ffiM学习数据中存在n个区域块与低分辨率EffiM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DEM区域块的第i个像素值
.y/ 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。
[0038] (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。
[0039] 随着技术的发展，GPU的应用范围越来越广，其强大的并行计算能力解决了日益增 长的数据量的计算问题。针对基于学习算法运算量大、待重建块之间相互独立的特点，非常 适合用GPU进行并行加速。
[0040] 统一计算设备架构（Compute Unified Device Architecture，CUDA)是英伟达 (NVIDIA)推出的一种运算平台，它采用易掌握的C语言来进行开发，开发人员既无需为了 而另外学习新的编程语言，又可以从CPU的编写模式平稳过渡到GPU的编写模式。
[0041] 图2展示了 CUDA的编程模型，该模型分为两部分，一部分为主机端（Host)，一部分 为设备端（Device)。主机端由CPU执行，主要负责串行计算以及逻辑运算，设备端由GPU执 行，主要负责高度并行化的数据处理。kernel (内核函数）是针对并行运算的函数，它是完 整程序的一部分，只负责并行处理，一个完整的CUDA程序包括Host的串行运算以及Device 的并行运算功能组成，依次执行对应程序中的语句顺序。
[0042] 为了满足CUDA可以在核心数量不同的硬件上的运行，CUDA本身就有一定的线程 结构。kernel最根本的是以线程（thread)构成的，若干数量的线程可以构成一个线程块 (Block)，若干个线程块则可以构成一个线程网格（Grid)，而线程网格则是kernel的组织 形式。各block之间是同时运行切互不干扰的，并且block之间是无任何通信机制存在的， 这样的编程模型保证了 GPU无论对于单个线程块或是多个线程块都可以很好的编程。
[0043] 优选地，上述步骤（3)由GPU实现，如图3所示，GPU按照如下步骤实现上述步骤 (3)：
[0044] (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。
[0045] (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。
[0046] (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。
[0047] (S4)将GPU端的输出结果传回到内存。
[0048] (S5)释放整个GPU端开辟的所有显存地址空间，退出CUDA。
[0049] 下面通过实例来证明GPU加速后效率的提升。所采用的CPU型号是Intel (R) Core (TM) i3-21003. 10GHz，GPU 型号是 NVIDIA GeForce GTX 660Ti，操作系统是 32 位 Windows 7系统。表1和表2为选择不同区域块大小时，CPU和GPU的重建时间对比表。 其中，表1采用的低分辨率DEM重建数据的大小为500X500,高分辨率DEM学习数据及低 分辨率DEM学习数据的大小均为1500X750 ;表2采用的低分辨率DEM重建数据的大小为 500 X 500,高分辨率DEM学习数据及低分辨率DEM学习数据的大小均为500 X 500。
[0050] 从表中可以看出，无论学习数据大或小，CUDA的运行速度均远远高于CPU，提速 效果非常明显，选择的区域块越小，提速比也越高，充分体现了 GPU高密度简单计算的优越 性。最后，在实际中，我们也验证了 CUDA重建结果与C++是完全一致的，并且结果好于插值 方法。
[0051] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以 限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种DEM超分辨率方法，其特征在于，包括如下步骤： (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； (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； (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； (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。2. 如权利要求1所述的DEM超分辨率方法，其特征在于，所述步骤（3)由GPU实现。3. 如权利要求2所述的DEM超分辨率方法，其特征在于，GPU按照如下步骤实现所述步 骤（3): (51) 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； (52) 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; (53) 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； (S4 )将GPU端的输出结果传回到内存； (S5)释放整个GPU端开辟的所有显存地址空间，退出CUDA。4. 如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，所述步骤（3) 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，其中，h为衰减参数，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(〇为低分辨率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，允为低分辨率DEM学 习数据的第j个区域块的平均像素值。5. 如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，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DEM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，其中，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，<(0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，f 为低分辨率DEM重建数据的区域块的平均像素值。6. 如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，所述插值方法为 最近邻域插值、双线性插值或双三次插值。7. 如权利要求1至3中任一项所述的DEM超分辨率方法，其特征在于，所述步骤（2)中， 区域块间的步长为（N-1) /2。
【专利摘要】本发明公开了一种基于GPU加速的DEM超分辨率方法。包括：(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；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；(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N×N的相互重叠的区域块；(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，计算区域块的相似权重，通过将相似权重与给定的阈值T进行比较，得到高分辨率的DEM区域块。本发明能高效快速重建高分辨率DEM数据，且重建结果清晰，准确度高。
【IPC分类】G06T5/00
【公开号】CN104992425
【申请号】CN201510447886
【发明人】侯文广, 陈子轩, 王学文, 徐泽楷
【申请人】华中科技大学
【公开日】2015年10月21日
【申请日】2015年7月27日