準景影像進行實驗，GPU執行時間僅為5.13s，與CPU相比，相應加速比達到142.42倍，可以滿足對大數據遙感影像的快速正射校正需求。

正射校正 分塊三維直接線性變換 圖形處理單元并行映射 核函數性能優化 整體流程性能優化 遙感數據處理

0 引言

正射校正是遙感影像數據處理的關鍵環節，也是整個遙感數據處理過程中計算量最大、耗時最長的步驟之一。對大數據遙感影像的處理時間過長，已成為制約整個遙感數據快速處理的瓶頸，給遙感影像在災害防治和救援、應急搶險等高時效行業領域的應用帶來了巨大挑戰[1-3]。近年來，以圖形處理單元（Graphics Processing Unit，GPU）為代表的通用計算硬件逐漸成為國際上解決大數據計算和實時處理問題的主流方案，GPU專門為計算密集型、高度并行化的處理任務設計，為許多對計算速度有很高要求的問題提供了全新的解決方案[4]，其中在正射校正方面開展的研究和應用主要包括：2009年，Pro-Lines GeoImaging server軟件（由PCI Geomatics公司研發）的正射校正模塊引入了GPU并行處理技術，有效提高了其處理效率[5]，文獻[6]基于GPU頂點圖形渲染和紋理映射技術實現了航空影像正射校正，但該方法并未涉及GPU通用計算技術。在國內，文獻[7]對遙感影像GPU正射校正的效率和正確性進行了驗證，說明了該技術的可行性；文獻[8]提出了基于GPU的高光譜影像幾何校正模型，但未對實現方法進行詳細闡述；文獻[5]探討了GPU/CPU協同的遙感影像正射糾正方法，但受實驗環境等客觀條件限制，并未對性能優化方法進行深入分析；文獻[9]和文獻[10]先后提出了星載高分辨率SAR影像的GPU幾何校正方法；文獻[3]使用“層次性分塊”策略設計了基于CPU和GPU協同處理的正射校正方法，但上述方法僅將算法簡單移植至GPU上進行處理，并未進行充分的算法簡化和性能優化，尚有較大的提升和完善空間。

本文首先針對傳統正射校正方法中逐像素坐標轉換計算量過大的問題，提出了一種分塊三維直接線性變換策略，以有效減少坐標轉換的計算量。在此基礎上，從GPU并行映射（核函數任務映射、基本設置）、性能優化（核函數性能優化、整體流程性能優化）兩個方面出發，探討了使用GPU并行技術進行快速正射校正的方法。

1 快速正射校正方法

1.1 分塊三維直接線性變換

遙感影像正射校正分為直接法和間接法兩種方案[11]，其中間接法方案基于輸出影像（即校正后影像）進行任務劃分，根據坐標投影轉換關系、有理多項式（RPC）模型和數字高程模型（DEM），逐像素建立輸出影像物方空間坐標與輸入影像（即待校正影像）像方坐標的轉換關系，然后對輸入影像進行重采樣。該方案的并行程度較高，可以直接獲取輸出影像上每個像素的灰度值（不涉及輸出影像灰度值再分配），適合于在GPU進行并行處理，但其坐標轉換和重采樣的計算量都很大。為了有效降低坐標轉換的計算量，本文提出一種分塊三維直接線性變換策略（如圖1所示）：即對輸出影像進行格網劃分，僅在格網頂點處嚴格按照坐標投影轉換關系、RPC模型和DEM求解輸出影像和輸入影像像點的坐標對應關系，格網內各像點坐標則通過近似的簡化模型建立聯系。由于描述的是輸出影像三維空間坐標和輸入影像二維像點坐標之間的關系，因此選擇三維直接線性變換模型作為簡化模型，即

式中s和l為輸入影像二維像點坐標；x、y、h為輸出影像三維空間坐標；a0~a6、b0~b6為三維直接線性變換模型參數。

三維直接線性變換模型包含14個參數，需至少列出14個方程才可求解，但每個格網同名頂點僅可列2個方程，4個格網同名頂點合計只能列8個方程，無法求解。為增加方程數，本文引入虛擬格網同名點的概念，即首先根據坐標投影轉換關系、RPC模型和DEM計算得到4個真實格網同名頂點坐標，再將DEM中真實高程分別增加和減少一個常數，保持坐標投影轉換關系和RPC模型不變，求解得到8個虛擬格網同名點坐標，這樣格網同名點數量從4個增加至12個，能列出24個方程，可以通過最小二乘法求解出14個參數，求解思路如圖2所示。

圖2 引入虛擬格網同名點計算三維直接線性變換模型參數

1.2 GPU并行處理

引入分塊三維直接線性變換后，雖然有效降低了坐標轉換的計算量，但卻額外引入了變換模型參數擬合的計算量，并且重采樣的計算量并未減少，因此整個正射校正的計算量仍然很大，需要使用GPU并行處理技術，進一步提高方法的執行效率。本文選擇目前主流的統一設備計算架構（CUDA）作為GPU并行處理框架[12]，采用“漸進式”策略開展GPU并行處理：首先通過GPU并行映射，明確核函數執行流程和基本設置，確保方法在GPU上可執行；然后通過“兩層次”性能優化，進一步提高方法在GPU上的執行效率。

1.2.1 GPU并行映射

（1） 核函數任務映射

首先進行核函數任務映射，以確定GPU上正射校正執行的邏輯流程。由于格網同名點坐標轉換計算、三維直接線性變換模型參數計算、影像重采樣計算都具有逐格網/像素獨立的特點，具有很高的并行性，因此，基于最大限度的GPU端并行執行原則[13]，將上述3個步驟都映射至GPU執行。考慮到3個步驟的邏輯連續，為減少反復調用核函數帶來的額外開銷，進一步將3個步驟分別映射為3個獨立的核函數GC_CorPtsCal、GC_Dlt3DCal、GC_Resample實現，映射關系如圖3所示。

圖3 正射校正核函數任務映射

（2） 基本設置

進行核函數任務映射后，接下來需要進行基本設置，使算法在GPU上可執行，具體包括：

1）將每個CUDA線程設置為僅對一個元素進行計算。具體來說，對于GC_CorPtsCal核函數，每個CUDA線程負責一個格網同名點坐標轉換的計算；對于GC_Dlt3DCal核函數，每個CUDA線程負責一組格網三維直接線性變換模型參數的計算；對于GC_Resample核函數，每個CUDA線程負責對一個像素進行重采樣。

2）將核函數線程塊大小設置為256像素（16像素×16像素）。

3）為減少對全局存儲器的多次訪問，使用程序默認的L1 cache緩存模式。

4）為減少使用循環指令帶來的開銷，使用程序默認的循環展開模式。

5）坐標投影轉換參數和RPC模型參數較少且為常數值，滿足常數存儲器的存儲容量和對數據只讀的要求，因此將其載入常數存儲器中，以提高參數的訪問效率。

1.2.2 GPU性能優化

GPU性能優化分為兩個層次進行：核函數性能優化和整體流程性能優化。首先對3個核函數進行性能優化，以提高核函數的執行效率；然后進行整體流程性能優化，通過傳輸計算堆疊隱藏CPU和GPU的數據傳輸開銷，以進一步提高方法的整體執行效率。

（1） 核函數性能優化

對核函數進行性能優化的方法包括：線程多元素重訪、線程塊大小和形狀最優選取、存儲層次性訪問[14]。

線程多元素重訪基于GPU網格和線程尋址指令可以多次使用以及存儲訪問流水化的特性，同時分配多個元素（格網或像素）處理任務給單個GPU線程處理，以提高任務的整體處理效率[14]，但線程多元素重訪的效率受數據劃分模式、負載大小等因素的影響，對不同核函數的性能提升程度并不相同，因此需通過實驗分別確定3個核函數GC_CorPtsCal、GC_Dlt3DCalGC_Resample中各線程處理元素的具體數量，使算法執行效率達到最優。此外，隨著線程處理元素數量的不斷增長，若待處理數據不變，在線程塊大小固定的情況下，線程塊的數量將會逐漸減少，在該種情況下，需要保證給每個流式多處理器中至少分配1個線程塊，以充分利用GPU的計算性能。

線程塊大小選取時需考慮以下因素：1）線程塊的大小應至少在64線程以上；2）線程塊最大不能超過1 024線程；3）線程塊的大小應該是線程束數量（32線程）的整數倍，以避免在未完全展開的線程束上進行無意義的操作。此外，由于線程塊的寬度會影響全局存儲器的合并訪問效率，并且GC_CorPtsCalGC_Dlt3DCalGC_Resample三個核函數的全局存儲器訪問模式各不相同，因此將各線程塊的寬度從1線程增加到最大，并記錄3個核函數的執行時間，以尋找核函數執行時間最短時對應的線程塊寬度。

存儲層次性訪問利用GPU的多級緩存提高方法的訪存效率。通用計算GPU提供了兩級緩存，在基本設置中，核函數采用了默認的一級緩存（L1 cache）進行數據緩存，但二級緩存（L2 cache）同樣可進行數據緩存。此外，GC_Resample核函數進行影像重采樣時的數據內插具有明顯的二維局部性訪存特點，該特點適合于使用紋理存儲器進行優化。因此在實驗部分，分別記錄核函數GC_CorPtsCal、GC_Dlt3DCal采用L1 cache、L2 cache時的執行時間，以及核函數GC_Resample采用L1 cache、L2 cache、紋理存儲器時的執行時間，確保將核函數性能調至最優。

（2） 整體流程性能優化

通用計算GPU內部固化有一個數據拷貝引擎和一個核函數執行引擎[15]，而基于分塊變換的GPU正射校正也包含1次內存至顯存的數據拷貝操作、3次核函數執行操作（GC_CorPtsCal、GC_Dlt3DCal、GC_Resample）和1次顯存至內存的數據拷貝操作。因此可使用流處理機制，將2次數據拷貝操作（內存至顯存，顯存至內存）分配給數據拷貝引擎，將3次核函數執行操作分配給核函數執行引擎，并指定多組流操作，同時進行多組數據拷貝和核函數執行，以提高兩個引擎的使用效率。但由于對大數據量遙感影像進行處理時，有時受GPU顯存容量的限制，需要進行多輪數據拷貝操作，如果在數據拷貝過程中出現數據疊掩和重復拷貝現象，會降低流的整體執行效率，因此需要通過具體實驗確定流的數量，使GPU上正射校正的執行效率達到最優。

綜上所述，分塊變換和GPU并行的遙感影像快速正射校正方法流程如圖4所示。

圖4 分塊變換和GPU并行的快速正射校正流程

2 實驗結果與分析

2.1 實驗數據及平臺

2014年8月19日，我國在太原衛星發射中心成功發射“高分二號”衛星，該衛星搭載了2臺分辨率為0.8m的全色相機和1臺分辨率為3.2m的多光譜相機，可提供多種產品和應用服務，是迄今為止中國研制的空間分辨率最高的民用低軌遙感衛星[16]。其中全色相機標準景影像大小為29 200像素×27 600像素，采用10bit量化，數據量較大（約1.5 Gbyte），具有明顯代表性，因此本節選擇該影像作為實驗數據。

本文實驗平臺的CPU為Intel Xeon E5650，主頻2.66 GHz，含6個處理核心；GPU為NVIDIA Tesla C2050，含448個處理核心，顯存容量為3 Gbyte，內部含有一個數據拷貝引擎和一個核函數執行引擎；主機內存為32 Gbyte。

2.2 方法性能

為定量評價算法性能，本節定義加速比評價加速后算法與加速前算法相比的速度提升程度，計算公式為

式中bef為加速前算法的執行時間；aft為加速后算法的執行時間；為加速比。加速比越高，說明算法的執行效率越優。

進行正射校正時需要同時為輸入影像和輸出影像分配GPU顯存空間，但由于實驗影像數據量太大，無法一次性全部載入，因此需要分塊處理。本文按照行優先原則進行分塊，將每次處理影像塊的寬度固定為整幅輸出影像的寬度，每次處理影像塊的高度則按照式（3）計算：

式中為算法分配給輸出影像的內存空間，此處為512 Mbyte；d為影像數據類型需要占用的字節數，全色影像為10bit量化，因此其值為2；為輸出影像寬度，其值為34 100像素。

將式（3）各項數值代入計算，得到每次處理的輸出影像高度為7 872像素。由于整幅輸出影像的高度為35 000像素，因此為了對整幅輸出影像進行處理，正射校正需分為5次進行。此外，對算法作如下約定：輸出影像坐標系為UTM投影坐標系，因此坐標轉換通過UTM投影和RPC模型進行；格網大小為64像素×64像素；重采樣方式為雙線性內插。另外，為了專注于對方法本身效率進行討論和分析，本節不涉及磁盤上數據的讀/寫（I/O）時間，僅討論方法本身的執行時間（包括各步驟計算時間，以及CPU和GPU間的數據傳輸時間）。

首先，在Intel Xeon E5650 CPU上，記錄對“高分二號”衛星全色標準景影像進行傳統逐點坐標轉換正射校正和分塊三維直接線性變換正射校正的執行時間，結果如表1所示。由于UTM投影轉換的計算量很大，因此逐點坐標轉換正射校正中同名點坐標轉換計算的耗時很長（471.06s），占整個校正時間（730.61s）的64.5%；進行分塊三維直接線性變換優化后，雖然額外引入了三維直接線性變換模型參數計算的時間（53.41s），且重采樣的計算時間相同（出現微小區別的原因在于程序執行時硬件性能的微小波動和計時誤差），但由于同名點坐標轉換計算時間（1.38s）大幅減少，因此整體上正射校正的執行時間（314.24s）仍顯著縮短，相應加速比達到2.33倍。

表1 兩種正射校正方法CPU逐步驟執行時間和加速比

Tab.1 CPU step-by-step run times and speedup ratios of two ortho-rectification methods

然后，通過GPU并行處理，進一步提高分塊三維直接線性變換正射校正的執行效率。表2列出了GPU并行映射后正射校正各個步驟的執行時間，包括CPU→GPU數據傳輸時間、核函數執行時間、GPU→CPU數據傳輸時間以及其余項耗時（包括了顯存分配、核函數啟動、計時開銷等操作的時間開銷）?？梢园l現，進行了GPU并行映射后，正射校正處理效率得到了顯著提升，3個核函數的加速比均達到了100倍以上，但由于額外增加了CPU和GPU之間雙向數據傳輸和其余耗時項的執行時間開銷，因此整體加速比為55.91倍，相應的執行時間5.62s。此外，對數據傳輸時間進行分析，發現CPU→GPU數據傳輸時間（1.07s）長于GPU→CPU數據傳輸時間（0.67s），這是由于衛星特有的成像特點使得正射校正算法在對某一輸出影像塊進行重采樣時，需要的輸入影像塊范圍比輸出影像塊大。由于該現象的存在，導致正射校正多次分塊進行時，各輸出影像塊對應的輸入影像塊出現重疊，從而使得CPU→GPU數據傳輸量（3.58 Gbyte）大于GPU→CPU數據傳輸量（2.22 Gbyte），進而造成CPU→GPU數據傳輸時間長于GPU→CPU數據傳輸時間。

表2 GPU并行映射后方法各步驟執行時間和加速比

Tab.2 Run times and speedup ratios of ortho-rectification after GPU parallel mapping

采用1.2.2節中設計的性能優化策略對上述核函數進行性能優化。首先使用線程多元素重訪策略，令一個CUDA線程處理多個元素，相應的核函數執行時間如圖5所示。從圖5中可知，對于3個核函數GC_CorPtsCal、GC_Dlt3DCal、GC_Resample，當每個CUDA線程分別處理8、16、128個元素時，核函數執行時間取得最小值，分別為9.8ms、366.2ms、1 331.6ms。進一步發現，GC_Resample的執行時間變化較為平穩，而GC_CorPtsCal、GC_Dlt3DCal的執行時間在每個CUDA線程處理16個元素后開始顯著增加，造成該現象的原因是：在開始實驗時，已確定分塊格網大小為64像素×64像素，且線程塊初始大小設定為16線程×16線程，因此當每個CUDA線程負責計算4×4個（即16個）格網點坐標和三維直接線性變換模型參數時，每個線程塊的覆蓋范圍即可達到4 096像素×4 096像素，要覆蓋每次處理的影像塊（34 100像素×7 872像素），僅需9×2個線程塊即可；NVIDIA Tesla C2050 GPU共有14個流式多處理器，要充分發揮其計算性能，需要至少給每個流式多處理器分配1個線程塊，此時恰好可以滿足要求，若再將每個CUDA線程處理的元素量增加，線程塊數量會更少，已無法保證給每個流式多處理器分配一個線程塊，在這種情況下，GPU的硬件計算資源沒有得到充分利用，因此核函數的執行效率明顯下降，對應的執行時間顯著增加。

接下來討論使用不同大小、形狀和緩存模式的線程塊時，3個核函數執行時間的變化情況，其中核函數GC_CorPtsCal的實驗結果繪制于圖6（a），核函數GC_Dlt3DCal、GC_Resample的實驗結果繪制于圖6（b）。柱狀子圖記錄核函數執行時間（該執行時間為線程塊寬度從1增加到最大時的最短執行時間），折線子圖記錄對應的線程塊寬度。觀察圖6中所示的柱狀子圖及折線子圖可以發現：

1）改變線程塊大小對核函數GC_CorPtsCal、GC_Resample的執行時間無明顯影響。這是因為這兩個核函數涉及的坐標轉換和重采樣的計算邏輯較為復雜，其計算指令遠多于訪存指令（將RPC模型載入常數存儲器后，GC_CorPtsCal甚至不需要訪存），計算訪存比高。因此，在線程塊逐漸增大過程中線程占有率最低時，流式多處理器中駐留的線程束的數量也足夠隱藏訪問延遲[17]。此外，發現當線程塊小于384線程時，改變線程塊大小對GC_Dlt3DCal的執行時間無明顯影響，原因同上；但當線程塊大于384線程時，GC_Dlt3DCal的執行時間明顯上升，這是因為當線程塊大于384線程時，線程塊數量已減少至無法保證給每個流式多處理器分配一個線程塊，導致GPU的硬件計算資源沒有得到充分利用，因此核函數的執行效率明顯下降。

2）采用不同的緩存模式時，3個核函數的執行時間無明顯差別。雖然核函數GC_Resample中存在著明顯的二維局部訪存模式，且該訪存模式非常適合于使用紋理存儲器進行加速，但在性能上紋理存儲器并未體現出對于L1/L2 cache的優勢。

3）當核函數執行時間取得最小值時，GC_Dlt3DCal和GC_Resample的線程塊寬度總體上小于GC_CorPtsCal的線程塊寬度，這是因為GC_Dlt3DCal和GC_Resample的訪存模式較為復雜，其中GC_Dlt3DCal訪問的是存儲控制點坐標的結構體，因此每個線程訪問的顯存地址并不相鄰，而是間隔了結構體大小的地址范圍；GC_Resample的訪存無固定模式，由于重采樣反算的不規則性，不同行的輸出影像反算到輸入影像后有可能對應同一行，使得顯存訪問被合并，因此GC_Dlt3DCal和GC_Resample的執行時間在線程塊寬度較小時即可取到最優值。GC_CorPtsCal不存在顯存訪問操作，因此核函數執行時間基本不受線程塊寬度增加的影響，此處其執行時間在線程塊寬度相對較大時取到最優值。

圖6 改變線程塊大小、形狀和緩存模式時核函數執行時間

表3列出了核函數性能優化后的配置、執行時間和性能提升比?？梢钥闯觯涍^性能優化后，3個核函數的性能都得到不同程度的提升，其中GC_Resample的性能提升比最高，達到了18.1%。

表3 核函數性能優化后的配置、執行時間和性能提升比

Tab.3 Configurations, run times and performance improvement ratios after kernel performance optimization

完成核函數性能的優化配置后須進行整體流程性能優化，通過流機制實現傳輸計算堆疊，進一步提高整個正射校正的執行效率。表4為分別創建2、3、4個流時，方法執行時間和性能提升比。從表中可知，創建2個流和3個流時，正射校正的性能得到小幅提升，其中創建2個流時性能提升比最高（6.45%），創建4個流時，性能不但沒有提升，反而下降（?7.05%）。造成該現象的原因是，當創建多個流時，CPU→GPU數據傳輸量多于不使用流時。如圖7所示，當不創建流時，對輸出子影像（圖7（b）中影像藍色框標識區域）進行重采樣需要從顯存載入對應的輸入子影像（圖7（a）中影像藍色框標識區域）；當使用2個流時，每個流負責對一半的輸出子影像（圖7（b）中影像黃色和綠色標識區域）進行重采樣，但此時輸入影像會發生疊掩（圖7（a）中影像黃色和綠色標識區域發生重合）。這種由于使用流而引入的冗余數據傳輸極大影響了正射校正的執行效率，并且流的數量越多，冗余傳輸的數據量越大，因此算法性能不僅沒有進一步提升，反而出現下降。

表4 整體性能優化后的方法執行時間和性能提升比

Tab.4 Run times and performance improvement ratios after overall performance optimization

最終經過整體性能優化，GPU上分塊三維直接線性變換正射校正的執行時間壓縮至5.13s，與CPU逐點坐標轉換正射校正方法、CPU分塊三維直接線性變換正射校正方法相比，加速比分別達到142.42倍、61.26倍（如表5所示），可以滿足對大數據遙感影像的快速處理需求。進一步將文獻[9]、[10]中提出的GPU并行處理方法應用至本文，由于僅進行了GPU基本映射，未進行性能優化，因此其執行時間僅為5.62s；文獻[3]在文獻[9]、[10]的基礎上進行了線程塊大小和形狀的選取優化，因此其執行時間提升至5.51s。綜合比較，由于本文提出的方法進行了更加充分、全面的性能優化，因此執行效率更優。

表5 三種方法的執行時間和加速比

Tab.5 Run times and speedup ratios of three ortho-rectification methods

3 結束語

本文系統地探討了基于分塊三維直接線性變換和GPU并行的遙感影像快速正射校正方法。首先針對正射校正坐標轉換計算量過大的問題，提出了分塊三維直接線性變換策略，有效地降低了坐標轉換的計算量，在求解三維直接線性變換模型參數時，引入了虛擬同名點的概念，通過增加方程個數確保模型參數可解。然后，采用“漸進式”策略開展GPU并行處理，提高了方法的執行效率。在Intel Xeon E5650 CPU和NVIDIA Tesla C2050 GPU組成的實驗環境中，使用本文方法對“高分二號”衛星全色影像進行實驗，發現引入分塊三維直接線性變換后，CPU上正射校正執行時間從730.61s壓縮至314.24s，加速比為2.33倍；進一步將算法映射至GPU并進行性能優化后，執行時間縮短至5.13s，最終加速比達到142.42倍，可以滿足對大數據遙感影像的快速正射校正需求。

隨著高性能計算技術的快速發展，GPU計算架構和型號會持續演變更新，新的計算架構加入了一些新功能（例如動態并行、線程格網管理等），使得并行處理方式更加靈活，但GPU底層的硬件設計、執行框架（線程組織）、層次性存儲結構未發生明顯改變。因此，本文方法可以為基于新計算架構的GPU進行正射校正提供借鑒。此外，近年來，眾核CPU、加速處理器（APU）等高性能處理硬件已逐漸發展成熟，因此可以研究正射校正在上述硬件上的并行處理方法，并逐步探索其余遙感數據處理瓶頸算法的并行處理技術。

[1] 楊靖宇. 攝影測量數據GPU并行處理若干關鍵技術研究[D]. 鄭州: 信息工程大學, 2011. YANG Jingyu. Study on Parallel Processing Technologies of Photogrammetry Data Based on GPU[D]. Zhengzhou: Information Engineering University, 2011. (in Chinese)

[2] 蔣艷凰, 楊學軍, 易會戰. 衛星遙感圖像并行幾何校正算法研究[J]. 計算機學報, 2004, 27(7): 944-951. JIANG Yanhuang, YANG Xuejun, YI Huizhan. Parallel Algorithm of Geometrical Correction for Satellite Images[J]. Chinese Journal of Computers, 2004, 27(7): 944-951. (in Chinese)

[3] 方留楊, 王密, 李德仁. CPU和GPU協同處理的光學衛星遙感影像正射校正方法[J]. 測繪學報, 2013, 42(5): 668-675. FANG Liuyang, WANG Mi, LI Deren. A CPU-GPU Co-processing Orthographic Rectification Approach for Optical Satellite Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(5): 668-675. (in Chinese)

[4] 于英, 張元源, 薛武. 基于CUDA的核線影像并行生成技術[J]. 測繪通報, 2013(7): 27-29. YU Ying, ZHANG Yuanyuan, XUE Wu. Epipolar Image Parallel Generation Technology Based on CUDA[J]. Bulletin of Surveying and Mapping, 2013(7): 27-29. (in Chinese)

[5] 楊靖宇, 張永生, 李正國, 等. 遙感影像正射糾正的GPU-CPU協同處理研究[J]. 武漢大學學報·信息科學版, 2011, 36(9): 1043-1046. YANG Jingyu, ZHANG Yongsheng, LI Zhengguo, et al. GPU-CPU Cooperate Processing of RS Image Ortho-rectification[J]. Geomatics and Information Science of Wuhan University, 2011, 36(9): 1043-1046. (in Chinese)

[6] JAVIER R S, MARIA C C, JULIO M H. Geocorrection for Airborne Pushbroom Imagers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4409-4419.

[7] 侯毅, 沈彥男, 王睿索, 等. 基于GPU的數字影像的正射糾正技術的研究[J]. 現代測繪, 2009, 32(3): 10-12. HOU Yi, SHEN Yannan, WANG Ruisuo, et al. The Discussion of GPU-based Digital Differential Rectification[J]. Modern Surveying and Mapping, 2009, 32(3): 10-12. (in Chinese)

[8] 李娜, 白勇, 趙慧潔, 等. 基于多核CPU和GPU的高光譜數據并行幾何校正[J]. 現代電子技術, 2013, 36(2): 110-112. LI Na, BAI Yong, ZHAO Huijie, et al. Hyperspectral Data Parallel Geometry Correction Based on Multicore CPU and GPU[J]. Modern Electronics Technique, 2013, 36(2): 110-112. (in Chinese)

[9] 侯明輝, 邱虎. 基于GPU的高分辨率星載SAR系統幾何校正[J]. 現代雷達, 2013, 35(9): 40-44. HOU Minghui, QIU Hu. High Resolution Space-borne SAR Geometric Correction Based on GPU[J]. Modern Radar, 2013, 35(9): 40-44. (in Chinese)

[10] 楊景輝, 程春泉, 張繼賢, 等. GPU支持的SAR影像幾何校正大規模并行處理[J]. 中國圖像圖形學報, 2015, 20(3): 374-385. YANG Jinghui, CHENG Chunquan, ZHANG Jixian, et al. GPU Supported Massively Parallel Processing for Geometric Correction of SAR Imagery[J]. Journal of Image and Graphics, 2015, 20(3): 374-385. (in Chinese)

[11] 李德仁, 王樹根, 周月琴. 攝影測量與遙感概論[M]. 2版. 北京: 測繪出版社, 2008. LI Deren, WANG Shugen, ZHOU Yueqin. An Introduction to Photogrammetry and Remote Sensing[M]. 2nd ed. Beijing: Surveying and Mapping Press, 2008. (in Chinese)

[12] KIRK D B, HWU W M W. Programming Massively Parallel Processors[M]. Amsterdam: Elsevier, 2010.

[13] NVIDIA. CUDA C Best Practices Guide, v5.0[Z]. Santa Clara: NVIDIA Corporation, 2012.

[14] NVIDIA. Fermi Hardware and Performance Tips[Z]. Santa Clara: NVIDIA Corporation, 2011.

[15] SANDES J, KANDROT E. An Introduction to General-purpose GPU Programming[M]. Boston: Addison-wesley Professional Press, 2010.

[16] 潘騰, 關暉, 賀瑋. “高分二號”衛星遙感技術[J]. 航天返回與遙感, 2015, 36(4): 16-24. PAN Teng, GUAN Hui, HE Wei. GF-2 Satellite Remote Sensing Technology[J]. Space Recovering & Remote Sensing, 2015, 36(4): 16-24.

[17] VOLKOV V. Better Performance at Lower Occupancy[EB/OL]. [2018-03-27]. http://www.nvidia.com/content/GTC-2010/ pdfs/2238_GTC2010.pdf.

A Fast Remote Sensing Image Ortho-rectification Method Based on Block-wise Transformation and GPU Parallel Processing

FANG Liuyang1HE Hongyan2,3ZHANG Bingxian2

（1 National Engineering Laboratory for Surface Transportation Weather Impacts Prevention, Broadvision Engineering Consultants, Kunming 650041, China）（2 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（3 Beijing Key Laboratory of Advanced Optical Remote Sensing Technology, Beijing 100094, China）

Ortho-rectification is one of the most computationally and time-consuming steps in remote sensing data processing, and has become a bottleneck restricting the rapid completion of remote sensing data processing. Therefore, a fast ortho-rectification method, based on block-wise three-dimensional linear transformation and GPU parallel processing, is proposed in this paper. First, a three-dimensional linear transformation is introduced to reduce the computational amount of coordinate projection conversion. Then, based on progressive strategy, the GPU parallel mapping (including kernel mapping and basic settings) is conducted. Furthermore, two performance optimization methods, i.e., kernel performance optimization and overall performance optimization, are used to further improve the efficiency. The approach is tested with GF-2 panchromatic images with CPU and GPU. The experimental results show that the processing time is only 5.13 s, with a speedup ratio of 142.42, which can meet the requirement of fast ortho-rectification for big-data-volume remote sensing images.

ortho-rectification; block-wise three-dimensional linear transformation; GPU parallel mapping; kernel performance optimization; overall performance optimization; processing of remote sensing image data

P237

A

1009-8518(2018)06-0080-11

10.3969/j.issn.1009-8518.2018.06.010

2018-03-27

國家自然科學基金（41601476）

方留楊，男，1987年生，2015年獲武漢大學測繪遙感信息工程國家重點實驗室攝影測量與遙感博士學位，高級工程師。主要從事遙感數據處理、交通災害防治應用等研究工作。E-mail：fangliuyang@stwip.com。

（編輯：夏淑密）