高分辨率天文圖像分塊并行特征提取方法研究

夏永泉 孫靜茹 WUXin-wen

摘 要：圖像并行處理研究較多，但鮮有分塊文獻以及圖像分塊機制研究。針對高分辨率天文圖像數據量大、特征提取速度緩慢的問題，研究了圖像分塊并行處理策略。通過對高分辨天文圖像在不同分塊分辨率下的特征提取時間進行對比分析，找到特征提取速度最快的分塊分辨率。通過實驗對比和分析得到分塊策略，通過實驗驗證了方法的有效性。

關鍵詞：高分辨率;天文圖像;分塊機制;并行;特征提取

DOI：10. 11907/rjdk. 182913 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2019）009-0199-03

Research on Hierarchical Parallel Feature Extraction of

High-resolution Astronomy Image

XIA Yong-quan1，SUN Jing-ru1，WU Xin-wen2，ZHI Jun1，WANG Bing1，XIE Xi-wang1

（1. School of Computer and Communication Engineering， Zhengzhou University of Light Industry， Zhengzhou 450001， China;

2. Faculty of Engineering & Information Technology， Griffith University， Brisbane 4111，Australia）

Abstract： Aiming at the problem of large-scale high-resolution astronomical image data and slow feature extraction speed， this paper adopts block parallel processing strategy for high-resolution astronomical images. In the aspect of image parallel processing， more scholars have conducted researches， but it is clear that the literature discusses how to divide the block and what kind of blocking mechanism is used to block the image. This paper compares and analyzes the feature extraction time of high resolution astronomical images at different block resolutions to find the corresponding block resolution with the fastest feature extraction speed. Through the experimental comparison and analysis， a block strategy was obtained and the effectiveness of the method was verified by experiments.

Key Words： high resolution; astronomical image; segmentation mechanism; parallel; feature extraction

0 引言

當人類第一次將目光投向太空，對宇宙的探索就一直沒有停止過。對宇宙的研究水平標志著一個國家在科技發展中的位置，對自然科學的眾多學科有著特殊的重要意義，也是當代科學技術、特別是尖端空間技術發展的巨大推動力。因此，對空間和宇宙的研究是許多國家的一項戰略性計劃[1]。隨著科學技術的不斷進步，天文臺產生的數字天文圖像數據呈指數增長，獲取到的天文圖像分辨率越來越高。分辨率越高，圖像特征提取的速度就越慢。為提高特征提取速度，分塊并行的處理策略研究應運而生。

提高圖像處理速度研究較多，如Slabaugh G等 [2]使用多線程，充分利用多核處理器并行處理圖像，加快處理速度;Kamalakannan等 [3]在構建MFC框架下使用多線程在多核處理下加快彩色圖像處理速度;楊冠男和袁杰[4]利用多核并行計算加速圖像處理，提出了基于多核CPU的分布式并行計算Matlab PCT加速圖像處理;劉春、陳燕和辛亮[5]提出海量遙感數據的并行計算方法，主要針對串行運算對計算機性能要求高處理速度慢的問題采用并行算法，大大縮短了計算時間;張思乾、程果和陳葷等[6]基于OpenMP實現邊緣提取并行算法，提高了圖像邊緣提取效率;曹婷婷[7]將串行程序改造成并行程序以提高性能;肖漢[8]對基于CPU+GPU的影像匹配高效能異構并行計算進行研究，通過串并性能對比闡述了并行計算在影像匹配上的高性能;張彩蝶[9]利用分布式并行計算提高高分圖像數據融合的速度;廖國忠、高慧和張偉[10]利用多核CPU的并行算法加快煙感圖像的處理速度;劉凡[11]將基于多核CPU的分布式并行計算和基于GPU的高性能并行計算技術應用于圖像處理工程中。這些研究均從并行機制出發通過改變并行算法提高處理速度，沒有采用分塊的處理機制。

圖像分塊研究有：朱富貴[12]研究了一種新的基于分塊DPCM與整數小波變換結合的天文圖像無損壓縮算法;王宏玉[13]基于圖像分塊的特征提取算法，采用分塊PCA提取局部特征;Zhang、Jin等 [14]采用分塊機制處理海量圖像數據;Rashmi、Chaluvaiah[15]等采用并行塊的處理方法解決遙感圖像分類問題;李洋[16]將分塊思想應用到處理框架中，圖像重構速度提高了3倍以上，等等[17-20]。這些研究雖然都用到了圖像分塊方法，但是采用的分塊方法依據是圖像塊數，分成塊數為2×2、4×4、8í8等數目，研究不深入。

本文采用的分塊機制與之完全相反，主要對并行處理中的分塊算法進行研究，采用的分塊依據是圖像塊分辨率大小。本文分塊依據更靈活，圖像塊分辨率為2k，能根據不同性能的處理器分成適合處理器處理的圖像大小。

1 算法思路

本文研究分塊分辨率與并行特征提取速度的關系，確定在哪種分塊分辨率下處理速度較快，所以本算法思路是對同一幅天文圖像分塊，每次子圖像分辨率大小不同，分別統計每次的并行特征提取時間，通過對比提取時間判斷何種分辨率的處理速度最快，處理流程如圖1所示。

2 算法描述

對同一幅天文圖像作處理，每次將同一幅天文圖像分成不同分辨率大小的若干塊，對每次分塊后的若干子圖像作并行特征提取，在每次并行處理的同時得到該分辨率下的處理時間，將每個子圖像經過處理后得到的特征合并成原天文圖像的特征，算法流程如圖2所示。

2.1 分塊策略

按照一定的大小對圖像按照行列直接分塊，也即把一幅高分辨率的天文圖像按照a×a分辨率的大小分成若干塊，a×a即是分塊分辨率。假定原始圖像I經過灰度轉換后分辨率大小為M×N，設置子圖像的寬高大小為a，取值為2k（k=1，2，3，4…），則天文圖像被分成（M/a）×（N/a）塊。

2.2 代價函數

本算法通過并行特征提取時間的大小判斷哪種分塊分辨率大小最合適，也就是說最小的并行特征提取時間所對應的分塊分辨率大小就是并行特征提取時間最快的。根據這一點，提出高分辨率天文圖像并行處理中的分塊并行特征提取時間模型表達式為：

其中，M×N為天文圖像分辨率，a為子圖像的寬高大小，取值2k（k=1，2，3，4…），x為子圖像的總塊數，t為一塊子圖像的處理時間，T為天文圖像的并行特征提取總時間，y為每次并行特征提取的任務數，取值y≥1;i為實驗次數，取值i=1，2，3，4……，n為實驗次數，取值n=2，3，4……。

由公式（4）得出最短并行特征提取時間，而最短時間對應的a值即為本算法要找到的最合適的分塊分辨率。

3 實驗結果與分析

3.1 實驗平臺

實驗平臺為MatlabR2013b，實驗環境：12核CPU Inter Xeon，內存12GB，操作系統Windows 7。

3.2 實驗結果

天文圖像實驗的分辨率為40 000×30 131，在不同的分塊分辨率下每次實驗5次，記錄每次的處理時間，計算出5次并行特征提取時間的平均值。每次并行特征提取任務數為6，分塊分辨率大小分別為64、128、256、512、1 024、 ?2 048。

3.3 結果分析

平均時間如圖3所示。從圖3可以看出，前3種分塊分辨率下并行特征提取時間快速下降，后3種分塊分辨率下的并行特征提取時間緩慢上升，可以得到并行特征提取時間的變化趨勢類似于U型曲線，這是因為在并行池中計算時會占用計算機資源進行必要的數據通訊，所以并行效率與循環的長度（parfor循環體）、需傳送的數據量大小密切相關。

具體分析如下：

（1）在分塊分辨率為256×256、512×512、1 024×1 024的情況下，并行特征提取時間變化很少，而且這3種分塊分成的子圖像數量隨著分塊分辨率的增加每次都降低4倍，也就是說循環的長度在成倍減少，但是時間卻沒有減少反而增加了。而并行效率與需要傳送的數據量有關，說明這3種分塊分辨率下影響并行特征提取時間的是傳送的數據量。Matlab采用parfor并行計算時要把數據傳送到Matlab并行池中的worker上執行，數據通信也要消耗時間和占用處理器資源。因為并行特征提取時間的變化很小，可認為這3種情況下需要傳送的數據量對并行特征提取時間影響不大。

（2）從圖3明顯看出，在分塊分辨率為64×64的情況下對應的并行特征提取時間是128×128對應的并行特征提取時間2倍以上，這是因為分辨率為40 000×30 131的天文圖像按照64×64大小的分辨率分成294 375個子圖像，而按照128×128大小的分辨率分成73 555個子圖像，子圖像的數量降低了4倍。但是子圖像的分辨率較小，需要傳送的數據量也較少，說明影響這兩種分辨率的并行特征提取時間是循環的長度。由于并行特征提取時間相差2倍以上，說明循環長度對并行效率影響較大。

（3）分塊分辨率在256×256、512×512、1 024×1 024、 ? ?2 048×2 048的情況下，并行特征提取時間有增加趨勢。在分辨率為2 048×2 048時并行特征提取時間有較明顯增加。由于在2 048×2 048的情況下分成的子圖像為300個，循環長度短，所以在2 048×2 048分辨率下需要傳送的數據量影響并行特征提取速度，同時可知以更大的分塊分辨率分塊，對應的并行特征提取時間會增加。

（4）在分塊分辨率為64×64、128×128、256×256時，隨著分塊分辨率的增加，并行特征提取時間逐漸減少。

根據以上分析，天文圖像在分塊分辨率為256×256、512×512、1 024×1 024等3種情況下，并行特征提取時間較少，其中分塊分辨率為256×256時并行特征提取時間最短，所以采用分塊分辨率大小為256×256對天文圖像分塊時并行特征提取速度最快。

4 結語

本文對高分辨率天文圖像并行處理分塊策略進行了研究。每次將同一幅天文圖像分成不同分塊分辨率，對每次并行特征提取時間進行統計。分析并行特征提取時間，得到以下結論：并行特征提取時間與分塊分辨率的關系類似于U型曲線，U型曲線的最低點就是并行特征提取時間最短的，在分塊分辨率為256×256、512×512和1 024×1 024的3種分塊分辨率下并行特征提取時間較短。這一結果為以后對高分辨率圖像進行分塊并行處理提供了直接依據，在分塊前就可判斷分成多少塊。后續要研究所有圖像是否都需要作并行處理，以及CPU核數與并行處理時間的關系。

參考文獻：

[1] 潘景昌. 天文信息自動處理及目標檢測的研究[D]. 濟南：山東大學，2011.

[2] SLABAUGH G，BOYES R，YANG X. Multicore image processing processing with openMP[J]. IEEE Signal Processing Magazine， 2010， 27（2）：134-138.

[3] KAMALAKANNAN A，RAJAMANICKAM G. High performance color image processing in multicore CPU using MFC multithreading[J]. International Journal of Advanced Computer Science&Applications， 2013， 4（12）：168-171.

[4] 楊冠男，袁杰. 多核并行運算加速圖像處理[J]. 現代電子技術，2013， 36（2）：36-38.

[5] 劉春，陳燕，辛亮. 基于Matlab的高光譜遙感數據降維并行計算分析[J]. 遙感信息，2010（3）：13-17.

[6] 張思乾，程果，陳葷，等. 多核環境下邊緣提取并行算法研究[J]. 計算機科學，2012，39（1）：295-298.

[7] 曹婷婷. ?基于多核處理器串行程序并行化改造和性能優化[D]. ?成都：西南交通大學，2009.

[8] 肖漢. 基于CPU+GPU的影像匹配高效能異構并行計算研究[D]. ?武漢：武漢大學，2011.

[9] 張彩蝶. 基于分布式并行計算的高分圖像數據融合系統設計與實現[D]. 沈陽：東北大學，2014.

[10] 廖國忠，高慧，張偉. 基于多核CPU的遙感去霧并行算法研究[J]. 工程地球物理學報，2017，14（3）：364-370.

[11] 劉凡. 并行圖像處理研究[D]. ?南京：南京大學，2012.

[12] 朱貴富. ?天文圖像無損壓縮算法研究與實現[D]. 昆明：昆明理工大學，2009.

[13] 王宏玉. ?基于圖像分塊的特征提取算法的改進及應用[D]. 上海：華東師范大學，2009.

[14] ZHANG S，JIN G，QIN Y P. Dsp-based parallel processing model of image rotation[J]. Procedia Engineering， 2011（15）：2222-2228.

[15] RASHMI C， CHALUVAIAH S， KUMAR G H. An efficient parallel block processing approach for K-means algorithm for high resolution orthoimagery satellite images[J]. Procedia Computer Science， 2016（89）：623-631.

[16] 李洋. ?壓縮感知在天文圖像中的應用研究[D]. 南京：南京信息工程大學，2014.

[17] 鄧橋. 基于相關濾波器的分塊并行目標跟蹤算法研究[D]. 成都：電子科技大學，2018.

[18] 趙泉華，高郡，趙雪梅，等. 結合KL距離與圖像域分塊的SAR圖像分割[J]. 控制與決策，2018，33（10）：1767-1774.

[19] 舒彝軍，陳波，何剛，等. 基于多線程并行的圖像多維混沌加密改進算法[J]. 西南科技大學學報，2016，31（4）：78-83.

[20] 江小平，胡雪晴，孫婧，等. 基于分塊DCT的圖像去重算法[J]. 中南民族大學學報：自然科學版，2018，37（3）：72-75.

（責任編輯：杜能鋼）