船舶圖像處理過程的多任務調度算法

周 蕓，呂金華

(武漢船舶職業技術學院，湖北 武漢 430050)

0 引 言

隨著遙感和雷達技術的不斷發展，基于圖像處理的目標探測技術領域里迎來了大數據時代，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導致的圖像幀數量也不斷增加，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。

針對船舶圖像處理過程的計算資源不足等問題，云計算技術的資源調度提供了良好的解決思路。云計算利用互聯網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，可以實現云平臺內計算資源的調度，防止計算資源浪費的同時，有針對性的對某些計算任務進行資源傾斜[1]。

本文對圖像處理過程的多任務調度算法進行研究，載體為TS201 圖像處理硬件平臺，采用的多任務調度算法是遺傳算法與模擬退火算法相結合的方法，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調度技術發展現狀

云計算是一種基于互聯網技術的資源整合運算模式，相對于傳統的線下計算，云計算技術可以利用互聯網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上資源。云計算可以實現多任務同時計算，在使用任務管理進程后，將一個計算任務分解成若干個小任務，并調用多個計算模塊進行計算，最后對所有計算結果進行匯總。通過這樣多任務的調度方式，云計算比傳統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據中心構成，包括標準化接入、統一的數據管理和空間資源整合等幾個特點，圖1 為云計算技術的基本架構。

圖1 云計算技術的基本架構Fig. 1 The basic architecture of cloud computing technology

云計算的體系主要由以下4 個部分構成：

1）SOA 構建層

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、注冊、訪問接口，將云計算中的云端應用程序與用戶的實際需求相結合。SOA模塊的接口獨立于硬件平臺和操作系統。為了提高云計算用戶的數據安全性，SOA 構建層還具有設置秘鑰等功能[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程序管理、資源管理、數據安全管理等服務，用戶可以通過分配的訪問接口，實時查詢當前任務在云端的處理進程，同時也能對前期上傳的云計算資源進行查看、復制和剪切。

3）物理資源

云計算中進行調用的計算資源、存儲資源等，是指線下通過互聯網連接的基礎設施，包括計算機資源、CPU 資源、存儲器等。

4）虛擬資源池

與物理資源相對應的，云計算采用虛擬化技術將分散在線下的計算、存儲、數據資源進行虛擬化，用戶在云計算界面看到的資源模型，是經過虛擬化的虛擬資源。

2 遺傳算法研究

遺傳算法的關鍵環節包括：

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所設計的適應度函數和閾值，計算個體的適應度值，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中的初始個體有一定的了解，將系統種群的初始個體限定在初始解的范圍內，生成新的遺傳算法種群。

2）計算適應度函數值

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

常規的適應度函數如下式：

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

③遺傳與變異

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

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調度算法

3.1 船舶圖像處理平臺

本文以應用范圍較廣的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 圖像處理器和對應的DSP 鏈路接口。

TS201 圖像處理硬件平臺主要技術指標如下：

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鍵架構包括核心處理器（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圖如圖3 所示。

圖3 TS201 圖像處理硬件平臺的架構圖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，B(x,y,z)為海天背景像素函數，N(x,y,z)為雷達圖像的噪音像素函數。

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調度算法

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，而云平臺可以根據不同用戶的船舶圖像處理需求進行資源調配和任務調度，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調度過程。

模擬退火算法是一種快速尋優的智能算法，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據的極值，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合的任務調度優化算法流程如圖4 所示。

圖4 遺傳算法和模擬退火算法相結合的任務調度優化算法流程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為P，集合表示為R=(r1,r2,···,rP)，線下提交的船舶圖像處理任務總數為M，定義集合為J=(j1,j2,···,jM)，將M任務劃分為T個子任務，對應集合T=(t1,t2,···,tM)，則得到M個任務的總數為：

定義測試環境指標如下：

操作系統Windows 7，處理器為AMD A10-7300 1.90 GH，內存RAM 為4 GB，硬盤為500 GB/5 400/min，開發工具為Eclipse Oxygen。

圖5 為單位時間內采用優化調度方案和原始方案的任務完成個數對比，左為原始圖像處理方案，右為基于遺傳/退火進行任務調度的圖像處理方案。可見，當任務個數超過一定數量時，采用多任務調度算法后，單位時間內船舶圖像的處理個數明顯提升。

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

4 結 語

為了提高云計算技術中的多任務調度和分配質量，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調度進行優化，并在測試環境下進行了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調度，能夠顯著提高船舶圖像處理效率。