GPU在无人机影像处理中的应用述评.docVIP

GPU在无人机影像处理中的应用述评 　　摘要：无人机作为一种新兴的低空遥感平台，具有快速灵活、任务周期短、成本低等特点。平台一般搭载的非量测级数码相机获取到的影像分辨率高、空间重叠度较大，使得能够快速、准确地处理无人机影像成为近代遥感图像处理研究的目标之一。近年来，随着具有强并行性和性能功耗比的GPU高性能运算的兴起，为提高无人机影像处理效率提供了一个全新的选择。以GPU-CPU异构执行模式与算法模型为基础，评述国内外GPU无人机图像处理的研究现状与主要特点，总结了研究过程中存在的问题，并提出进一步研究的设想 关键词：GPU 无人机遥感影像 并行处理 中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）11-0082-02 无人机（Unmanned Aerial Vehicle，UAV）遥感作为遥感发展的重要部分，具有应急响应快、任务周期短、运维成本低、执行效率高等特点。机身一般搭载非量测级数码相机，并且由于无人机平台的不稳定性和受环境影响较大等因素，给后期图像处理工作带来诸多可提升的空间 GPU（Graphic Process Unit，图像处理器）作为通用大规模处理器，已成为高性能计算的重要部件之一。随着GPU-CPU协同编程模型的发展和可编程平台的不断进步，使得具有强并行性、高性能功耗比、高性价比的GPU异构计算单元受到各行业的广泛关注 1 CPU-GPU概述及理论依据 1.1 CPU/GPU体系结构 CPU（Control Process Unit，中央处理器）作为计算机的运算核心和控制核心为大众所熟知，在2002年以前一直以摩尔定律的速度发展，但在近十年受到“能量墙”与“存储器墙”的干扰发展速度一直远低于摩尔定律的预测。GPU图像处理器对比CPU的明显优势在于以图像处理为主要目标所导致的体系结构的不同，在GPU中占有大量空间的ALU运算单元和数据带宽在CPU中并没有大规模使用，取而代之的是复杂的控制单元、分支预测、OoO（Out of Order，乱序执行）和大量的缓存空间，这无疑在很大程度上降低了CPU的运算能力 NVIDIA公司作为GPU通用计算的核心生产商之一，主要推出以NVIDIA GTX 480为代表的Fermi体系架构和NVIDIA GTX 680为主要代表的Kepler架构以及以NVIDIA GTX 750为代表的Maxwell架构，以较高能耗比、创新的MIMD（Multiple Instruction Multiple Data）架构和TLP（Thread-Level Parallelism）模式的开发取得高性能计算的一席之地 ATI/AMD公司GPU的典型架构为RV870，又被命名为Cypress，采用了第二代“TeraScale 2”核心架构 简单的CPU/GPU协同并行计算是指CPU作为GPU的任务管理模块和I/O接口，所有的计算任务都由GPU中的ALU计算单元执行。这种分工非常清晰，但是在一定程度在浪费了CPU的计算资源，特别是对于目前多核CPU的广泛使用有一定的弊端。所以现阶段国内外大量学者着力于研究如何使CPU在完成对GPU的任务调度等事务性工作的同时利用自身的计算资源完成一部分计算工作 1.2 GPU编程平台及模型 GPU硬件的可变成性和开发模式的限制催生了一批以CUDA（Computing Unified Device Architecture）模型为代表的GPU通用计算编程开发环境及其软件体系 2007年，NVIDIA公司推出CUDA通用并行计算架构，使用添加关键字扩展的C语言作为该运算平台的主流语言，不仅给使用者提供了更便捷的方式对GPU硬件做底层调度也为开发者降低了开发难度。作为一种将GPU视为数据并行计算设备的软硬件体系，CUDA编程模型将CPU作为主机端（Host），GPU作为协处理器或设备端（Device），允许同意主机上并存若干设备 从结构层面讲OpenCL与CUDA Driver API结构的实现方式在很大程度上是相似的，且得到很多GPU芯片厂商的支持，如：AMD-ATI、NIVIDIA等 AMD-ATI公司也在GPU通用计算架构平台的开发浪潮中不断改进自己的Stream SDK。以Stream SDK v2.2为代表的新一代软硬件体系取得长足发展，能够在Windows、Linux发行版上运行，并开始支持OpenCL规范和双精度浮点数运算 2 GPU在遥感领域的应用与研究现状 2.1 配准融合算法的加速处理 根据GPU体系结构采取算法加速的措施在相关研究成果中都取得较好效果 将数据分块并分配到各线程并行处理的协作方式作为算法加速的重要分支在很多研究