[发明专利]基于CUDA的多边形栅格化GPU并行计算方法

说明书

本发明涉及一种基于CUDA的多边形栅格化GPU并行计算方法，由CPU和GPU协同并行处理多边形栅格化；其中，CPU的执行过程包括以下步骤：所有多边形根据PNN进行升序排序，形成第一多边形队列；计算第一多边形队列中各多边形的占用内存MU；按照CUDA中grid、block和thread的层次结构进行多边形的划分：读取每一批次多边形数据并传递给GPU处理，并接收GPU的处理结果。GPU的处理过程包括以下步骤：接收CPU传递的多边形数据；将多边形数据分配给各block及thread；各thread分别调用BAF算法执行栅格化计算；将栅格化结果传递回CPU。本发明能有效提高并行效率、保证负载均衡，且适用于海量多边形的栅格化。

技术领域

本发明涉及一种基于CUDA的多边形栅格化GPU并行计算方法，属于地理信息系统技 术领域。

背景技术

矢量多边形栅格化是地理空间分析中的基础算法，属于矢量多边形数据处理范畴。多边 形栅格化过程包括：遍历多边形，在各多边形最小外接矩形内部判断多边形内部及边界上的 栅格单元，并将多边形属性值赋给这些栅格单元。栅格化的关键步骤是判断多边形内部及边 界上的栅格单元，不同算法有不同的判断方法。

现在常用的栅格化算法为边界代数多边形填充算法(Boundary AlgebraFilling,简称 BAF)，BAF方法的速度最快、效率最高。BAF法的基本原理为：沿着多边形的边界环绕一圈， 当环绕方向向下时，把边界左边一行中所有栅格单元的数值减去属性值，当环绕方向向上时， 把边界左边一行中所有栅格单元的数值加上属性值，则多边形外部的栅格正负数值抵消，而 内部的栅格被赋予属性值。

随着大数据时代的到来，现有单机处理的串行栅格化算法已无法满足海量空间数据快速 处理与分析的需求。因此，发展多边形并行栅格化技术十分必要。

随着计算机硬件的快速发展，GPU(Graphic Processing Unit)作为一种新型架构，具有 浮点运算能力强、运算密集度高和性价比高等特点，可取得较CPU更好的加速效果)。多边形 栅格化具有计算密集、多边形处理独立性强、通信较少的算法特征，符合GPU数据并行处理 的特点，研究GPU环境下的多边形栅格化并行技术成为处理大规模矢量多边形数据快速转换 的新途径。

传统的并行栅格化方法研究主要基于CPU环境设计，取得了良好的并行加速效率。但由 于硬件环境及架构设计上的不同，很难将CPU下的并行方法应用到GPU中，需要根据GPU的 架构特征进行重新设计。已有许多研究针对多边形空间分析的GPU并行处理进行，如空间查 询、空间连接、叠置分析、空间索引构建等，但这些研究对多边形的处理侧重于不同多边形 之间空间关系的判定，通常假定多边形之间复杂度差异较小，且以点近似表示多边形并构建 索引进行划分。但在栅格化中，多边形复杂程度极大地影响运算效率，采用现有方法很难保 证负载均衡。

GPU内存容量有限，这限制了数据处理的规模。同时，矢量多边形具有结构复杂、尺寸差 异性大、数据量巨大等特点。现有研究并未考虑GPU内存对多边形划分、传输及异常多边形 (节点个数过多)处理的影响，从而很难直接适用于海量多边形栅格化处理。

发明内容

本发明要解决技术问题是：提供一种能有效提高并行效率、保证负载均衡并适用于海量 多边形的栅格化方法。

为了解决上述技术问题，本发明提出的技术方案是：一种基于CUDA的多边形栅格化GPU 并行计算方法，由CPU和GPU协同并行处理多边形栅格化；

CPU的执行过程包括第一次执行调度和循环执行调度，其中第一次执行调度包括以下步 骤：

S101、计算各多边形的多边形节点数目PNN，对所有多边形根据PNN进行升序排序，形成 第一多边形队列；

S102、计算第一多边形队列中各多边形的占用内存MU，