一种基于GPU加速的DEM超分辨率方法

摘要

本发明公开了一种基于GPU加速的DEM超分辨率方法。包括：(1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分辨率DEM学习数据达到同一尺度；同时将待重建的DEM数据通过相同的插值方法扩充K倍，得到低分辨率DEM重建数据；(2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据分为一系列大小为N×N的相互重叠的区域块；(3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学习数据中进行相似块查找，计算区域块的相似权重，通过将相似权重与给定的阈值T进行比较，得到高分辨率的DEM区域块。本发明能高效快速重建高分辨率DEM数据，且重建结果清晰，准确度高。

说明书

技术领域

本发明属于地形测绘技术领域，更具体地，涉及一种基于GPU加速的 DEM超分辨率方法。

背景技术

数字高程模型(Digital Elevation Model,DEM)是数字地形模型的一个 分支，它是用一组有序数值阵列形式表示地面高程的一种数字模型。随着 数字化的高度发展，DEM模型在社会生活中具有极高的应用价值，因此， 人们对高精度地形模型的要求也越来越高。为了得到高精度的DEM模型， 通常采用两种方法。一种方法是通过使用更加先进的硬件设备直接提高 DEM模型的精度，这种方法不仅成本高，而且对技术水平要求也比较高； 第二种方法是通过分析DEM模型，运用超分辨率的方法提高DEM的精度 及分辨率，即通过一系列低分辨率的图像来得到一幅高分辨率的图像，该 过程称为超分辨率重建。比较而言，第二种方法大大降低了成本，吸引了 大量研究者的重视。基于学习的超分辨率是当前超分辨率研究的热点，其 更加偏重于理解高分辨率图像自身的性质以及内部的规律，因此具有更好 的重建效果，然而该方法需要较大的学习数据库，使得计算量十分巨大， 因此研究快速的超分辨率方法具有实际的意义。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于GPU加 速的DEM超分辨率方法，将GPU引入到DEM重建中，达到高效快速重 建高分辨率DEM数据的目的，且重建结果清晰，准确度高。

为实现上述目的，本发明提供了一种DEM超分辨率方法，其特征在于， 包括如下步骤：

(1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分 辨率DEM学习数据达到同一尺度，此时，低分辨率DEM学习数据与高分 辨率DEM学习数据上的点一一对应；同时，将待重建的DEM数据通过相 同的插值方法扩充K倍，得到低分辨率DEM重建数据；

(2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低 分辨率DEM重建数据分为一系列大小为N×N的相互重叠的区域块；

(3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学 习数据中进行相似块查找，计算与低分辨率DEM学习数据的区域块的相似 权重，将相似权重与给定的阈值T进行比较，若低分辨率DEM学习数据中 存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的 阈值T，则根据这n个区域块对应的高分辨率DEM学习数据的区域块对低 分辨率DEM重建数据的区域块进行重建，得到高分辨率的DEM区域块； 若低分辨率DEM学习数据中不存在与低分辨率DEM重建数据的区域块的 相似权重大于给定的阈值T的区域块，则直接将低分辨率DEM学习数据的 区域块作为高分辨率的DEM区域块；

(4)将步骤(3)得到的高分辨率的DEM区域块按照与低分辨率DEM 重建数据的区域块相同的方式拼接起来，区域块的重叠部分取均值，得到 重建后的高分辨率DEM数据。

优选地，所述步骤(3)由GPU实现。

优选地，GPU按照如下步骤实现所述步骤(3)：

(S1)为DEM数据分配内存，将高分辨率DEM学习数据、低分辨率 DEM学习数据和低分辨率DEM重建数据读入CPU，初始化CUDA编程环 境；

(S2)为GPU开辟显存地址空间用于内核函数的输入和输出，将高分 辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据 由CPU传送到GPU；

(S3)根据区域块的大小、区域块间的步长分配线程结构，编写GPU 端并行执行的内核函数，内核函数完成低分辨率DEM重建数据的每个区域 块的重建工作并将结果输出；

(S4)将GPU端的输出结果传回到内存；

(S5)释放整个GPU端开辟的所有显存地址空间，退出CUDA。

优选地，所述步骤(3)中，低分辨率DEM重建数据的区域块与低分 辨率DEM学习数据的第j个区域块的相似权重其中，h为衰 减参数，为低分辨率DEM重建数据的区域块 与低分辨率DEM学习数据的第j个区域块的平均欧氏距离，y_t(i)为低分辨 率DEM重建数据的区域块的第i个像素值，为低分辨率DEM学习数 据的第j个区域块的第i个像素值，为低分辨率DEM重建数据的区域块 的平均像素值，为低分辨率DEM学习数据的第j个区域块的平均像素值。

优选地，所述步骤(3)中，低分辨率DEM学习数据中存在n个区域 块与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T时，得 到的高分辨率的DEM区域块的第i个像素值其 中，ω_j为低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的第 j个区域块的相似权重，为这n个区域块对应的高分辨率DEM学习数 据的区域块的第i个像素值，为低分辨率DEM学习数据的第j个区域块 的平均像素值，为低分辨率DEM重建数据的区域块的平均像素值。

优选地，所述插值方法为最近邻域插值、双线性插值或双三次插值。

优选地，所述步骤(2)中，区域块间的步长为(N-1)/2。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有 以下有益效果：

1、将GPU引入到DEM重建中，大幅提升了数据的重建速度。

2、采用阈值判断的方法对低分辨率DEM重建数据的区域块进行重建， 为GPU的快速计算提供了更加有利的条件。

3、对区域块间的步长进行合理选择，在保证重建效果的前提下进一步 缩短了重建时间。

4、基于学习的思想重建得到高分辨率DEM数据，重建结果清晰，准 确度高。

附图说明

图1是本发明实施例的DEM超分辨率方法的流程图；

图2是CUDA编程模型图；

图3是GPU的实现流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的 本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可 以相互组合。

近些年，随着以统一计算设备架构(Computer Unified Device  Architecture,CUDA)为代表的通用计算的普及，GPU以其强大的并行计算 能力以及可编程性得到了广泛的应用。其典型应用有图像及信号处理、3D 图像渲染、计算机视觉加速处理等。本发明针对基于学习的超分辨率方法 运算量大的问题，将GPU强大的并行运算能力应用到DEM模型的超分辨 率方法中，达到快速而高效地重建高精度DEM模型的目的。

如图1所示，本发明实施例的基于GPU加速的DEM超分辨率方法包 括如下步骤：

(1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分 辨率DEM学习数据达到同一尺度，此时，低分辨率DEM学习数据与高分 辨率DEM学习数据上的点一一对应；同时，将待重建的DEM数据通过相 同的插值方法扩充K倍，得到低分辨率DEM重建数据。

其中，插值方法为最近邻域插值、双线性插值或双三次插值。

(2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低 分辨率DEM重建数据分为一系列大小为N×N的相互重叠的区域块。

优选地，区域块间的步长为(N-1)/2。

(3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学 习数据中进行相似块查找，计算与低分辨率DEM学习数据的区域块的相似 权重，将相似权重与给定的阈值T进行比较，若低分辨率DEM学习数据中 存在n个区域块与低分辨率DEM重建数据的区域块的相似权重大于给定的 阈值T，则根据这n个区域块对应的高分辨率DEM学习数据的区域块对低 分辨率DEM重建数据的区域块进行重建，得到高分辨率的DEM区域块； 若低分辨率DEM学习数据中不存在与低分辨率DEM重建数据的区域块的 相似权重大于给定的阈值T的区域块，则直接将低分辨率DEM学习数据的 区域块作为高分辨率的DEM区域块。

其中，低分辨率DEM重建数据的区域块与低分辨率DEM学习数据的 第j个区域块的相似权重h为衰减参数，为给定值，例如h＝20， 为低分辨率DEM重建数据的区域块与低分辨率 DEM学习数据的第j个区域块的平均欧氏距离，y_t(i)为低分辨率DEM重建 数据的区域块的第i个像素值，为低分辨率DEM学习数据的第j个区 域块的第i个像素值，为低分辨率DEM重建数据的区域块的平均像素值， 为低分辨率DEM学习数据的第j个区域块的平均像素值。

其中，低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重 建数据的区域块的相似权重大于给定的阈值T时，得到的高分辨率的DEM 区域块的第i个像素值为这n个区域块对应 的高分辨率DEM学习数据的区域块的第i个像素值。

(4)将步骤(3)得到的高分辨率的DEM区域块按照与低分辨率DEM 重建数据的区域块相同的方式拼接起来，区域块的重叠部分取均值，得到 重建后的高分辨率DEM数据。

随着技术的发展，GPU的应用范围越来越广，其强大的并行计算能力 解决了日益增长的数据量的计算问题。针对基于学习算法运算量大、待重 建块之间相互独立的特点，非常适合用GPU进行并行加速。

统一计算设备架构(Compute Unified Device Architecture，CUDA)是英 伟达(NVIDIA)推出的一种运算平台，它采用易掌握的C语言来进行开发， 开发人员既无需为了GPU而另外学习新的编程语言，又可以从CPU的编 写模式平稳过渡到GPU的编写模式。

图2展示了CUDA的编程模型，该模型分为两部分，一部分为主机端 (Host)，一部分为设备端(Device)。主机端由CPU执行，主要负责串 行计算以及逻辑运算，设备端由GPU执行，主要负责高度并行化的数据处 理。kernel(内核函数)是针对并行运算的函数，它是完整程序的一部分， 只负责并行处理，一个完整的CUDA程序包括Host的串行运算以及Device 的并行运算功能组成，依次执行对应程序中的语句顺序。

为了满足CUDA可以在核心数量不同的硬件上的运行，CUDA本身就 有一定的线程结构。kernel最根本的是以线程(thread)构成的，若干数量 的线程可以构成一个线程块(Block)，若干个线程块则可以构成一个线程 网格(Grid)，而线程网格则是kernel的组织形式。各block之间是同时运 行切互不干扰的，并且block之间是无任何通信机制存在的，这样的编程模 型保证了GPU无论对于单个线程块或是多个线程块都可以很好的编程。

优选地，上述步骤(3)由GPU实现，如图3所示，GPU按照如下步 骤实现上述步骤(3)：

(S1)为DEM数据分配内存，将高分辨率DEM学习数据、低分辨率 DEM学习数据和低分辨率DEM重建数据读入CPU，初始化CUDA编程环 境。

(S2)为GPU开辟显存地址空间用于内核函数的输入和输出，将高分 辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数据 由CPU传送到GPU。

(S3)根据区域块的大小、区域块间的步长分配线程结构，编写GPU 端并行执行的内核函数，内核函数完成低分辨率DEM重建数据的每个区域 块的重建工作并将结果输出。

(S4)将GPU端的输出结果传回到内存。

(S5)释放整个GPU端开辟的所有显存地址空间，退出CUDA。

下面通过实例来证明GPU加速后效率的提升。所采用的CPU型号是 Intel(R)Core(TM)i3-21003.10GHz，GPU型号是NVIDIA GeForce GTX 660 Ti，操作系统是32位Windows 7系统。表1和表2为选择不同区域块大小 时，CPU和GPU的重建时间对比表。其中，表1采用的低分辨率DEM重 建数据的大小为500×500，高分辨率DEM学习数据及低分辨率DEM学习 数据的大小均为1500×750；表2采用的低分辨率DEM重建数据的大小为 500×500，高分辨率DEM学习数据及低分辨率DEM学习数据的大小均为 500×500。

从表中可以看出，无论学习数据大或小，CUDA的运行速度均远远高 于CPU，提速效果非常明显，选择的区域块越小，提速比也越高，充分体 现了GPU高密度简单计算的优越性。最后，在实际中，我们也验证了CUDA 重建结果与C++是完全一致的，并且结果好于插值方法。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等，均应包含在本发明的保护范围之内。