王淼

【摘 要】隨著遙感圖像數(shù)據(jù)規(guī)模的不斷擴大與融合算法計算復雜度的增大，遙感圖像的快速融合成為很多遙感處理步驟的關(guān)鍵一環(huán)。計算機技術(shù)快速發(fā)展，CPU多核架構(gòu)逐漸普及，為了充分利用多核處理器資源，Matlab提供了并行計算模型。本文選取了基于小波變換和IHS空間的圖像融合算法進行并行化設計，利用Matlab并行計算工具箱與分布式計算服務器進行任務分割，實現(xiàn)了算法的并行化。實驗結(jié)果表明，并行化處理可以有效縮短圖像融合的時間，獲得良好的加速比，驗證了并行算法的高效性，對進一步研究并行圖像處理有一定的指導意義。

【關(guān)鍵詞】Matlab；圖像融合；IHS；小波變換；并行計算

0 引言

隨著遙感技術(shù)的飛速發(fā)展，由于信息獲取的途徑越來越多，從而得到了各式各樣的遙感數(shù)據(jù)，而且數(shù)據(jù)量也越來越大。圖像融合技術(shù)的誕生使多源遙感數(shù)據(jù)得到了充分的利用，產(chǎn)生了比單一信息源更精確、更可靠的估計和判斷。由于數(shù)據(jù)規(guī)模的不斷增大，基于單處理器的傳統(tǒng)的串行圖像融合算法已經(jīng)無法滿足計算量不斷增加的需求，基于多處理器或集群的并行計算使圖像的快速融合成為了可能，為高效地分析遙感圖像提供了有效的解決途徑。

當前流行的并行化工具與多核計算平臺有很多，如OpenMP、MPI等[1]，還有基于GPU并行計算的GUDA語言[2]。為高效利用多核處理器進行并行計算，增強計算能力，Mathwork 公司推出了Matlab 分布式計算服務器與并行計算工具箱[3]，可以實現(xiàn)對大規(guī)模數(shù)據(jù)進行快速、便捷地并行任務劃分，而且具有良好的可擴展性。

近年來，小波變換理論被廣泛應用于圖像融合并行處理當中，有基于MPI的復小波變換的遙感圖像并行融合算法[4]，有基于GPU的小波變換圖像融合快速實現(xiàn)算法等[5]。本文在Matlab并行計算環(huán)境下，分析了基于小波變換與IHS空間的圖像融合算法流程，將讀入內(nèi)存數(shù)據(jù)規(guī)模較大的遙感圖像像元矩陣進行均等任務劃分，分配給不同的處理單元進行融合計算，實現(xiàn)了算法的并行化，為提高大規(guī)模矩陣的計算速度與多核處理器的利用率提供了并行處理方法。

1 Matlab并行計算

Matlab并行計算架構(gòu)主要依賴兩個工具：并行計算工具箱（PCT）和分布式計算服務器（MDCS）[6]，用戶可以通過使用以上兩個工具完成多種并行計算任務，例如基于多核平臺、多處理器平臺的并行計算以及基于集群平臺的并行計算。PCT與MDCS可以自動幫助用戶完成參與計算的多個核、多個處理器或多個集群節(jié)點之間的底層數(shù)據(jù)通信，用戶則可以更加專注于并行算法的設計，于此同時，Matlab提供了各式各樣的函數(shù)工具箱，以便用戶高效便捷地完成并行計算任務。

典型的Matlab并行計算架構(gòu)包含Client、Job Manager和Worker，它們既可以運行在網(wǎng)絡中的多臺計算機上，也可以運行在同一臺計算機上。用戶通過Client可以編輯代碼，輸入各種命令，將Job提交給Job Manager；Job Manager負責Worker的管理和Task分配，將Job中的Task分配到Worker上執(zhí)行，并收集Worker的執(zhí)行結(jié)果返回給Client；Worker負責執(zhí)行由Job Manager分配的Task，并將執(zhí)行結(jié)果返回Job Manager。其中，Job作為任務的基本單元，由Client向Job Manager提交，而Task則作為任務的基本單元被Job Manager分配到各個Worker中去，一個Job可以只包含一個Task，也可以包含多個Task。

2 IHS小波融合算法并行設計

2.1 基本原理

IHS小波融合算法1999年由Nunez 提出[7]，通過將傳統(tǒng)的IHS變換與小波變換相結(jié)合，既有效地增強了融合圖像的空間分辨率，又較好的保持了融合圖像的光譜特性，減小了光譜失真。該方法先將待融合多光譜圖像作由RGB空間到IHS空間的轉(zhuǎn)換，然后利用小波變換將得到的多光譜圖像的I分量與全色圖像進行小波分解、融合與重構(gòu)，最后將得到的新的Inew分量與原先的H、S分量進行IHS逆變換得到最終的融合結(jié)果。

2.2 并行算法實現(xiàn)

在進行并行IHS小波融合算法設計之前，首先需要分析在整個串行算法中各個函數(shù)調(diào)用的頻率以及函數(shù)執(zhí)行消耗的時間，這個過程可以由Matlab提供的Profiler剖析器來完成，經(jīng)過分析可知，程序中將多光譜圖像的I分量與高分辨率全色圖像進行小波融合花費處理器時間最多，這是由于進行逐層小波分解與重構(gòu)時，計算復雜度不斷升高，計算量不斷加大。為了充分利用多核處理器資源，采用均等原則劃分計算量較大的復雜計算任務，使這部分過程可以在Matlab環(huán)境下實現(xiàn)并行化，該算法并行化過程見圖1。

本文將并行小波融合算法設計成一個獨立的模塊函數(shù)P-Fusion（）[8]，該模塊函數(shù)主要完成的工作是：圖像像元矩陣的小波分解與重構(gòu)、由小波系數(shù)陣以3X3為窗口大小計算像元梯度矩陣和融合圖像小波系數(shù)陣的計算。

作為實現(xiàn)并行計算的獨立模塊函數(shù)P-Fusion（），其輸入?yún)?shù)為過IHS變換后提取的I分量像元矩陣與經(jīng)配準后的全色圖像像元矩陣，函數(shù)執(zhí)行完成后，將輸出參量作為新的Inew通道信息與H、S通道信息作IHS逆變換即可得到融合圖像。在Matlab多核處理器并行計算平臺下實現(xiàn)基于均等任務劃分原則的并行計算，其主要步驟如下：

（1）調(diào)用FindResource（）函數(shù)創(chuàng)建對象Job Manager，并將該對象命名為Jm，它作為一個調(diào)度器負責整個并行計算程序的調(diào)度工作。

（2）通過createJob（）函數(shù)在對象Jm上創(chuàng)建一個作業(yè)，命名為Job，并完成定義并行小波融合模塊函數(shù)P-Fusion（）。

（3）設置該作業(yè)的文件關(guān)聯(lián)，讓所有Workers都可以找到原程序文件。

（4）通過createTask（）函數(shù)將作業(yè)Job進行任務劃分，P-Fusion（）作為函數(shù)句柄，并設置好函數(shù)的輸入?yún)?shù)與輸出參數(shù)。

（5）利用Submit（）函數(shù)完成作業(yè)Job的提交，Job Manager調(diào)度后臺可用于計算的處理器核心完成作業(yè)任務的分配，各工作核獲取任務后執(zhí)行模塊函數(shù)P-Fusion（）完成各自計算任務，此時各個核同時工作，互不干擾，完成并行計算。

（6）當所有任務全部完成后，將計算結(jié)果通過GetAllOutputArguments（）函數(shù)回收并整理后返回給客戶端Client。

完成該并行計算過程的主要代碼如下：

3 實驗及結(jié)果分析

本文選擇的實驗數(shù)據(jù)為北京地區(qū)Landset8遙感影像，將2048X2048大小的空間分辨率為30m的多光譜圖像與空間分辨率為15m的全色圖像進行融合。

3.1 實驗環(huán)境

硬件配置：節(jié)點Intel Core i5-4590 CPU，四核，4GB內(nèi)存；

軟件配置：Windows 7專業(yè)版64位操作系統(tǒng)，Matlab2010a（并行計算工具箱Parallel Computing Toolbox 4.3和分布式計算服務器Matlab Distributed Computing Server 4.3）。

3.2 結(jié)果分析

在多核處理器并行環(huán)境下完成了圖像像元矩陣的小波分解與重構(gòu)、像元梯度矩陣和融合圖像小波系數(shù)陣的計算，且融合結(jié)果基本穩(wěn)定，其結(jié)果如圖2-4圖所示：

通過對串行融合程序與并行融合程序的執(zhí)行時間進行測試，對比分析了并行計算的優(yōu)化效果，其測試性能對比如表1所示：

表1 IHS小波融合并行化性能對比

由表1可知：在進行相同任務量的計算時，參與計算的內(nèi)核數(shù)不同，程序的執(zhí)行時間也會隨之改變，其具體表現(xiàn)為Worker數(shù)目增加，運行時間變短，但減小趨勢變緩，這是因為計算機在執(zhí)行并行程序時會產(chǎn)生額外的通訊開銷。并行算法的加速比大致呈線性增長，當開啟Worker數(shù)為4，即等于處理器的最大內(nèi)核數(shù)時，并行程序加速比達到2.2。算法的并行化設計，能有效的縮短程序執(zhí)行的時間，充分利用多處理器資源，滿足了快速處理的需要。

4 結(jié)語

本文針對IHS小波融合算法，利用Matlab并行環(huán)境進行了算法并行化設計與實現(xiàn)，有效的提高了程序的運行速度并充分運用了多核處理器資源，均等的任務劃分、模塊化的處理方法為處理大規(guī)模遙感數(shù)據(jù)提供了可能。相較于其他并行模式，Matlab并行計算程序設計更為簡便，豐富的函數(shù)工具箱能滿足不同的應用需求，將會在不同的鄰域有著廣闊的應用前景。

【參考文獻】

[1]王鵬，等.并行計算應用及實戰(zhàn)[M].北京：機械工業(yè)出版社，2009.

[2]劉金碩，等.基于CUDA的并行程序設計[M].北京：科學出版社，2015.

[3]MathWorks. Matlab distributed computing server [EB/OL] [2009-10-01] http：//www.mathworks.com/help/toolbox/mdce/index.html.

[4]王攀峰，杜云飛，周海芳，楊學軍.基于復小波變換的遙感圖像并行融合算法[J].計算機工程與科學.2008.30（3）：35-39.

[5]閆鈞華，杭誼青，孫思佳. 基于GPU的可見光與紅外圖像融合快速實現(xiàn)[J].計算機工程.2013.39（11）：249-253.

[6]劉維.實戰(zhàn)Matlab之并行程序設計[M].北京：北京航空航天大學出版社，2012.

[7]Jorge Nunez， Xavier Otazu， Octavi Fors. Multiresolution Based Image Fusion with Additive Wavelet Decomposition[J].IEEE Transactions on Geoscience and Remote-sensing.1999（3）：1204-1211.

[8]鄭曉薇，于夢玲.基于Matlab多核集群的人臉識別算法的并行化設計[J].計算機應用.2011.31（10）：2597-2599.

[責任編輯：張濤]