CN109801208A - 基于多gpu任务优化的sar图像变化检测方法 - Google Patents
基于多gpu任务优化的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN109801208A CN109801208A CN201910068749.2A CN201910068749A CN109801208A CN 109801208 A CN109801208 A CN 109801208A CN 201910068749 A CN201910068749 A CN 201910068749A CN 109801208 A CN109801208 A CN 109801208A
- Authority
- CN
- China
- Prior art keywords
- thread
- sar image
- matrix
- gpu
- graphics processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多GPU任务优化的SAR图像变化检测算法的方法，其实现步骤为：(1)实时读取两幅SAR图像；(2)对图像进行尺度调整；(3)利用多个GPU获取图像灰度数据矩阵；(4)生成对数比值差异图像作为观测场；(5)多个GPU对观测场进行初始二值分割得到标记场；(6)获取标记场的先验概率；(7)多个GPU计算条件分布概率；(8)对标记场进行重新标记；(9)判断是否到达终止条件；(10)得到变化检测结果图。本发明利用SAR变化检测处理过程进行任务分解，并利用多个图形处理器GPU对处理过程进行实现，提高SAR图像变化检测速度，可应用于对对SAR图像进行实时变化检测。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及图像分割与图像分类识别技术领域中的一种基于多个图形处理器GPU(Graphics Processing Unit)任务优化的合成孔径雷达SAR(Synthetic Aperture Radar)图像变化检测方法。本发明可用于快速检测出两个时相合成孔径雷达SAR图像的变化信息，据此可实时监测地震前后的地物变化、实时监测农作物生长状态的动态变化。
背景技术
随着合成孔径雷达SAR图像分辨率的提高，中央处理器CPU(Central ProcessingUnit)上执行的图像变化检测算法运行时间变长，以至于无法满足实时性要求。由于图形处理器GPU中含有大量的计算单元ALU和少量的控制单元，更适合完成计算密集型的任务。随着图形处理器GPU摩尔定律逐渐失效，单个图形处理器GPU设备性能无法满足当今高分辨率合成孔径雷达SAR图像高实效处理的要求，优化图像处理任务和整合多设备资源变得至关重要。目前，利用多个图形处理器GPU对合成孔径雷达SAR图像进行处理的相关技术具有突破性意义。
西北工业大学在其申请的专利文献“基于双通道卷积神经网络的多时相SAR图像变化检测方法”(专利申请号：2016103016867，申请公布号：CN106023154A)中公开了一种基于双通道卷积神经网络的多时相SAR图像变化检测方法。该方法的实现过程为：先构造两个结构相同CNN模型，随机挑选部分样本点，并人为标定这些样本点的变化检测结果，将这些样本点和标定检测结果作为训练CNN的训练数据。再使用训练好的CNN对未分类样本进行变化检测获得最终的变化检测结果。该方法虽然提出了新型的合成孔径雷达SAR图像变化检测方法，提高了变化检测性能，但是，该方法仍然存在的不足之处是，基于传统中央处理器CPU进行合成孔径雷达SAR图像变化导致处理速度慢，无法实现合成孔径雷达SAR图像实时变化检测处理。
西安电子科技大学在其申请的专利文献“基于CUDA和平稳小波变换的SAR图像变化检测方法”(专利申请号：2015101063286，申请公布号：CN104751453A)中提出了一种基于CUDA和平稳小波变换的SAR图像变化检测方法。该方法的实现过程为：CPU将两个SAR图像数据传送到GPU端；在GPU端，计算两幅GRAY图像数据的比值差异图像Y；对比值差异图像Y进行二维小波变换，得到除第1尺度外的各尺度低频分量；对除第1尺度外的各尺度低频分量进行贝叶斯阈值分割，得到各个尺度低频分量的变化分量；对各个尺度低频分量的变化分量进行尺度间数据融合，得到变化检测的图像数据。该方法虽然提出了基于图像处理器GPU的合成孔径雷达SAR图像变化检测方法，提高了变化检测速度。但是，该方法仍然存在的不足之处是，随着信息化的快速发展，人们对实时性要求越来越高，该方法基于单个图形处理器GPU设备对合成孔径雷达SAR图像进行变化检测处理，没有充分利用多设备资源，无法满足高速实时并行化处理要求，对于多图形处理器GPU设备而言，系统资源利用率较低。
发明内容
本发明的目的在于针对上述现有技术的不足，提出了一种基于多GPU任务优化的SAR图像变化检测的方法，解决了现有技术无法满足合成孔径雷达SAR图像变化检测实时处理要求的问题，提高了合成孔径雷达SAR图像变化检测速度。
实现本发明目的的思路是：首先利用多个GPU预处理输入的合成孔径雷达SAR图像，获取图像灰度值数据矩阵，生成合成孔径雷达SAR图像比值差异图像；接着基于模糊C均值算法对比值差异图像进行初始二值分割，得到标记场；然后基于最大后验概率准则，对标记场进行条件迭代ICM过程，根据后验概率不断更新标记场，直到满足迭代终止条件；最后输出标记场作为变化检测结果图。
本发明的具体实现步骤如下：
1.一种基于多GPU任务优化的SAR图像变化检测方法，其特征在于，利用多GPU获取两幅SAR图像的灰度数据矩阵，对观测场进行初始二值分割，计算标记场的条件分布概率，对标记场进行重新标记，该方法的具体步骤包括如下：
(1)实时读取两幅合成孔径雷达SAR图像I1、I2；
(2)对I1、I2进行尺度调整：
调整两幅合成孔径雷达SAR图像I1、I2的尺寸，使两者相等且两幅图像场景相同，调整后图像横向像素的总数为W，纵向像素的总数为H；
(3)获取I1、I2的灰度数据矩阵：
(3a)在两个图形处理器GPU的显存中，分别开辟一个宽为高为的空间，用于存放二维灰度值数组α1、α2，其中表示向上取整操作；
(3b)每个图形处理器GPU分别分配线程矩阵，线程矩阵中每个线程分别执行将合成孔径雷达SAR图像I1和I2的灰度值数据赋值给灰度值数组α1和α2；
(4)生成对数比值差异图像作为观测场：
(4a)一个图形处理器GPU将灰度值数据传输至另一个图形处理器GPU；
(4b)接收灰度值数据的图形处理器GPU分配线程矩阵，利用对数比值差异图像公式，线程矩阵中的每个线程计算比值差异图像，得到观测场；
(5)对观测场进行初始二值分割得到标记场：
两个图形处理器GPU共同对观测场中的合成孔径雷达SAR图像中每个元素的灰度值，进行基于模糊C均值聚类FCM算法的初始二值分割，得到由合成孔径雷达SAR图像中所有元素组成的标记场；
(6)获取标记场的先验概率：
(6a)在一个图形处理器GPU的显存中开辟一个宽为高为的空间，用于存放二维先验概率数组；
(6b)图形处理器GPU分配线程矩阵，利用标记场的先验概率公式，线程矩阵中的每个线程计算标记场的先验概率，将结果保存在先验概率数组；
(7)计算条件分布概率：
(7a)在两个图形处理器GPU的显存中，分别开辟三个宽为高为的空间，分别用于存放均值数组、标准差数组、条件分布概率数组；
(7b)每个图形处理器GPU分配一个线程矩阵，利用标记类别均值公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的均值，将结果分别保存在各自的均值数组空间中，其中，H0表示图像元素灰度值为0，H1表示图像元素灰度值为1；
(7c)每个图形处理器GPU分配线程矩阵，利用标记类别标准差公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的标准差，将结果分别保存在各自的标准差数组空间中；
(7d)每个图形处理器GPU分配线程矩阵，利用标记类别条件分布概率公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的条件分布概率，将结果分别保存在各自的条件分布概率数组空间中；
(8)对标记场进行重新标记：
(8a)将标记场中元素标记成类别H0或H1；
(8b)两个图形处理器GPU分配线程矩阵，利用后验概率公式，线程矩阵中的每个线程分别计算标记场的后验概率；
(8c)判断标记场的后验概率值是否最大，若是，则执行步骤(9)，否则，执行步骤(8a)；
(9)判断标记场中类别发生变化的元素数与整个标记场元素总数的占比是否小于预设的阈值，若是，则执行步骤(10)，否则，执行步骤(6)；
(10)输出当前的标记场，作为合成孔径雷达SAR图像变化检测结果。
本发明与现有技术相比具有以下优点：
第一，由于本发明利用图形处理器GPU生成对数比值差异图像和获取先验概率，克服了现有技术利用传统中央处理器CPU对合成孔径雷达SAR图像进行变化检测导致速度慢的问题，使得本发明提高了变化检测速度，能够满足合成孔径雷达SAR图像变化检测实时处理的要求。
第二，由于本发明利用多个图形处理器GPU获取两幅SAR图像的灰度数据矩阵，利用多个图形处理器GPU对观测场进行初始二值分割，多个图形处理器GPU计算标记场的条件分布概率，多个图形处理器GPU对标记场进行重新标记，克服了现有技术采用单个处理器GPU对合成孔径雷达SAR图像进行变化检测导致无法满足高速实时并行化处理要求、系统资源利用率较低，使得本发明进一步提高了变化检测速度和系统资源利用率，能够满足合成孔径雷达SAR图像进行变化检测满足高速实时并行化处理要求，而且具有系统资源利用率高的优点。
附图说明
图1为本发明的流程图；
图2为本发明仿真实验使用的黄河入海口区域的合成孔径雷达图像及其仿真结果图；
图3为本发明仿真实验使用的渥太华地区的合成孔径雷达图像及其仿真结果图。
具体实施方式
下面结合附图对本发明作进一步的详细描述。
结合附图1，对本发明的步骤作进一步的详细描述。
步骤1，实时读取两幅合成孔径雷达SAR图像I1、I2。
步骤2，对I1、I2进行尺度调整。
调整两幅合成孔径雷达SAR图像I1、I2的尺寸，使两者相等且两幅图像场景相同，调整后图像横向像素的总数为W，纵向像素的总数为H。
步骤3，利用多个图形处理器GPU获取I1、I2的灰度数据矩阵。
在两个图形处理器GPU的显存中，分别开辟一个宽为高为的空间，用于存放二维灰度值数组α1、α2，其中表示向上取整操作。
每个图形处理器GPU分别分配线程矩阵，线程矩阵中每个线程分别执行将合成孔径雷达SAR图像I1和I2的灰度值数据赋值给灰度值数组α1和α2。
所述的分配线程矩阵的具体步骤如下：
第1步，一个图形处理器GPU分配32*32个线程块。
第2步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
步骤4，生成对数比值差异图像作为观测场。
一个图形处理器GPU将灰度值数据传输至另一个图形处理器GPU。
接收灰度值数据的图形处理器GPU分配线程矩阵，利用对数比值差异图像公式，线程矩阵中的每个线程计算比值差异图像，得到观测场。
所述的分配线程矩阵的具体步骤如下：
第1步，一个图形处理器GPU分配32*32个线程块。
第2步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
所述的对数比值差异图像公式如下：
其中，I表示构造的差异图像，log表示以2为底的对数操作，I1表示第一幅待处理合成孔径雷达SAR图像，I2表示第二幅待处理合成孔径雷达SAR图像。由于合成孔径雷达SAR图像的乘型相干斑噪声特性，采用对数比值差异图像方式能够变乘型噪声为加性噪声，后期去噪处理会更容易，每个元素加10是为了避免待处理合成孔径雷达SAR图像中某个像素元为零时所造成的极端情况。
步骤5，多个图形处理器GPU对观测场进行初始二值分割得到标记场。
两个图形处理器GPU共同对观测场中的合成孔径雷达SAR图像中每个元素的灰度值，进行基于模糊C均值聚类FCM算法的初始二值分割，得到由合成孔径雷达SAR图像中所有元素组成的标记场。求解SAR图像变化检测就是对差异图像进行二值分割，本发明采用条件迭代方法进行求解最优分割结果，因此分割前需要对待分割图像进行初始化运算。实际情况下这些样本点并没有很强的类别属性差别，这种数据具有不确定性，模糊C均值算法融入了模糊集理论，它为不确定性的分类处理提供了有效的支持。
所述基于模糊C均值聚类FCM算法的初始二值分割的具体步骤如下：
第1步，第一个图形处理器GPU分配线程矩阵，通过在0至1之间随机取值，对观测场的隶属度矩阵元素进行初始化，使观测场的每个隶属度在不同聚类中取值总和等于1。
第2步，两个图形处理器GPU分别分配线程矩阵，线程矩阵中的每个线程分别按照下式计算观测场的两个聚类中心：
其中，ck表示第k个聚类中心，k＝1,2，∑表示求和操作，n表示观测场的数据总量，表示第k个聚类的隶属度矩阵中第j个向量，γ表示模糊加权指数，αj表示观测场中第j个灰度值元素。
第3步，第一个图形处理器GPU分配线程矩阵，线程矩阵中的每个线程按照下式计算模糊聚类的价值函数：
其中，J表示观测场的模糊聚类的价值函数，γ表示模糊加权指数，dkj＝||ck-αj||为第k个聚类中心与观测场中第j个灰度值元素之间的欧几里德距离。
第4步，判断价值函数值是否小于设定的阈值，若是，将隶属度为0的观测场元素标记为H0，将隶属度为1的观测场元素标记为H1，初始分割完成，否则，执行第五步。
第5步，第一个图形处理器GPU分配线程矩阵，线程矩阵中的每个线程对隶属度矩阵进行更新，然后执行第二步，隶属度矩阵公式如下：
其中，ukj表示第k个聚类的隶属度矩阵中第j个向量。
步骤6，获取标记场的先验概率。
在一个图形处理器GPU的显存中开辟一个宽为高为的空间，用于存放二维先验概率数组。
图形处理器GPU分配线程矩阵，利用标记场的先验概率公式，线程矩阵中的每个线程计算标记场的先验概率，将结果保存在先验概率数组。
所述的分配线程矩阵的具体步骤如下：
第1步，一个图形处理器GPU分配32*32个线程块。
第2步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
所述标记场的先验概率公式如下：
其中，P(X)表示标记场X的先验概率，∈表示属于符号，e表示自然常数e为底的指数操作，U(x)表示以标记场X中第x个元素与其邻域像素组成的系统能量，T表示标记场X的能量系数，通常取1，*表示相乘操作。
步骤7，多个图形处理器GPU计算条件分布概率。
在两个图形处理器GPU的显存中，分别开辟三个宽为高为的空间，分别用于存放均值数组、标准差数组、条件分布概率数组。
每个图形处理器GPU分配一个线程矩阵，利用标记类别均值公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的均值，将结果分别保存在各自的均值数组空间中，其中，H0表示图像元素灰度值为0，H1表示图像元素灰度值为1。
所述的分配线程矩阵的具体步骤如下：
第1步，一个图形处理器GPU分配32*32个线程块。
第2步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
所述的标记类别均值公式如下：
其中，μk表示第k种标记类别的均值，W为合成孔径雷达SAR图像待检测区域的宽，H为合成孔径雷达SAR图像待检测区域的高，αkij表示标记场中第k种标记类别索引为(i,j)处像素的灰度值，sk表示第k种标记类别的像素总数。
每个图形处理器GPU分配线程矩阵，利用标记类别标准差公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的标准差，结果分别保存在各自的标准差数组空间中。
所述的分配线程矩阵的具体步骤如下：
第1步，一个图形处理器GPU分配32*32个线程块。
第2步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
所述的标记类别标准差公式如下：
其中，σk表示第k种标记类别的标准差。
每个图形处理器GPU分配线程矩阵，利用标记类别条件分布概率公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的条件分布概率，结果分别保存在各自的条件分布概率数组空间中。
所述的分配线程矩阵的具体步骤如下：
第1步，一个图形处理器GPU分配32*32个线程块。
第2步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
所述的标记类别条件分布概率公式如下：
其中，k表示被标记的类别，yk元素y被标记为第k类，k＝0,1，P(yk|X)表示在标记场X已知的条件下第k个类别的分布概率，σk为第k个类别的标准差，μk为第k个类别的均值。
步骤8，对标记场进行重新标记。
(8.1)将标记场中元素标记成类别H0或H1。
(8.2)两个图形处理器GPU分配线程矩阵，利用后验概率公式，线程矩阵中的每个线程分别计算标记场的后验概率。
所述的分配线程矩阵的具体步骤如下：
第1步，一个图形处理器GPU分配32*32个线程块。
第2步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
所述的后验概率公式如下：
其中，P表示标记场的后验概率，∏表示求积操作，P(Y)表示观测场Y的分布概率，为一个常数。
(8.3)判断标记场的后验概率值是否最大，若是，则执行步骤9，否则，执行本步骤的(8.1)。
步骤9，判断标记场中类别发生变化的元素数与整个标记场元素总数的占比是否小于预设的阈值，若是，则执行步骤10，否则，执行步骤6。
步骤10，输出当前的标记场，作为合成孔径雷达SAR图像变化检测结果。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真条件：
本发明仿真实验的运行环境是：Microsoft Windows 7，64位SP1操作系统，本发明的仿真实验是在主频2.40GHz的Intel(R)Xeon(R)E5-2630v3(2处理器)，主频1.50GHz的NVIDIA Tesla K40c(2GPU)，内存64.0GB的硬件环境和Microsoft Visual Studio 2013，CUDA8.0软件环境下完成的。
2.仿真内容及其仿真效果分析：
本发明仿真实验是采用本发明方法和两种现有技术(利用中央处理器CPU、利用单GPU)，分别对黄河入海口区域合成孔径雷达图像和渥太华地区合成孔径雷达图像进行仿真，得到合成孔径雷达图像变化检测的两组结果。
本发明仿真实验1所用的图像分别为2008年6月和2009年6月拍摄的两幅图。图2(a)为2008年6月拍摄的中国山东省东营市黄河入海口区域图像，该图像为257×289个像素。图2(b)为2009年6月拍摄的中国山东省东营市黄河入海口区域图像，该图像为257×289个像素。图2(c)为中国电子科技集团公司某研究所提供的黄河入海口地区真实的变化参考图。图2(d)为采用中央处理器CPU对黄河入海口地区合成孔径雷达图像进行变化检测的结果图。图2(e)为采用单个图像处理器GPU对黄河入海口地区合成孔径雷达图像进行变化检测的结果图。图2(f)为采用多个图形处理器GPU对黄河入海口地区合成孔径雷达图像进行变化检测的结果图。
为了验证本发明满足实时合成孔径雷达图像变化检测处理的要求的技术效果，本发明选取变化检测精度、Kappa系数和变化检测处理时间作为性能指标参数，根据仿真实验1中结果评价变化检测性能的好坏。
正确检测率是对是否有效检测到变化区域最直观的评价，正确检测率越高，表示变化检测效果越好。正确检测率的定义公式如下：
其中，PC表示合成孔径雷达SAR图像变化检测的正确检测率，TP表示相对于参考图被正确标记为变化的像元数，TP表示相对于参考图被正确标记为没有变化的像元数，FP表示相对于参考图被错误标记为变化的像元数，FN表示相对于参考图被错误标记为没有变化的像元数。
Kappa系数常用来作为变化检测精度的评价标准，Kappa系数越大，表示仿真实验的结果图与真实变化参考图之间越接近，变化检结果性能更好。Kappa系数的定义公式如下：
其中，Kappa表示合成孔径雷达SAR图像变化检测结果的Kappa系数，Pcc表示通过变化检测方法检测到的变化像素与实际发生变化的像素重合像素的个数占图像总像素个数的比例，Pc.表示图像中实际发生变化的像素数在图像总像素数中所占的比例，P.c表示检测得到的变化像素数在图像总像素数中所占的比例。
比较本发明方法得到的变化检测结果和真实的变化参考图可以看出，本发明方法得到的变化检测结果有少量的虚检率和一定的漏检率，本发明方法相对现有技术的基于中央处理器CPU、基于单个图形处理器GPU实现的黄河入海口地区合成孔径雷达图像变化检测性能对比如表1。
表1本发明与现有技术实现的黄河入海口地区图像变化检测性能对比表
| 计算架构平台 | 正确检测率 | Kappa系数 | 仿真时间 |
| CPU | 86.3％ | 0.5123 | 12.556s |
| 单GPU | 86.3％ | 0.5123 | 2.780s |
| 本发明 | 86.3％ | 0.5123 | 1.601s |
由表1中可以看出，本发明方法与现有技术实现的像素为257×289的黄河入海口地区合成孔径雷达SAR图像变化检测相比，正确检测率达到了86.3％，Kappa系数为0.5123。相对于同一算法，不同处理器实现的方法对正确检测率和Kappa系数没有产生影响，而本发明方法相对于基于中央处理器CPU实现的方法的加速比达到7.843，本发明方法相对于基于单个图形处理器GPU实现的方法的加速比达到1.736。
本发明仿真实验2所用的图像分别为1997年5月和1997年8月拍摄的两幅图。图3(a)为1997年5月拍摄的渥太华地区图像，该图像为290×350个像素。图3(b)为1997年8月拍摄的渥太华地区图像，该图像为290×350个像素。图3(c)为加拿大国防研究与发展部提供的渥太华地区真实变化参考图。图3(d)为采用中央处理器CPU对渥太华地区合成孔径雷达图像进行变化检测的结果图。图3(e)为采用单个图像处理器GPU对渥太华地区合成孔径雷达图像进行变化检测的结果图。图3(f)为采用多个图形处理器GPU对渥太华地区合成孔径雷达图像进行变化检测的结果图。
为了验证本发明满足实时合成孔径雷达图像变化检测处理的要求，本发明选取变化检测精度、Kappa系数和变化检测处理时间作为性能指标参数，根据仿真实验2中结果评价变化检测性能的好坏。
比较本发明方法得到的变化检测结果和真实的变化参考图可以看出，本发明方法得到的变化检测结果的虚检率和漏检率都较低，说明变化检测效果比较好。本发明方法相对现有基于中央处理器CPU、基于单个图形处理器GPU实现的渥太华地区合成孔径雷达图像变化检测性能对比如表2。
表2本发明与现有技术实现的渥太华地区图像变化检测性能对比表
| 计算架构平台 | 正确检测率 | Kappa系数 | 仿真时间 |
| CPU | 92.3％ | 0.6187 | 14.948s |
| 单GPU | 92.3％ | 0.6187 | 3.020s |
| 本发明 | 92.3％ | 0.6187 | 1.685s |
由表2中可以看出，本发明方法与现有技术实现的像素为290×350的渥太华地区合成孔径雷达SAR图像变化检测相比，正确检测率达到了92.3％，Kappa系数为0.6187。相对于同一算法，不同处理器实现的方法对正确检测率和Kappa系数没有产生影响，而本发明方法相对于基于中央处理器CPU实现的方法的加速比达到8.871，本发明方法相对于基于单个图形处理器GPU实现的方法的加速比达到1.792。
综上所述，相较于基于中央处理器CPU和基于单个图形处理器GPU实现的合成孔径雷达SAR图像变化检测方法，本发明能够确保合成孔径雷达SAR图像变化检测的正确检测率和Kappa系数不受影响的前提下，变化检测处理速度大幅提高，能够满足合成孔径雷达SAR图像变化检测实时处理的要求。
Claims (9)
1.一种基于多GPU任务优化的SAR图像变化检测方法，其特征在于，利用多GPU获取两幅SAR图像的灰度数据矩阵，对观测场进行初始二值分割，计算标记场的条件分布概率，对标记场进行重新标记，该方法的具体步骤包括如下：
(1)实时读取两幅合成孔径雷达SAR图像I1、I2；
(2)对I1、I2进行尺度调整：
调整两幅合成孔径雷达SAR图像I1、I2的尺寸，使两者相等且两幅图像场景相同，调整后图像横向像素的总数为W，纵向像素的总数为H；
(3)获取I1、I2的灰度数据矩阵：
(3a)在两个图形处理器GPU的显存中，分别开辟一个宽为高为的空间，用于存放二维灰度值数组α1、α2，其中表示向上取整操作；
(3b)每个图形处理器GPU分别分配线程矩阵，线程矩阵中每个线程分别执行将合成孔径雷达SAR图像I1和I2的灰度值数据赋值给灰度值数组α1和α2；
(4)生成对数比值差异图像作为观测场：
(4a)一个图形处理器GPU将灰度值数据传输至另一个图形处理器GPU；
(4b)接收灰度值数据的图形处理器GPU分配线程矩阵，利用对数比值差异图像公式，线程矩阵中的每个线程计算比值差异图像，得到观测场；
(5)对观测场进行初始二值分割得到标记场：
两个图形处理器GPU共同对观测场中的合成孔径雷达SAR图像中每个元素的灰度值，进行基于模糊C均值聚类FCM算法的初始二值分割，得到由合成孔径雷达SAR图像中所有元素组成的标记场；
(6)获取标记场的先验概率：
(6a)在一个图形处理器GPU的显存中开辟一个宽为高为的空间，用于存放二维先验概率数组；
(6b)图形处理器GPU分配线程矩阵，利用标记场的先验概率公式，线程矩阵中的每个线程计算标记场的先验概率，将结果保存在先验概率数组；
(7)计算条件分布概率：
(7a)在两个图形处理器GPU的显存中，分别开辟三个宽为高为的空间，分别用于存放均值数组、标准差数组、条件分布概率数组；
(7b)每个图形处理器GPU分配一个线程矩阵，利用标记类别均值公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的均值，将结果分别保存在各自的均值数组空间中，其中，H0表示图像元素灰度值为0，H1表示图像元素灰度值为1；
(7c)每个图形处理器GPU分配线程矩阵，利用标记类别标准差公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的标准差，将结果分别保存在各自的标准差数组空间中；
(7d)每个图形处理器GPU分配线程矩阵，利用标记类别条件分布概率公式，线程矩阵中的每个线程分别计算标记场中合成孔径雷达SAR图像元素类别H0、H1的条件分布概率，将结果分别保存在各自的条件分布概率数组空间中；
(8)对标记场进行重新标记：
(8a)将标记场中元素标记成类别H0或H1；
(8b)两个图形处理器GPU分配线程矩阵，利用后验概率公式，线程矩阵中的每个线程分别计算标记场的后验概率；
(8c)判断标记场的后验概率值是否最大，若是，则执行步骤(9)，否则，执行步骤(8a)；
(9)判断标记场中类别发生变化的元素数与整个标记场元素总数的占比是否小于预设的阈值，若是，则执行步骤(10)，否则，执行步骤(6)；
(10)输出当前的标记场，作为合成孔径雷达SAR图像变化检测结果。
2.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(3b)、步骤(4b)、步骤(6b)、步骤(7c)、步骤(7d)、步骤(8b)中所述的分配线程矩阵的具体步骤如下：
第一步，一个图形处理器GPU分配32*32个线程块；
第二步，每个线程块分配个线程，使每个线程与每个合成孔径雷达SAR图像元素一一对应。
3.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(4b)中所述的对数比值差异图像公式如下：
其中，I表示构造的差异图像，log表示以2为底的对数操作，I1表示第一幅待处理合成孔径雷达SAR图像，I2表示第二幅待处理合成孔径雷达SAR图像。
4.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(5)所述基于模糊C均值聚类FCM算法的初始二值分割的具体步骤如下：
第一步，第一个图形处理器GPU分配线程矩阵，通过在0至1之间随机取值，对观测场的隶属度矩阵元素进行初始化，使观测场的每个隶属度在不同聚类中取值总和等于1；
第二步，两个图形处理器GPU分别分配线程矩阵，线程矩阵中的每个线程分别按照下式计算观测场的两个聚类中心：
其中，ck表示第k个聚类中心，k＝1,2，∑表示求和操作，n表示观测场的数据总量，表示第k个聚类的隶属度矩阵中第j个向量，γ表示模糊加权指数，αj表示观测场中第j个灰度值元素；
第三步，第一个图形处理器GPU分配线程矩阵，线程矩阵中的每个线程按照下式计算模糊聚类的价值函数：
其中，J表示观测场的模糊聚类的价值函数，γ表示模糊加权指数，dkj＝||ck-αj||为第k个聚类中心与观测场中第j个灰度值元素之间的欧几里德距离；
第四步，判断价值函数值是否小于设定的阈值，若是，将隶属度为0的观测场元素标记为H0，将隶属度为1的观测场元素标记为H1，初始分割完成，否则，执行第五步；
第五步，第一个图形处理器GPU分配线程矩阵，线程矩阵中的每个线程对隶属度矩阵进行更新，然后执行第二步，隶属度矩阵公式如下：
其中，ukj表示第k个聚类的隶属度矩阵中第j个向量。
5.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(6b)中所述标记场的先验概率公式如下：
其中，P(X)表示标记场X的先验概率，∈表示属于符号，e表示自然常数e为底的指数操作，U(x)表示以标记场X中第x个元素与其邻域像素组成的系统能量，T表示标记场X的能量系数，通常取1，*表示相乘操作。
6.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(7b)中所述的标记类别均值公式如下：
其中，μk表示第k种标记类别的均值，W为合成孔径雷达SAR图像待检测区域的宽，H为合成孔径雷达SAR图像待检测区域的高，表示标记场中第k种标记类别索引为(i,j)处像素的灰度值，sk表示第k种标记类别的像素总数。
7.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(7c)中所述的标记类别标准差公式如下：
其中，σk表示第k种标记类别的标准差。
8.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(7d)中所述的标记类别条件分布概率公式如下：
其中，k表示被标记的类别，yk元素y被标记为第k类，k＝0,1，P(yk|X)表示在标记场X已知的条件下第k个类别的分布概率，σk为第k个类别的标准差，μk为第k个类别的均值。
9.根据权利要求1所述的基于多GPU任务优化的SAR图像变化检测方法，其特征在于，步骤(8b)中所述的后验概率公式如下：
其中，P表示标记场的后验概率，Π表示求积操作，P(Y)表示观测场Y的分布概率，为一个常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910068749.2A CN109801208B (zh) | 2019-01-24 | 2019-01-24 | 基于多gpu任务优化的sar图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910068749.2A CN109801208B (zh) | 2019-01-24 | 2019-01-24 | 基于多gpu任务优化的sar图像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109801208A true CN109801208A (zh) | 2019-05-24 |
| CN109801208B CN109801208B (zh) | 2023-03-24 |
Family
ID=66560238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910068749.2A Active CN109801208B (zh) | 2019-01-24 | 2019-01-24 | 基于多gpu任务优化的sar图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109801208B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368914A (zh) * | 2020-03-04 | 2020-07-03 | 西安电子科技大学 | 基于全概率协同分割的极化合成孔径雷达变化检测方法 |
| CN112991373A (zh) * | 2021-02-26 | 2021-06-18 | 成都正和德能风险管理咨询有限公司 | 一种水灾损失评估方法及系统 |
| WO2022143799A1 (zh) * | 2020-12-30 | 2022-07-07 | 中科寒武纪科技股份有限公司 | 用于矩阵乘操作的集成电路装置、计算设备、系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103353989A (zh) * | 2013-06-18 | 2013-10-16 | 西安电子科技大学 | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 |
| WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
| CN108596885A (zh) * | 2018-04-16 | 2018-09-28 | 西安电子科技大学 | 基于cpu+fpga的快速sar图像变化检测方法 |
-
2019
- 2019-01-24 CN CN201910068749.2A patent/CN109801208B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103353989A (zh) * | 2013-06-18 | 2013-10-16 | 西安电子科技大学 | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 |
| WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
| CN108596885A (zh) * | 2018-04-16 | 2018-09-28 | 西安电子科技大学 | 基于cpu+fpga的快速sar图像变化检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368914A (zh) * | 2020-03-04 | 2020-07-03 | 西安电子科技大学 | 基于全概率协同分割的极化合成孔径雷达变化检测方法 |
| WO2022143799A1 (zh) * | 2020-12-30 | 2022-07-07 | 中科寒武纪科技股份有限公司 | 用于矩阵乘操作的集成电路装置、计算设备、系统和方法 |
| CN112991373A (zh) * | 2021-02-26 | 2021-06-18 | 成都正和德能风险管理咨询有限公司 | 一种水灾损失评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109801208B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Fast and accurate green pepper detection in complex backgrounds via an improved Yolov4-tiny model | |
| CN111368769B (zh) | 基于改进锚点框生成模型的船舶多目标检测方法 | |
| CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
| CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
| CN109101897A (zh) | 水下机器人的目标检测方法、系统及相关设备 | |
| Ashrapov | Tabular GANs for uneven distribution | |
| CN106204651B (zh) | 一种基于改进的判决与生成联合模型的目标跟踪方法 | |
| CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
| CN107491734B (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
| Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
| CN108459311A (zh) | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 | |
| CN109801208A (zh) | 基于多gpu任务优化的sar图像变化检测方法 | |
| CN103632382A (zh) | 一种基于压缩感知的实时多尺度目标跟踪方法 | |
| CN107730515A (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
| CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
| CN113486961A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 | |
| CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
| CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
| CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
| CN110245683A (zh) | 一种少样本目标识别的残差关系网络构建方法及应用 | |
| CN108399430A (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
| Liu et al. | A image segmentation algorithm based on differential evolution particle swarm optimization fuzzy c-means clustering | |
| CN105205807B (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 | |
| CN108846845A (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
| Zhang et al. | Space target classification with corrupted HRRP sequences based on temporal–spatial feature aggregation network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |