一種快速合成孔徑聲納圖像相干斑抑制方法*

龐曉楠　鐘何平

(1.海軍潛艇學(xué)院　青島　266000)(2.海軍工程大學(xué)海軍水聲技術(shù)研究所　武漢　430033)

?

一種快速合成孔徑聲納圖像相干斑抑制方法*

龐曉楠1鐘何平2

(1.海軍潛艇學(xué)院青島266000)(2.海軍工程大學(xué)海軍水聲技術(shù)研究所武漢430033)

摘要針對(duì)合成孔徑聲納圖像相干斑抑制效率低的問(wèn)題，提出了一種GPU異構(gòu)環(huán)境下的合成孔徑聲納圖像相干斑抑制方法。首先將合成孔徑聲納圖像上傳至GPU存儲(chǔ)器，然后根據(jù)濾波窗口大小將圖像分割為重疊小塊后采用多個(gè)線程塊同時(shí)進(jìn)行Lee濾波處理，最后對(duì)處理結(jié)果進(jìn)行拼接獲得最終結(jié)果并下載到主機(jī)內(nèi)存。對(duì)真實(shí)合成孔徑聲納圖像相干斑抑制試驗(yàn)驗(yàn)證了所提方法的可行性和高效性。

關(guān)鍵詞合成孔徑聲納; 相干斑抑制; Lee濾波; GPU

Class NumberP237

1　引言

合成孔徑聲納(Synthetic Aperture Sonar，SAS)是一種新型的高分辨率水下成像聲納，由于其高分辨率特點(diǎn)，被廣泛應(yīng)用于水下小目標(biāo)搜索、航道測(cè)繪、水下戰(zhàn)場(chǎng)精細(xì)測(cè)繪與偵察、海洋湖泊河流地形/地貌測(cè)繪等[1～4]。合成孔徑聲納圖像中存在一種固有的散斑噪聲，但是與普通圖像處理中的噪聲有著本質(zhì)的區(qū)別，它是包括合成孔徑雷達(dá)在內(nèi)的所有相干系統(tǒng)固有的噪聲[5]。相干斑的存在嚴(yán)重影響合成孔徑聲納圖像質(zhì)量，使得SAS圖像的自動(dòng)后續(xù)處理變得非常困難。目前關(guān)于SAS圖像相干斑抑制算法研究比較少，主要是借鑒合成孔徑雷達(dá)中的相干斑抑制方法。SAS相干斑抑制一方面要保持圖像中的細(xì)節(jié)和紋理，另一方面也要兼顧信號(hào)處理速度，尤其是抑制算法較為復(fù)雜時(shí)。常用的相干斑抑制方法有局部統(tǒng)計(jì)自適應(yīng)方法[6～7]、小波方法[8]和擴(kuò)散方程方法[9～10]。在統(tǒng)計(jì)自適應(yīng)方法中，Lee濾波算法[5]是一種有效的SAS圖像相干斑算法，其缺點(diǎn)是運(yùn)算量大，尤其是當(dāng)SAS圖像數(shù)據(jù)量大時(shí)，難以實(shí)現(xiàn)快速處理。GPU技術(shù)[9]的出現(xiàn)，為采用Lee濾波算法進(jìn)行SAS圖像快速相干斑抑制提供了新的手段。

本文借助圖形處理器的高速計(jì)算特點(diǎn)，提出了一種異構(gòu)環(huán)境下的合成孔徑聲納圖像相干斑快速抑制方法。首先將待處理的合成孔徑聲納圖像整塊載入圖型處理器，然后將整塊數(shù)據(jù)分割為規(guī)則小塊，塊與塊之間數(shù)據(jù)保持一定重疊，重疊大小根據(jù)Lee濾波窗口大小確定。然后在主機(jī)端調(diào)用GPU 核函數(shù)，利用多個(gè)流處理器同時(shí)對(duì)分塊后的SAS圖像塊進(jìn)行Lee濾波，并將計(jì)算后的小塊濾波結(jié)果進(jìn)行拼接，重組最終處理結(jié)果并下載到主機(jī)內(nèi)存。最后通過(guò)實(shí)際SAS成像結(jié)果的相干斑抑制試驗(yàn)驗(yàn)證了所提算法的有效性和高效性。

2　CUDA編程模型

CUDA編程模型中，通常把CPU端稱(chēng)為主機(jī)端(Host)，把運(yùn)行CUDA程序的GPU端稱(chēng)為設(shè)備端(Device)。計(jì)算任務(wù)是通過(guò)CPU和GPU協(xié)同處理來(lái)共同完成的，一般邏輯性強(qiáng)和串行計(jì)算工作由CPU來(lái)處理，GPU則專(zhuān)注于線程間可以高度并行的數(shù)據(jù)處理工作。一個(gè)完整的CUDA程序通常是由CPU執(zhí)行的串行代碼部分和GPU執(zhí)行的若干個(gè)核函數(shù)組成。核函數(shù)的并行執(zhí)行是通過(guò)CUDA的多處理線程來(lái)實(shí)現(xiàn)的，CUDA通過(guò)thread-block-grid三個(gè)層次結(jié)構(gòu)來(lái)運(yùn)行和管理多線程。執(zhí)行相同任務(wù)的一定數(shù)量的線程(thread)組織為一維、二維或者三維的線程塊(block)，一定數(shù)量的block又組成一維或者二維的線程網(wǎng)格(grid)。一個(gè)核函數(shù)中存在兩個(gè)層次的并行：grid中的block之間的粗粒度并行和block中各個(gè)thread之間的細(xì)粒度并行。核函數(shù)運(yùn)行時(shí)，設(shè)備端并行運(yùn)行的每個(gè)thread按照指令的順序串行執(zhí)行一次kernel函數(shù)，而每一個(gè)線程通過(guò)自身的索引和其它thread相區(qū)分，一個(gè)線程塊內(nèi)的線程之間可以互相通信，但線程塊之間是不可以進(jìn)行通信的，它們之間通過(guò)同步指令進(jìn)行通信。CUDA編程模型中的線程層次結(jié)構(gòu)如圖1所示。

圖1　CUDA編程模型中線程層次結(jié)構(gòu)

3　Lee濾波算法

3.1基本原理

Lee濾波是利用圖像局部統(tǒng)計(jì)特性進(jìn)行SAS圖像相干斑抑制的典型方法之一，它不需建立精確的統(tǒng)計(jì)模型，而是基于完全發(fā)育的乘性噪聲模型，并假設(shè)相干斑噪聲是白噪聲。該方法選擇一定大小的窗口區(qū)域作為局部區(qū)域來(lái)處理，并假定先驗(yàn)均值和方差可以通過(guò)計(jì)算局域的均值和方差得到。

var(Z)=E[(Z-E(Z))2]

=E[(XV-E(XV))2]

=E[(XV)2]-E2(XV)

=E(X2)E(V2)-E2(X)E2(V)

var(Z)=E(X2)E(V2)-E2(X)E2(V)

因此，局部窗口中的噪聲方差：

3.2算法并行化

圖2　窗口大小為5×5時(shí)坐標(biāo)點(diǎn)(5，7)和(12，5)處的Lee濾波示意圖

GPU為采用Lee濾波進(jìn)行快速相干斑抑制提供了可能，在GPU環(huán)境下采用Lee濾波進(jìn)行相干斑抑制的流程如圖3所示。

圖3　計(jì)算流程

1) 根據(jù)SAS圖像數(shù)據(jù)的行數(shù)和列數(shù)，調(diào)用cudaMalloc函數(shù)分配顯存空間。

2) 調(diào)用cudaMemcpy函數(shù)，將主機(jī)內(nèi)存中SAS圖像數(shù)據(jù)上傳至顯存。

3) 在主機(jī)端調(diào)用核函數(shù)，啟動(dòng)Lee濾波的并行計(jì)算函數(shù)。首先各個(gè)線程塊根據(jù)當(dāng)前塊的線程索引和局部窗口大小，計(jì)算當(dāng)前線程塊處理的局部SAS圖像塊。然后利用當(dāng)前線程塊中的線程將濾波過(guò)程中所需要的局部SAS圖像數(shù)據(jù)塊載入共享存儲(chǔ)器，并進(jìn)行線程同步操作。最后每個(gè)線程根據(jù)其局部線程索引，計(jì)算對(duì)應(yīng)點(diǎn)的估計(jì)值，并將計(jì)算結(jié)果寫(xiě)入全局存儲(chǔ)器。

4) 調(diào)用cudaMemcpy函數(shù)，將存儲(chǔ)在顯存中的計(jì)算結(jié)果下載到主機(jī)內(nèi)存。

5) 釋放GPU上分配的顯存空間。

由于硬件限制，這里將線程塊的大小設(shè)置為16×16。每個(gè)線程計(jì)算一個(gè)點(diǎn)的濾波值，為了準(zhǔn)確計(jì)算邊緣點(diǎn)的濾波結(jié)果，需要將局部SAS圖像數(shù)據(jù)塊邊界進(jìn)行擴(kuò)展，其大小根據(jù)局部計(jì)算窗口確定。由于對(duì)局部數(shù)據(jù)塊進(jìn)行了擴(kuò)展，因此在將局部數(shù)據(jù)塊載入共享存儲(chǔ)器時(shí)，部分線程需要載入多個(gè)數(shù)據(jù)。為實(shí)現(xiàn)線程均衡載入數(shù)據(jù)，塊內(nèi)線程索引為(i/16，j/16)的線程載入局部索引為(i，j)的數(shù)據(jù)，這樣線程之間可以實(shí)現(xiàn)最大限度的實(shí)現(xiàn)數(shù)據(jù)載入平衡。

4　實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證所提GPU環(huán)境下的快速相干斑抑制算法性能，在如下環(huán)境進(jìn)行了合成孔徑聲納成像結(jié)果的相干斑抑制試驗(yàn)：CPU X5650 2.67G(12核)；內(nèi)存16G；顯卡Tesla C2050；操作系統(tǒng)Windows 7；軟件環(huán)境VS2008+CUDA5.0。試驗(yàn)數(shù)據(jù)選用一幅合成孔徑聲納樣機(jī)試驗(yàn)所得成像結(jié)果數(shù)據(jù)，其大小為8800×1440，對(duì)應(yīng)的合成孔徑聲納圖像如圖4(a)所示。

采用Lee濾波算法進(jìn)行相干斑抑制后的結(jié)果如圖4(b)～(d)所示，為比較不同大小圖像的處理效率，截圖了4400×1440和2200×1440不同大小數(shù)據(jù)進(jìn)行濾波處理。濾波處理時(shí)濾波窗口大小設(shè)定為7×7，從處理結(jié)果可以看出，圖像相干斑得到了較好抑制，濾波后圖像輪廓清晰，細(xì)節(jié)也保持較好。

圖4　試驗(yàn)結(jié)果圖

參數(shù)數(shù)值參數(shù)數(shù)值帶寬(kHz)20脈沖間隔(ms)320載頻(kHz)150子陣長(zhǎng)(m)0.04脈寬(ms)20子陣個(gè)數(shù)40聲速(m/s)1446速度(m/s)2.5采樣率(kHz)40采樣距離(m)51-231

表2給出了CPU和GPU計(jì)算方式下Lee濾波算法的計(jì)算時(shí)間。從表2中可以看出采用CPU計(jì)算不需要進(jìn)行數(shù)據(jù)傳輸，采用GPU計(jì)算需要進(jìn)行數(shù)據(jù)的上傳和下載操作，但由于傳輸帶寬大，可以在非常短的時(shí)間內(nèi)完成。在CPU計(jì)算環(huán)境下，合成孔徑聲納圖像大小為8800×1440，計(jì)算窗口為7×7時(shí)，Lee濾波算法的計(jì)算時(shí)間為5326 ms。但是在GPU計(jì)算環(huán)境下，Lee濾波算法的計(jì)算時(shí)間與CPU中計(jì)算時(shí)間相比顯著降低。當(dāng)合成孔徑聲納圖像大小變?yōu)?400×1440和2200×1440時(shí)，采用CPU和GPU的計(jì)算時(shí)間分別需要2876 ms和1350 ms、21 ms和11 ms，相比在CPU環(huán)境下，計(jì)算效率也是顯著提高。Lee濾波算法的計(jì)算加速比如圖4所示，對(duì)于8800×1440數(shù)據(jù)大小的合成孔徑聲納圖像，在計(jì)算窗口為7×7時(shí)，其加速比高達(dá)69。

表2　Lee濾波算法計(jì)算效率比較

圖4　加速比

5　結(jié)語(yǔ)

本文提出了一種GPU環(huán)境下的快速Lee濾波合成孔徑聲納圖像相干斑抑制方法。首先將合成孔徑聲納圖像整體上傳至GPU全局存儲(chǔ)器，然后采用多個(gè)線程塊同時(shí)計(jì)算每個(gè)分塊圖像的濾波結(jié)果，并將每個(gè)線程塊的濾波結(jié)果進(jìn)行合并。最后將濾波后的合成孔徑聲納圖像下載到主機(jī)內(nèi)存。試驗(yàn)結(jié)果表明，對(duì)于大小為8800×1440的合成孔徑聲納圖像，采用GPU進(jìn)行Lee濾波相干斑抑制，即可得到極大速度提升。

參 考 文 獻(xiàn)

[1] 佟宏偉，鐘何平，唐勁松，等.基于GPU的SAS成像算法并行實(shí)現(xiàn)研究[J].艦船電子工程,2014，34(3):134-140.

[2] Hayes P M，Gough T P. Synthetic Aperture Sonar： A Review of Current SAS Status [J]. IEEE Journal of Oceanic Engineering，2009，34(3)：207-224.4， 34(3)：137-140.

[3] 趙永禎，唐勁松，鐘何平.基于聲納圖像紋理特征的海底底質(zhì)分類(lèi)方法研究[J].海洋測(cè)繪，2015，35(3)：60-63.

[4] 鐘何平，唐勁松，張森，等.基于圖形處理器的合成孔徑聲納實(shí)時(shí)距離多普勒成像算法[J].電子與信息學(xué)報(bào)，2014，36(8)：1899-1904.

[5] Lee J S. Speckle suppression and analysis for synthetic aperture radar images [J]. Optical Engineering， 1986， 25(5)：636-642.

[6] Kuan D T， Sawchuk A A， Strand T C et al. Adaptive noise smoothing filter for images with signal-dependent noise[J].IEEE Trans. Pattern Analysis and Machine Intelligence， 1985， 7(2)：793-802.

[7] Frost V S， Stiles J A， Shanmugan K S et al. A model for radar images and its application to adaptive digital filtering of multiplicative noise[J].IEEE Trans. Pattern Analysis and Machine Intelligence， 1982，PAMI-4：157-166.

[8] Bhuiyanr M， Ahmad M， and Swamy M. Spatially adaptive wavelet-based method using the cauchy prior for denoising the SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2007， 17(4)： 500-507.

[9] Yu Y, Acton S. Speckle reducing anisotropic diffusion[J]. IEEE Transactions on Image Processing，2002，11(11)：1260-1270.

[10] 黃攀，岳軍，陳鳴，等.基于偏微分方程的InSAS干涉圖去噪技術(shù)研究[J].青島理工大學(xué)學(xué)報(bào)，2011，32(6)：104-106.

*收稿日期：2015年10月3日,修回日期：2015年11月24日

作者簡(jiǎn)介：龐曉楠，男，博士，研究方向：導(dǎo)航制導(dǎo)與控制。鐘何平，男，博士，研究方向：干涉合成孔徑聲納信號(hào)處理。

中圖分類(lèi)號(hào)P237

DOI：10.3969/j.issn.1672-9730.2016.04.026

A Fast Speckle Reduction Algorithm for Synthetic Aperture Sonar

PANG Xiaonan1ZHONG Heping2

(1. Naval Submarine Academy, Qingdao266000)(2. Naval Institute of Underwater Acoustic Technology, Naval University of Engineering, Wuhan430033)

AbstractA fast speckle reduction algorithm for synthetic aperture sonar (SAS) is proposed in GPU environment， which helps to solve the low efficiency of speckle reduction of SAS image. Firstly， the whole SAS image is uploaded to the memory of GPU， and partitioned into small rectangular blocks with partly overlapped according to the size of the local window. Secondly， the Lee filtering process is performed on every blocked SAS image by block of threads simultaneously. Finally， the whole processed result is obtained by merging those local filtered images and downloaded to the memory of the host. The feasibility and efficiency of the proposed method are verified through experiment of real SAS image speckle reduction.

Key Wordssynthetic aperture sonar, speckle reduction, Lee Filter, GPU