船舶圖像處理過程的多任務(wù)調(diào)度算法

周 蕓，呂金華

(武漢船舶職業(yè)技術(shù)學院，湖北 武漢 430050)

0 引 言

隨著遙感和雷達技術(shù)的不斷發(fā)展，基于圖像處理的目標探測技術(shù)領(lǐng)域里迎來了大數(shù)據(jù)時代，一方面探測器的精度提高，使得船舶圖像分辨率和像素大幅提高，圖像中包含的信息量不斷增加；另一方面，視頻探測等新型目標探測技術(shù)導致的圖像幀數(shù)量也不斷增加，提高目標探測精度的同時，對船舶圖像處理器的計算和存儲能力帶來了挑戰(zhàn)。

針對船舶圖像處理過程的計算資源不足等問題，云計算技術(shù)的資源調(diào)度提供了良好的解決思路。云計算利用互聯(lián)網(wǎng)鏈路將分散式的計算資源進行整合，針對某一特定的運算任務(wù)，可以實現(xiàn)云平臺內(nèi)計算資源的調(diào)度，防止計算資源浪費的同時，有針對性的對某些計算任務(wù)進行資源傾斜[1]。

本文對圖像處理過程的多任務(wù)調(diào)度算法進行研究，載體為TS201 圖像處理硬件平臺，采用的多任務(wù)調(diào)度算法是遺傳算法與模擬退火算法相結(jié)合的方法，解決船舶圖像處理過程中的計算資源分配不均衡的問題。

1 基于云計算的多任務(wù)調(diào)度技術(shù)發(fā)展現(xiàn)狀

云計算是一種基于互聯(lián)網(wǎng)技術(shù)的資源整合運算模式，相對于傳統(tǒng)的線下計算，云計算技術(shù)可以利用互聯(lián)網(wǎng)將線下的各種計算資源，包括存儲資源進行整合和匹配，線下用戶通過分配的訪問接口直接訪問云計算的網(wǎng)上資源。云計算可以實現(xiàn)多任務(wù)同時計算，在使用任務(wù)管理進程后，將一個計算任務(wù)分解成若干個小任務(wù)，并調(diào)用多個計算模塊進行計算，最后對所有計算結(jié)果進行匯總。通過這樣多任務(wù)的調(diào)度方式，云計算比傳統(tǒng)的計算方式更加快速，也更加可靠。

目前，云計算平臺多由分散的數(shù)據(jù)中心構(gòu)成，包括標準化接入、統(tǒng)一的數(shù)據(jù)管理和空間資源整合等幾個特點，圖1 為云計算技術(shù)的基本架構(gòu)。

圖1 云計算技術(shù)的基本架構(gòu)Fig. 1 The basic architecture of cloud computing technology

云計算的體系主要由以下4 個部分構(gòu)成：

1）SOA 構(gòu)建層

SOA 模塊是云計算的組件模型，其主要功能是為云計算用戶提供各類服務(wù)、注冊、訪問接口，將云計算中的云端應(yīng)用程序與用戶的實際需求相結(jié)合。SOA模塊的接口獨立于硬件平臺和操作系統(tǒng)。為了提高云計算用戶的數(shù)據(jù)安全性，SOA 構(gòu)建層還具有設(shè)置秘鑰等功能[2]。

2）管理控件

云計算機中的管理控件主要是為用戶提供任務(wù)程序管理、資源管理、數(shù)據(jù)安全管理等服務(wù)，用戶可以通過分配的訪問接口，實時查詢當前任務(wù)在云端的處理進程，同時也能對前期上傳的云計算資源進行查看、復(fù)制和剪切。

3）物理資源

云計算中進行調(diào)用的計算資源、存儲資源等，是指線下通過互聯(lián)網(wǎng)連接的基礎(chǔ)設(shè)施，包括計算機資源、CPU 資源、存儲器等。

4）虛擬資源池

與物理資源相對應(yīng)的，云計算采用虛擬化技術(shù)將分散在線下的計算、存儲、數(shù)據(jù)資源進行虛擬化，用戶在云計算界面看到的資源模型，是經(jīng)過虛擬化的虛擬資源。

2 遺傳算法研究

遺傳算法的關(guān)鍵環(huán)節(jié)包括：

1）生成初始種群

遺傳算法中初始種群的生成方式主要有2 種：

①隨機生成

這種初始種群的生成方法是根據(jù)所設(shè)計的適應(yīng)度函數(shù)和閾值，計算個體的適應(yīng)度值，滿足閾值要求的留下，不滿足閾值要求的去除，不斷重復(fù)這個過程，直到種群中所有個體都滿足閾值，此時生成新的遺傳算法種群。

②針對性生成

這種方法需要對系統(tǒng)中的初始個體有一定的了解，將系統(tǒng)種群的初始個體限定在初始解的范圍內(nèi)，生成新的遺傳算法種群。

2）計算適應(yīng)度函數(shù)值

適應(yīng)度函數(shù)值是判斷種群中個體是否滿足要求的依據(jù)，符合適應(yīng)度函數(shù)的個體將會保留形成新的種群，基于遺傳算法的個體優(yōu)化過程中，適應(yīng)度函數(shù)值的閾值會不斷發(fā)生變化，不斷的對種群中的個體進行淘汰。

常規(guī)的適應(yīng)度函數(shù)如下式：

式中：c1,c2為學習因子， ωt為慣性權(quán)重，ybest為最優(yōu)解，N為初始種群個體數(shù)，g(xi,p,wt)為種群中個體的函數(shù)。

③遺傳與變異

遺傳和變異使生成的新種群更加貼近最優(yōu)解，N為種群的個體數(shù)，每個個體的適配值為fi(i=1,2,3,···,N)，通過遺傳與變異產(chǎn)生的下一代種群個數(shù)為：

圖2 為遺傳算法流程。

圖2 遺傳算法流程圖Fig. 2 Genetic algorithm flow chart

3 基于遺傳算法和模擬退火算法的船舶圖像處理多任務(wù)調(diào)度算法

3.1 船舶圖像處理平臺

本文以應(yīng)用范圍較廣的TS201[3]圖像處理硬件平臺為研究對象，該硬件平臺能夠同時對兩路圖像進行處理，核心部件為DSP 圖像處理器和對應(yīng)的DSP 鏈路接口。

TS201 圖像處理硬件平臺主要技術(shù)指標如下：

圖像輸入分辨率，兩路輸入接口分別為320×256和496×496，16 位/32 位，圖像類型為單一色系圖像、灰度圖、雷達圖像，幀頻為100 Hz，輸出的圖像與輸入格式相同。

由于船舶圖像處理的任務(wù)量不斷增加，TS201 圖像處理硬件平臺采用DSP+FPGA 平臺模式，2 個處理模塊相互之間具有較高的獨立性。

TS201 圖像處理硬件平臺的關(guān)鍵架構(gòu)包括核心處理器（DSP+FPGA）、時鐘管理模塊、雷達圖像采集模塊、接口模塊、電源模塊等。

TS201 圖像處理硬件平臺的架構(gòu)圖如圖3 所示。

圖3 TS201 圖像處理硬件平臺的架構(gòu)圖Fig. 3 Architecture diagram of the TS201 image processing hardware platform

3.2 船舶雷達圖像處理研究

船舶雷達成像過程不僅受雷達電磁波質(zhì)量的影響[4]，也會受到海上水汽、云層等噪聲的影響，建立船舶雷達圖像的信號模型為：

式中：A(x,y,z) 為雷達圖像的目標像素函數(shù)，B(x,y,z)為海天背景像素函數(shù)，N(x,y,z)為雷達圖像的噪音像素函數(shù)。

為了提高雷達圖像的處理精度，往往需要進行圖像信號的濾波，定義雷達圖像中某像素點S0(x,y)的灰度值為f(x,y)，建立雷達圖像的濾波模型為

雷達圖像的像素差分模型[5]為：

式中：Sn(i,j)為 第n個像素點，Sn-1(i,j)為n-1 個像素點。

3.3 基于遺傳算法和模擬退火算法的船舶圖像處理多任務(wù)調(diào)度算法

船舶圖像處理的物理資源為分散在線下的TS201圖像處理硬件平臺，而云平臺可以根據(jù)不同用戶的船舶圖像處理需求進行資源調(diào)配和任務(wù)調(diào)度，確保線下資源不浪費的同時，提供船舶圖像的處理效率。結(jié)合模擬退火算法和遺傳算法，研究云平臺的船舶圖像處理多任務(wù)調(diào)度過程。

模擬退火算法是一種快速尋優(yōu)的智能算法，其特點包括：

1）局部搜索能力強

模擬退火算法的計算過程簡單，能夠快速定位小范圍數(shù)據(jù)的極值，且魯棒性強。

2）不依賴初始解

模擬退火算法的初始輸入不影響整個求解過程，也可以說影響程度很低，因此模擬退火不會局限于初始解的局域范圍。

3）模擬退火算法具有一定的容錯率[6]，可以避免算法在局域極值上停止。

遺傳算法和模擬退火算法相結(jié)合的任務(wù)調(diào)度優(yōu)化算法流程如圖4 所示。

圖4 遺傳算法和模擬退火算法相結(jié)合的任務(wù)調(diào)度優(yōu)化算法流程Fig. 4 The task scheduling optimization algorithm process combining genetic algorithm and simulated annealing algorithm

定義云計算的資源總數(shù)為P，集合表示為R=(r1,r2,···,rP)，線下提交的船舶圖像處理任務(wù)總數(shù)為M，定義集合為J=(j1,j2,···,jM)，將M任務(wù)劃分為T個子任務(wù)，對應(yīng)集合T=(t1,t2,···,tM)，則得到M個任務(wù)的總數(shù)為：

定義測試環(huán)境指標如下：

操作系統(tǒng)Windows 7，處理器為AMD A10-7300 1.90 GH，內(nèi)存RAM 為4 GB，硬盤為500 GB/5 400/min，開發(fā)工具為Eclipse Oxygen。

圖5 為單位時間內(nèi)采用優(yōu)化調(diào)度方案和原始方案的任務(wù)完成個數(shù)對比，左為原始圖像處理方案，右為基于遺傳/退火進行任務(wù)調(diào)度的圖像處理方案。可見，當任務(wù)個數(shù)超過一定數(shù)量時，采用多任務(wù)調(diào)度算法后，單位時間內(nèi)船舶圖像的處理個數(shù)明顯提升。

圖5 單位時間船舶圖像處理任務(wù)對比Fig. 5 Comparison of ship image processing tasks per unit time

4 結(jié) 語

為了提高云計算技術(shù)中的多任務(wù)調(diào)度和分配質(zhì)量，本文采用遺傳算法和模擬退火算法，對艦船圖像處理過程的云計算任務(wù)調(diào)度進行優(yōu)化，并在測試環(huán)境下進行了2 種方案的對比，表明基于遺傳算法和模擬退火算法的任務(wù)調(diào)度，能夠顯著提高船舶圖像處理效率。