基于GPU并行運算的高效雷達成像譜估計算法

賈偉偉, 張啟梅, 許小劍

(北京航空航天大學,北京 100191)

基于GPU并行運算的高效雷達成像譜估計算法

賈偉偉, 張啟梅, 許小劍

(北京航空航天大學,北京 100191)

Apes和Capon等譜估計算法在SAR成像方面有著廣泛的應用。同基于快速傅里葉變換的成像算法相比,譜估計成像算法能夠獲得更窄的譜峰和更低的旁瓣,但是計算量龐大。本算法基于圖形處理器(Graphic Processing Unit,簡稱GPU）并行計算原理,在Jacket平臺上實現了以上兩種算法在雷達超分辨成像上的加速。在NVIDIA Tesla C2050和Intel (R）Xeon(R）CPU X5680上的測試表明,與傳統基于CPU的SAR成像算法相比,本算法能夠使計算速度得到數倍的提升。

合成孔徑雷達；譜估計；超分辨；圖形處理器

0 引言

現代譜估計算法在合成孔徑雷達(SAR)成像中的應用越來越廣泛［1］。非參數譜估計Apes和Capon算法是兩種經典的譜估計算法［2,3］,Capon算法只能用來估計信號中具有復正弦信號的譜線,而Apes算法可以同時用于估計復正弦信號的譜線、幅度和相位［3］。Apes及Capon算法在抑制旁瓣的同時進一步提高了圖像的分辨率,但其龐大的運算量消耗較長的時間。雖然已有學者提出快速Apes及快速Capon算法［4-6］,大大縮短了計算時間,但仍存在很大的加速空間。

近年來,GPU并行計算以其高性能、低價格受到科研人員的廣泛關注。GPU在處理能力和存儲器帶寬上相對于CPU有明顯優勢,在成本上無需太大代價。CPU負責串行計算,處理邏輯性強的事務;GPU則專注執行高度線程化的并行任務。因此,GPU在執行以浮點運算為主,高度并行化的計算任務時更具優勢［7-9］。

本文在Jacket平臺上,使用GPU并行運算實現了SAR超分辨成像的Apes及Capon算法的加速。

1 Jacket平臺介紹

2007年NVIDIA公司發布的計算統一設備架構(Compute Unified Device Architecture,簡稱CUDA)是一種將GPU作為數據并行計算設備的軟硬件體系。CUDA C/C++,CUDA Fortran代碼效率高,但算法實現較復雜。基于CUDA的Jacket平臺,是專門用于MATLAB實現GPU加速的計算引擎,方便靈活、易于掌握。作為一個完全對用戶透明的系統,Jacket平臺能夠自動地進行內存轉移和計算優化,使數據移植到GPU上進行運算。一旦GPU的數據結構建立,該數據的任何操作只能在GPU上進行,要返回CPU端進行操作,必須先轉換回CPU類型。

所有給定的CPU線程在某一時刻只能與一塊GPU通信,所以Jacket平臺要使用多個GPU,必須開啟多個CPU線程。每個CPU線程都可以調用GPU完成數據的并行計算,從而實現算法的多GPU加速。但通常內核間通信以及內存轉移帶來的延時,會導致加速效果變差［9］。

2 Apes及Capon算法加速

2.1 加速原理

本文基于GPU對Apes、Capon算法及快速Apes、快速Capon算法進行改進［4-6］,以實現計算的加速。以Apes算法為例,假設二維正弦采樣信號為

式中:a為兩個維度上頻率為(ω1,ω2)時的信號幅度;en1,n2為零均值高斯白噪聲。令N1、N2分別為行向和列向的采樣點數,n1=0,1,…,N1―1; n2=0,1,…,N2―1。H(ω1,ω2)是長度為M1× M2的二維濾波器沖擊響應,h(ω1,ω2)為由H(ω1, ω2)構成的列矢量。

其中:

令二維頻率搜索矢量a(ω1,ω2)=a1(ω1)a2(ω2),其中為Kronecker乘積,且

最后可以得到Apes算法二維譜的估計值為

其中脈沖響應為

2.2 基于Jacket平臺的算法流程

首先,運用gdouble函數將CPU數據類型轉換成GPU數據類型。Jacket的內存管理系統將對GPU數據進行自動分配和管理,GPU數據調用的任何函數將自動執行,實現動態編譯,無需額外編程。

其次,進行程序優化,調整數據的運算結構。GPU內核之間的數據通信以及內存與顯存之間的數據傳輸將帶來延時,致使GPU整體加速效果減弱,甚至可能導致比GPU更長的運算時間。

第三,多GPU運算時,Jacket需要使用開啟多個CPU線程,從而使每個CPU線程都可以調用GPU完成并行操作,實現多GPU加速計算。

文中算法的耗時區間主要集中在自相關矩陣的計算及每一個頻率點的譜值估計運算。圖1為Apes算法的GPU并行運算程序流程圖。

3 仿真結果及分析

圖1 Apes算法加速程序流程圖

實驗配置:Intel(R)Xeon(R)CPU X5680@ 3.33GHz處理器;64位Windows操作系統;64位MATLAB2013a;Jacket v2.3;4片NVIDIA Tesla C2050。所有計算結果均為5次計算時間平均值。Jacket程序執行時間中包含了數據在內存與顯存之間的通信時間。

在實驗中,選擇B52H飛機縮比模型的實測數據進行加速效果驗證。其中二維數據的頻率采樣點數N1=101,方位向采樣點數N2=41。通過采用單CPU、4CPU、單GPU、4GPU四種方式進行對比,獲得計算時間及加速比。首先設定二維濾波器的大小M1=31,M2=21,成像像素點數L1=150,L2=120。運行結果如表1所示。以單CPU的運行時間為參考基準,定義單GPU運行時間與其他三種方式運行時間的比值為加速比,對比驗證其余三種運算方法的加速性能。

表1 各計算方法的運行時間及加速比

對比超分辨算法加速前后消耗的時間,可以發現GPU并行計算使程序運行時間大大減少。例如Apes算法使用單CPU計算的總時間為361.61 s,而經過4 GPU加速后時間縮短為61.30 s。

實驗表明,將GPU并行計算應用于SAR超分辨成像中,獲得了良好的加速效果。Apes算法使用4GPU獲得5.89倍的加速;Capon算法使用單GPU獲得3.74倍的加速;高效Apes算法使用單GPU獲得14.60倍的加速;高效Capon算法使用單GPU獲得6.82倍的加速。因為四種算法的運算量不同,內存與顯存之間的通信在整個流程中的比重也不同,所以單GPU和4 GPU對四種算法的加速性能略有差異。而4 CPU沒有達到加速效果,主要原因是CPU之間的數據分配及傳輸時間占較大比重,CPU多核加速的優勢沒有得到發揮。

表2給出了不同像素點數時Capon算法的耗時及加速比,其中二維濾波器的大小仍為M1= 31,M2=21。隨著運算量的增大,運算加速比基本保持穩定。

表2 Capon算法在不同數據大小下的耗時及加速比

內核之間的通信以及內存轉移會帶來延時,甚至會造成GPU計算比CPU計算耗時更長。同時,GPU計算的高度并行性,要求數據之間相互獨立。此外,在使用多GPU時,內存分配也會消耗時間。只有數據的結構及運算的具體要求滿足并行條件,方可采用GPU并行運算。

4 結論

本文在Jacket平臺下針對SAR超分辨成像算法(Apes及Capon算法)的加速問題進行了深入研究,詳細闡述了一種基于GPU并行運算的SAR成像算法實現方案。文中針對成像算法的結構特性以及Jacket平臺的運算特點,合理設計內存分配、數據傳輸及并行化執行流程,實現了Apes和Capon算法在GPU上的高效運行。在NVIDIA Tesla C2050上的測試結果表明,與傳統基于CPU的方法相比,基于GPU并行運算的SAR成像算法運算速度大大提升。

［1］Cumming I.G.,Wing F.H..Digital Processing of Synthetic Aperture Radar Data:Algorithms and Implementation［M］.Artech House,2004:140-141.

［2］Li J.,Stoica P..An Adaptive Filtering Approach to Spectral Estimation and SAR Imaging［J］. IEEE Transactions on Signal Processing,1996,44 (6):1469-1484.

［3］趙曉暉.譜估計與自適應信號處理教程［M］.北京:電子工業出版社,2013:107-113.

［4］Liu Zheng-she,Li Hong-bin,Jian Li.Efficient Implementation of Capon and APES for Spectral Estimation［J］.IEEE Transactions on Aerospace and Electronic Systems,1998,34(4):1314-1319.

［5］Glentis G.O..Efficient Algorithms for Adaptive Capon and APES Spectral Estimation［J］.IEEE Transactions on Signal Processing,2010,58(1): 84-96.

［6］Angelopoulos K.,Glentis G.O.,Jakobsson A.. Computationally Efficient Capon-and APES-Based Coherence Spectrum Estimation［J］.IEEE Transactions on Signal Processing,2012,60(12):6674-6681.

［7］張舒,褚艷利.GPU高性能運算之CUDA［M］.北京:中國水利水電出版社,2009:15-20.

［8］孟大地,胡玉新,石濤,等.基于NVIDIA GPU的機載SAR實時成像處理算法CUDA設計與實現［J］.雷達學報,2013,2(4):481-491.

［9］Cook S..CUDA Programming-A Developer's Guide to Parallel Computing with GPUs［M］. Morgan Kaufmann Publishers,2012.

［10］任璐.關于提高SAR圖像質量的研究［D］.西安:西安電子科技大學,2005.

Spectral Estimation Acceleration for SAR Imaging Based on the GPU Parallel Computing

JIA Wei-wei, ZH ANG Qi-mei, XU Xiao-jian
(Beihang University,Beijing 100091,China)

Spectral estimation algorithms such as Apes and Capon have been widely used in SAR imaging,which can obtain complex spectral estimation with more narrow spectral peaks and lower sidelobes compared with FFT methods.The major disadvantage is the huge amount of computing which takes too long time.Based on the principle of GPU parallel computing,this paper proposes a technique to achieve the acceleration of the above two algorithms of radar imaging on the platform of Jacket.Tests on NVIDIA Tesla C2050 and Intel (R)Xeon(R)CPU X5680 showed that the GPU-based program can reach several times speed than the traditional algorithms of SAR imaging.

synthetic aperture radar;spectral estimation;super resolution;graphic processing unit(GPU)

TN011

A

1671-0576(2014)04-0037-04

2014-08-25

賈偉偉(1989―),女,碩士在讀;張啟梅(1988―),女,博士,均從事信號與信息處理技術研究;許小劍(1963―),男,博士,教授,主要從事智能化信息處理、遙感特征分析與建模、雷達目標識別等研究。