一種基于gpu加速的dem超分辨率方法

一種基于gpu加速的dem超分辨率方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于地形測繪技術(shù)領(lǐng)域，更具體地，涉及一種基于GPU加速的DEM超分辨率 方法。
【背景技術(shù)】
[0002] 數(shù)字高程模型（Digital Elevation Model, DEM)是數(shù)字地形模型的一個(gè)分支，它 是用一組有序數(shù)值陣列形式表示地面高程的一種數(shù)字模型。隨著數(shù)字化的高度發(fā)展，DEM模 型在社會生活中具有極高的應(yīng)用價(jià)值，因此，人們對高精度地形模型的要求也越來越高。為 了得到高精度的DEM模型，通常采用兩種方法。一種方法是通過使用更加先進(jìn)的硬件設(shè)備 直接提高DEM模型的精度，這種方法不僅成本高，而且對技術(shù)水平要求也比較高；第二種方 法是通過分析DEM模型，運(yùn)用超分辨率的方法提高DEM的精度及分辨率，即通過一系列低分 辨率的圖像來得到一幅高分辨率的圖像，該過程稱為超分辨率重建。比較而言，第二種方法 大大降低了成本，吸引了大量研宄者的重視?；趯W(xué)習(xí)的超分辨率是當(dāng)前超分辨率研宄的 熱點(diǎn)，其更加偏重于理解高分辨率圖像自身的性質(zhì)以及內(nèi)部的規(guī)律，因此具有更好的重建 效果，然而該方法需要較大的學(xué)習(xí)數(shù)據(jù)庫，使得計(jì)算量十分巨大，因此研宄快速的超分辨率 方法具有實(shí)際的意義。

【發(fā)明內(nèi)容】

[0003] 針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種基于GPU加速的DEM超 分辨率方法，將GPU引入到DEM重建中，達(dá)到高效快速重建高分辨率DEM數(shù)據(jù)的目的，且重 建結(jié)果清晰，準(zhǔn)確度高。
[0004] 為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種DEM超分辨率方法，其特征在于，包括如下步 驟：
[0005] (1)利用插值方法將低分辨率DEM學(xué)習(xí)數(shù)據(jù)擴(kuò)充K倍，使其與高分辨率DEM學(xué)習(xí)數(shù) 據(jù)達(dá)到同一尺度，此時(shí)，低分辨率DEM學(xué)習(xí)數(shù)據(jù)與高分辨率DEM學(xué)習(xí)數(shù)據(jù)上的點(diǎn)一一對應(yīng)； 同時(shí)，將待重建的DEM數(shù)據(jù)通過相同的插值方法擴(kuò)充K倍，得到低分辨率DEM重建數(shù)據(jù)；
[0006] (2)分別將高分辨率DEM學(xué)習(xí)數(shù)據(jù)、低分辨率DEM學(xué)習(xí)數(shù)據(jù)和低分辨率DEM重建數(shù) 據(jù)分為一系列大小為NXN的相互重疊的區(qū)域塊；
[0007] (3)對低分辨率DEM重建數(shù)據(jù)的每一個(gè)區(qū)域塊，在低分辨率DEM學(xué)習(xí)數(shù)據(jù)中進(jìn)行相 似塊查找，計(jì)算與低分辨率DEM學(xué)習(xí)數(shù)據(jù)的區(qū)域塊的相似權(quán)重，將相似權(quán)重與給定的閾值T 進(jìn)行比較，若低分辨率DEM學(xué)習(xí)數(shù)據(jù)中存在n個(gè)區(qū)域塊與低分辨率DEM重建數(shù)據(jù)的區(qū)域塊 的相似權(quán)重大于給定的閾值T，則根據(jù)這n個(gè)區(qū)域塊對應(yīng)的高分辨率DEM學(xué)習(xí)數(shù)據(jù)的區(qū)域塊 對低分辨率DEM重建數(shù)據(jù)的區(qū)域塊進(jìn)行重建，得到高分辨率的DEM區(qū)域塊；若低分辨率DEM 學(xué)習(xí)數(shù)據(jù)中不存在與低分辨率DEM重建數(shù)據(jù)的區(qū)域塊的相似權(quán)重大于給定的閾值T的區(qū)域 塊，則直接將低分辨率DEM學(xué)習(xí)數(shù)據(jù)的區(qū)域塊作為高分辨率的DEM區(qū)域塊；
[0008] (4)將步驟（3)得到的高分辨率的DEM區(qū)域塊按照與低分辨率DEM重建數(shù)據(jù)的區(qū) 域塊相同的方式拼接起來，區(qū)域塊的重疊部分取均值，得到重建后的高分辨率DEM數(shù)據(jù)。
[0009] 優(yōu)選地，所述步驟（3)由GPU實(shí)現(xiàn)。
[0010] 優(yōu)選地，GPU按照如下步驟實(shí)現(xiàn)所述步驟（3):
[0011] (S1)為DEM數(shù)據(jù)分配內(nèi)存，將高分辨率DEM學(xué)習(xí)數(shù)據(jù)、低分辨率DEM學(xué)習(xí)數(shù)據(jù)和低 分辨率DEM重建數(shù)據(jù)讀入CPU，初始化CUDA編程環(huán)境；
[0012] (S2)為GPU開辟顯存地址空間用于內(nèi)核函數(shù)的輸入和輸出，將高分辨率DEM學(xué)習(xí) 數(shù)據(jù)、低分辨率DEM學(xué)習(xí)數(shù)據(jù)和低分辨率DEM重建數(shù)據(jù)由CPU傳送到GPU ;
[0013] (S3)根據(jù)區(qū)域塊的大小、區(qū)域塊間的步長分配線程結(jié)構(gòu)，編寫GPU端并行執(zhí)行的 內(nèi)核函數(shù)，內(nèi)核函數(shù)完成低分辨率DEM重建數(shù)據(jù)的每個(gè)區(qū)域塊的重建工作并將結(jié)果輸出；
[0014] (S4)將GPU端的輸出結(jié)果傳回到內(nèi)存；
[0015] (S5)釋放整個(gè)GPU端開辟的所有顯存地址空間，退出CUDA。
[0016] 優(yōu)選地，所述步驟⑶中，低分辨率DEM重建數(shù)據(jù)的區(qū)域塊與低分辨 率DEM學(xué)習(xí)數(shù)據(jù)的第j個(gè)區(qū)域塊的相似權(quán)重％ =cxp(-|)，其中，h為衰減參數(shù)，
低分辨率DEM重建數(shù)據(jù)的區(qū)域塊與低分辨率DEM學(xué)習(xí)數(shù) 據(jù)的第j個(gè)區(qū)域塊的平均歐氏距離，yt(i)為低分辨率DEM重建數(shù)據(jù)的區(qū)域塊的第i個(gè)像素 值，為低分辨率DEM學(xué)習(xí)數(shù)據(jù)的第j個(gè)區(qū)域塊的第i個(gè)像素值，K為低分辨率DEM重建 數(shù)據(jù)的區(qū)域塊的平均像素值，兄為低分辨率DEM學(xué)習(xí)數(shù)據(jù)的第j個(gè)區(qū)域塊的平均像素值。
[0017] 優(yōu)選地，所述步驟（3)中，低分辨率DEM學(xué)習(xí)數(shù)據(jù)中存在n個(gè)區(qū)域塊與低分辨率 DHM重建數(shù)據(jù)的區(qū)域塊的相似權(quán)重大于給定的閾值T時(shí)，得到的高分辨率的EffiM區(qū)域塊的 第i個(gè)像素值3
〖中，為低分辨率DEM重建數(shù)據(jù)的區(qū)域塊 與低分辨率DEM學(xué)習(xí)數(shù)據(jù)的第j個(gè)區(qū)域塊的相似權(quán)重，x〗(/)為這n個(gè)區(qū)域塊對應(yīng)的高分辨 率DEM學(xué)習(xí)數(shù)據(jù)的區(qū)域塊的第i個(gè)像素值，>>/為低分辨率DEM學(xué)習(xí)數(shù)據(jù)的第j個(gè)區(qū)域塊的 平均像素值，^為低分辨率DEM重建數(shù)據(jù)的區(qū)域塊的平均像素值。
[0018] 優(yōu)選地，所述插值方法為最近鄰域插值、雙線性插值或雙三次插值。
[0019] 優(yōu)選地，所述步驟（2)中，區(qū)域塊間的步長為（N-l)/2。
[0020] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效 果：
[0021] 1、將GPU引入到DEM重建中，大幅提升了數(shù)據(jù)的重建速度。
[0022] 2、采用閾值判斷的方法對低分辨率EffiM重建數(shù)據(jù)的區(qū)域塊進(jìn)行重建，為GPU的快 速計(jì)算提供了更加有利的條件。
[0023] 3、對區(qū)域塊間的步長進(jìn)行合理選擇，在保證重建效果的前提下進(jìn)一步縮短了重建 時(shí)間。
[0024] 4、基于學(xué)習(xí)的思想重建得到高分辨率DEM數(shù)據(jù)，重建結(jié)果清晰，準(zhǔn)確度高。
【附圖說明】
[0025] 圖1是本發(fā)明實(shí)施例的EffiM超分辨率方法的流程圖；
[0026] 圖2是CUDA編程模型圖；
[0027] 圖3是GPU的實(shí)現(xiàn)流程圖。
【具體實(shí)施方式】
[0028] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0029] 近些年，隨著以統(tǒng)一計(jì)算設(shè)備架構(gòu)（Computer Unified Device Architecture, CUDA)為代表的通用計(jì)算的普及，GPU以其強(qiáng)大的并行計(jì)算能力以及可編程 性得到了廣泛的應(yīng)用。其典型應(yīng)用有圖像及信號處理、3D圖像渲染、計(jì)算機(jī)視覺加速處理 等。本發(fā)明針對基于學(xué)習(xí)的超分辨率方法運(yùn)算量大的問題，將GPU強(qiáng)大的并行運(yùn)算能力應(yīng) 用到DEM模型的超分辨率方法中，達(dá)到快速而高效地重建高精度DEM模型的目的。
[0030] 如圖1所示，本發(fā)明實(shí)施例的基于GPU加速的DEM超分辨率方法包括如下步驟：
[0031] (1)利用插值方法將低分辨率DEM學(xué)習(xí)數(shù)據(jù)擴(kuò)充K倍，使其與高分辨率DEM學(xué)習(xí)數(shù) 據(jù)達(dá)到同一尺度，此時(shí)，低分辨率DEM學(xué)習(xí)數(shù)據(jù)與高分辨率DEM學(xué)習(xí)數(shù)據(jù)上的點(diǎn)一一對應(yīng)； 同時(shí)，將待重建的DEM數(shù)據(jù)通過相同的插值方法擴(kuò)充K倍，得到低分辨率DEM重建數(shù)據(jù)。
[0032] 其中，插值方法為最近鄰域插值、雙線性插值或雙三次插值。
[0033] (2)分別將高分辨率DEM學(xué)習(xí)數(shù)據(jù)、低分辨率DEM學(xué)習(xí)數(shù)據(jù)和低分辨率DEM重建數(shù) 據(jù)分為一系列大小為NXN的相互重疊的區(qū)域塊。
[0034] 優(yōu)選地，區(qū)域塊間的步長為（N-l)/2。
[0035] (3)對低分辨率DEM重建數(shù)據(jù)的每一個(gè)區(qū)域塊，在低分辨率DEM學(xué)習(xí)數(shù)據(jù)中進(jìn)行相 似塊查找，計(jì)算與低分辨率DEM學(xué)習(xí)數(shù)據(jù)的區(qū)域塊的相似權(quán)重，將相似權(quán)重與給定的閾值T 進(jìn)行比較，若低分辨率DEM學(xué)習(xí)數(shù)據(jù)中存在n個(gè)區(qū)域塊與低分辨率DEM重建數(shù)據(jù)的區(qū)域塊 的相似權(quán)重大于給定的閾值T，則根據(jù)這n個(gè)區(qū)域塊對應(yīng)的高分辨率DEM學(xué)習(xí)數(shù)據(jù)的區(qū)域塊 對低分辨率DEM重建數(shù)據(jù)的區(qū)域塊進(jìn)行重建，得到高分辨率的DEM區(qū)域塊；若低分辨率DEM 學(xué)習(xí)數(shù)據(jù)中不存在與低分辨率DEM重建數(shù)據(jù)的區(qū)域塊的相似權(quán)重大于給定的閾值T的區(qū)域 塊，則直接將低分辨率DEM學(xué)習(xí)數(shù)據(jù)的區(qū)域塊作為高分辨率的DEM區(qū)域塊。
[0036] 其中，低分辨率EffiM重建數(shù)據(jù)的區(qū)域塊與低分辨率EffiM學(xué)習(xí)數(shù)據(jù)的 D 第j個(gè)區(qū)域塊的相似權(quán)重％ = ，h為發(fā)減參數(shù)，為給定值，例如h = 20， If
為低分辨率DEM重建數(shù)據(jù)的區(qū)域塊與低分辨率DEM學(xué)習(xí)數(shù) 據(jù)的第j個(gè)區(qū)域塊的平均歐氏距離，yt(i)為低分辨率DEM重建數(shù)據(jù)的區(qū)域塊的第i個(gè)像素 值，允(0為低分辨率DEM學(xué)習(xí)數(shù)據(jù)的第j個(gè)區(qū)域塊的第i個(gè)像素值，f為低分辨率DEM重 建數(shù)據(jù)的區(qū)域塊的平均像素值，^為低分辨率DEM學(xué)習(xí)數(shù)據(jù)的第j個(gè)區(qū)域塊的平均像素值。
[0037] 其中，低分辨率E