一种基于GPU加速的DEM超分辨率方法技术

本发明专利技术公开了一种基于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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于地形测绘
，更具体地，涉及一种基于GPU加速的DEM超分辨率 方法。
技术介绍
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。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于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。 为实现上述目的，本专利技术提供了一种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。 优选地，所述步骤（3)由GPU实现。 优选地，GPU按照如下步骤实现所述步骤（3): (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； (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 ; (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； (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。 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。 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。 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。 优选地，所述步骤（2)中，区域块间的步长为（N-l)/2。 总体而言，通过本专利技术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： 1、将GPU引入到DEM重建中，大幅提升了数据的重建速度。 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。 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。 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】 图1是本专利技术实施例的EffiM超分辨率方法的流程图； 图2是CUDA编程模型图； 图3是GPU的实现流程图。【具体实施方式】 为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本专利技术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专利技术，并 不用于限定本专利技术。此外，下面所描述的本专利技术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。 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。本专利技术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。 如图1所示，本专利技术实施例的基于GPU加速的DEM超分辨率方法包括如下步骤： (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。 其中，插值方法为最近邻域插值、双线性插值或双三次插值。 (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。 优选地，区域块间的步长为（N-l)/2。 (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，将相本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】

【专利技术属性】
技术研发人员：侯文广，陈子轩，王学文，徐泽楷，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42