一种基于gpu加速的dem超分辨率方法
【技术领域】
[0001] 本发明属于地形测绘技术领域，更具体地，涉及一种基于GPU加速的DEM超分辨率 方法。
【背景技术】
[0002] 数字高程模型（Digital Elevation Model, DEM)是数字地形模型的一个分支，它 是用一组有序数值阵列形式表示地面高程的一种数字模型。随着数字化的高度发展，DEM模 型在社会生活中具有极高的应用价值，因此，人们对高精度地形模型的要求也越来越高。为 了得到高精度的DEM模型，通常采用两种方法。一种方法是通过使用更加先进的硬件设备 直接提高DEM模型的精度，这种方法不仅成本高，而且对技术水平要求也比较高；第二种方 法是通过分析DEM模型，运用超分辨率的方法提高DEM的精度及分辨率，即通过一系列低分 辨率的图像来得到一幅高分辨率的图像，该过程称为超分辨率重建。比较而言，第二种方法 大大降低了成本，吸引了大量研宄者的重视。基于学习的超分辨率是当前超分辨率研宄的 热点，其更加偏重于理解高分辨率图像自身的性质以及内部的规律，因此具有更好的重建 效果，然而该方法需要较大的学习数据库，使得计算量十分巨大，因此研宄快速的超分辨率 方法具有实际的意义。
【发明内容】
[0003] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于GPU加速的DEM超 分辨率方法，将GPU引入到DEM重建中，达到高效快速重建高分辨率DEM数据的目的，且重 建结果清晰，准确度高。
[0004] 为实现上述目的，本发明提供了一种DEM超分辨率方法，其特征在于，包括如下步 骤：
[0005] (1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分辨率DEM学习数 据达到同一尺度，此时，低分辨率DEM学习数据与高分辨率DEM学习数据上的点一一对应； 同时，将待重建的DEM数据通过相同的插值方法扩充K倍，得到低分辨率DEM重建数据；
[0006] (2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数 据分为一系列大小为NXN的相互重叠的区域块；
[0007] (3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学习数据中进行相 似块查找，计算与低分辨率DEM学习数据的区域块的相似权重，将相似权重与给定的阈值T 进行比较，若低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块 的相似权重大于给定的阈值T，则根据这n个区域块对应的高分辨率DEM学习数据的区域块 对低分辨率DEM重建数据的区域块进行重建，得到高分辨率的DEM区域块；若低分辨率DEM 学习数据中不存在与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T的区域 块，则直接将低分辨率DEM学习数据的区域块作为高分辨率的DEM区域块；
[0008] (4)将步骤（3)得到的高分辨率的DEM区域块按照与低分辨率DEM重建数据的区 域块相同的方式拼接起来，区域块的重叠部分取均值，得到重建后的高分辨率DEM数据。
[0009] 优选地，所述步骤（3)由GPU实现。
[0010] 优选地，GPU按照如下步骤实现所述步骤（3):
[0011] (S1)为DEM数据分配内存，将高分辨率DEM学习数据、低分辨率DEM学习数据和低 分辨率DEM重建数据读入CPU，初始化CUDA编程环境；
[0012] (S2)为GPU开辟显存地址空间用于内核函数的输入和输出，将高分辨率DEM学习 数据、低分辨率DEM学习数据和低分辨率DEM重建数据由CPU传送到GPU ;
[0013] (S3)根据区域块的大小、区域块间的步长分配线程结构，编写GPU端并行执行的 内核函数，内核函数完成低分辨率DEM重建数据的每个区域块的重建工作并将结果输出；
[0014] (S4)将GPU端的输出结果传回到内存；
[0015] (S5)释放整个GPU端开辟的所有显存地址空间，退出CUDA。
[0016] 优选地，所述步骤⑶中，低分辨率DEM重建数据的区域块与低分辨 率DEM学习数据的第j个区域块的相似权重％ =cxp(-|)，其中，h为衰减参数，
低分辨率DEM重建数据的区域块与低分辨率DEM学习数 据的第j个区域块的平均欧氏距离，yt(i)为低分辨率DEM重建数据的区域块的第i个像素 值，为低分辨率DEM学习数据的第j个区域块的第i个像素值，K为低分辨率DEM重建 数据的区域块的平均像素值，兄为低分辨率DEM学习数据的第j个区域块的平均像素值。
[0017] 优选地，所述步骤（3)中，低分辨率DEM学习数据中存在n个区域块与低分辨率 DHM重建数据的区域块的相似权重大于给定的阈值T时，得到的高分辨率的EffiM区域块的 第i个像素值3
〖中，为低分辨率DEM重建数据的区域块 与低分辨率DEM学习数据的第j个区域块的相似权重，x〗(/)为这n个区域块对应的高分辨 率DEM学习数据的区域块的第i个像素值，>>/为低分辨率DEM学习数据的第j个区域块的 平均像素值，^为低分辨率DEM重建数据的区域块的平均像素值。
[0018] 优选地，所述插值方法为最近邻域插值、双线性插值或双三次插值。
[0019] 优选地，所述步骤（2)中，区域块间的步长为（N-l)/2。
[0020] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效 果：
[0021] 1、将GPU引入到DEM重建中，大幅提升了数据的重建速度。
[0022] 2、采用阈值判断的方法对低分辨率EffiM重建数据的区域块进行重建，为GPU的快 速计算提供了更加有利的条件。
[0023] 3、对区域块间的步长进行合理选择，在保证重建效果的前提下进一步缩短了重建 时间。
[0024] 4、基于学习的思想重建得到高分辨率DEM数据，重建结果清晰，准确度高。
【附图说明】
[0025] 图1是本发明实施例的EffiM超分辨率方法的流程图；
[0026] 图2是CUDA编程模型图；
[0027] 图3是GPU的实现流程图。
【具体实施方式】
[0028] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要 彼此之间未构成冲突就可以相互组合。
[0029] 近些年，随着以统一计算设备架构（Computer Unified Device Architecture, CUDA)为代表的通用计算的普及，GPU以其强大的并行计算能力以及可编程 性得到了广泛的应用。其典型应用有图像及信号处理、3D图像渲染、计算机视觉加速处理 等。本发明针对基于学习的超分辨率方法运算量大的问题，将GPU强大的并行运算能力应 用到DEM模型的超分辨率方法中，达到快速而高效地重建高精度DEM模型的目的。
[0030] 如图1所示，本发明实施例的基于GPU加速的DEM超分辨率方法包括如下步骤：
[0031] (1)利用插值方法将低分辨率DEM学习数据扩充K倍，使其与高分辨率DEM学习数 据达到同一尺度，此时，低分辨率DEM学习数据与高分辨率DEM学习数据上的点一一对应； 同时，将待重建的DEM数据通过相同的插值方法扩充K倍，得到低分辨率DEM重建数据。
[0032] 其中，插值方法为最近邻域插值、双线性插值或双三次插值。
[0033] (2)分别将高分辨率DEM学习数据、低分辨率DEM学习数据和低分辨率DEM重建数 据分为一系列大小为NXN的相互重叠的区域块。
[0034] 优选地，区域块间的步长为（N-l)/2。
[0035] (3)对低分辨率DEM重建数据的每一个区域块，在低分辨率DEM学习数据中进行相 似块查找，计算与低分辨率DEM学习数据的区域块的相似权重，将相似权重与给定的阈值T 进行比较，若低分辨率DEM学习数据中存在n个区域块与低分辨率DEM重建数据的区域块 的相似权重大于给定的阈值T，则根据这n个区域块对应的高分辨率DEM学习数据的区域块 对低分辨率DEM重建数据的区域块进行重建，得到高分辨率的DEM区域块；若低分辨率DEM 学习数据中不存在与低分辨率DEM重建数据的区域块的相似权重大于给定的阈值T的区域 块，则直接将低分辨率DEM学习数据的区域块作为高分辨率的DEM区域块。
[0036] 其中，低分辨率EffiM重建数据的区域块与低分辨率EffiM学习数据的 D 第j个区域块的相似权重％ = ，h为发减参数，为给定值，例如h = 20， If
为低分辨率DEM重建数据的区域块与低分辨率DEM学习数 据的第j个区域块的平均欧氏距离，yt(i)为低分辨率DEM重建数据的区域块的第i个像素 值，允(0为低分辨率DEM学习数据的第j个区域块的第i个像素值，f为低分辨率DEM重 建数据的区域块的平均像素值，^为低分辨率DEM学习数据的第j个区域块的平均像素值。
[0037] 其中，低分辨率E