[发明专利]用GPU实现超大SAR图像各向异性扩散滤波加速方法

说明书

技术领域

本发明涉及遥感图像处理领域，并且更具体的涉及SAR图像滤波领域，是一种用GPU实现超大SAR图像各向异性扩散滤波加速方法，用于提高图像滤波处理速度。

背景技术

雷达图像中的斑点噪声极大地降低了图像的可读性，不利于图像的解释和信息提取，对此，国内外研究人员做了大量的研究工作。一种理想的滤波方法应该能够自适应的平滑斑点噪声，保持边缘及特征边界的锐变性，同时保持纹理信息。

近二十年来，基于偏微分方程(Partial Differential Equations，PDE)的图像处理方法得到了很大的发展，其应用范围几乎覆盖了整个图像处理领域，如图像滤波，图像分割，图像重建等。其中各向异性扩散滤波由于具有良好的噪声抑制能力和边缘保持能力而被作为研究的重点。各向异性扩散滤波将图像描述为一个分片常数模型，即将边缘作为区域的边界，假定各区域内像素的灰度值为常数。该滤波方法在区域内平滑的同时禁止区域间的平滑，从而使滤波器在平滑噪声的同时能较好的保留边缘等重要特征。

余永健等人研究指出由于基于最小均方误差的相干斑滤波器Lee，Fronst滤波器都可以表示为各向异性扩散的偏微分方程形式，从而成功地将SAR图像的统计特性用于控制异性扩散，提出基于各向异性扩散的噪声模型。之后结合P&M方程，提出了SRAD(相干斑减少各向异性扩散)滤波算法，这个算法第一次考虑了直接衡量相干斑抑制程度的等效视数来构造扩散系数，得到一套处理方法。

由于各向异性扩散SRAD滤波算法具有良好的边缘保持能力，同时对SAR图像的空间分辨率影响较小，因此在近年来得到了广泛的应用。但现有图像滤波算法一般都是串行算法，随着卫星遥感技术的发展与进步，遥感图像的分辨率也在不断提高，伴随着数据量也越来越大，因此在处理超大图像时，串行处理速度显得较慢，如何提高处理速度已是人们亟待解决的问题。图像滤波处理需要大规模的矩阵运算，因此可以考虑通过GPU并行处理来提高处理速度。

近年来GPU已经具备了实现大规模快速计算的编程能力，NVIDIA公司提出的计算统一设备架构(CUDA)计算是这方面的杰出代表。在CUDA框架下，一个支持CUDA的GPU作为CPU的协处理器适用于可以分解为SIMD并行模式的算法。CUDA开发的程序代码在实际执行中分为两种，一种是运行在CPU计算机主机端(host)的代码，一种是运行在GPU设备客户端(device)的代码，称为kernel。典型的CUDA程序过程一般包括如下步骤：在CPU上初始化数据，将数据传到GPU，运行kernel处理数据，最后把结果传回CPU。基于CUDA的GPU计算是一种高度并行化的流式处理器，可对所有像素进行并行的操作。因此对SRAD滤波算法进行并行化计算具有很大的可行性，并可以极大程度的发挥GPU的优势，针对超大SAR图像的SRAD滤波算法进行并行化计算设计十分方便。

发明内容

本发明的目的在于克服上述问题的不足，提出一种用GPU实现的超大SAR图像各向异性扩散SRAD滤波加速方法，以解决在对超大SRA图像进行各向异性扩散SRAD滤波时，串行处理速度较慢的问题。

本发明的技术方案是：首先将需要进行SRAD滤波的SAR图像数据从计算机主机端内存复制到GPU设备端的内存中，由于受到硬件看门狗的影响，需要将SRAD滤波算法分成两个kernel运行，第一个kernel先完成扩散尺度数据c(q)的并行计算，并存储于GPU设备端的全局内存中，以供第二个kernel访问数据，第二个kernel完成最终滤波结果图数据I^T的并行计算。其具体实现步骤如下：

(1)将需要进行SRAD滤波的SAR图像数据I从计算机主机端内存复制到GPU设备端的内存区域A中；

(2)用各向异性扩散尺度函数，按照如下步骤计算图像数据I的扩散尺度数据c(q)；

2a)对图像数据I计算其梯度

2b)对图像数据I进行离散拉普拉斯变换得到

2c)将已计算得到的图像梯度数据以及拉普拉斯变换数据代入扩散系数方程，然后求解SRAD滤波的扩散系数q，其中扩散系数方程如下式所示：