【技术实现步骤摘要】
本专利技术涉及遥感图像处理技术和边缘计算环境优化，特别是涉及一种基于算法-硬件协同设计的高效遥感图像处理方法。
技术介绍
1、洪水灾害作为全球范围内频发的自然灾害，对人类社会造成了巨大的生命和财产损失。为了更有效地进行洪水分析和灾害评估，随着卫星遥感技术的不断进步，多源卫星遥感图像以其高分辨率、高回访率以及广泛的覆盖范围，成为了洪水检测领域的重要工具。
2、在多源卫星图像洪水检测技术的演进过程中，已经探索并发展出了多样化的方法。举例来说，有学者融合了三种不同的基于阈值的传统算法，以更精确地描绘多源遥感图像中的洪水区域。相较于仅依赖单一图像源的方法，这种方法展现出显著的优势。但不可忽视的是，这些基于阈值的方法在处理时常常受到如地形阴影、云层遮挡等噪声因素的干扰，这在一定程度上影响了洪水检测的准确性。近年来，卷积神经网络(cnn)在洪水检测领域的应用日益受到关注，这得益于cnn卓越的特征提取和自我学习能力，以及其对各种复杂环境的适应性。有学者提出了基于经典unet架构的多源遥感图像变化检测方法。同时，为了提升洪水检测的准确性，信息融合技术也被广泛运用。例如，有学者结合多源卫星图像时间序列，创新性地提出了利用多源卫星图像联合特征的改进版resnet-50模型；还有研究采用了轻量级unet架构与决策层数据融合相结合的策略，以实现洪水的快速且准确的检测，从而优化了整体性能。
3、随着卫星遥感数据量的激增，传统的地面数据处理中心面临着巨大的数据传输和处理压力，这大大限制了洪水检测结果的实时性。在轨计算技术的兴起为实时
4、在现代高性能通用处理器环境下，软件算法设计通常不考虑硬件架构细节，这导致算法无法完全发挥硬件潜能，造成资源浪费和性能瓶颈。因此，在资源有限的边缘计算环境中，如何高效地进行洪水检测仍然是一个重要的技术挑战。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本专利技术提出一种基于算法-硬件协同设计的高效遥感图像处理方法，通过构建一个融合了中央处理器(cpu)、图形处理器(gpu)和现场可编程门阵列(fpga)硬件的混合异构计算平台，以及针对该硬件平台特点进行算法的多重优化策略，显著提升了洪水检测的性能。
3、为达上述目的，本专利技术的基于算法-硬件协同设计的高效遥感图像处理方法，应用于fpga开发板和cpu-gpu边缘计算设备，其中，所述fpga开发板的主芯片中设置快速洪水区域提取模块，所述快速洪水区域提取模块采用轻量级神经网络模型，所述cpu-gpu边缘计算设备中设置历史信息融合模块，所述方法，包括：
4、获取多源遥感图像的切片图像；
5、将所述切片图像输入经过量化和剪枝后的轻量级神经网络模型进行数据处理以输出初步的洪水提取结果；其中，所述洪水提取结果，包括从所述切片图像中识别出洪水淹没及非洪水淹没的像素区域；
6、将初步的洪水提取结果输入到历史信息融合模块，利用历史图像洪水提取结果和多种决策级融合策略对当前图像洪水提取结果进行优化以输出最终洪水检测结果。
7、本专利技术实施例的基于算法-硬件协同设计的高效遥感图像处理方法还可以具有以下附加技术特征：
8、在本专利技术的一个实施例中，获取多源遥感图像的切片图像，包括：
9、通过前端传感器采集多源遥感图像，并对所述多源遥感图像进行切片处理得到切片图像；其中，所述多源遥感图像，包括当前遥感图像和历史遥感图像；
10、利用fpga开发板通过预设的网口接收所述切片图像。
11、在本专利技术的一个实施例中，将所述切片图像输入经过量化和剪枝后的轻量级神经网络模型进行数据处理以输出初步的洪水提取结果，包括：
12、对神经网络模型进行轻量化操作得到轻量级神经网络模型；其中，所述轻量化操作，包括模型参数量化和模型剪枝操作；
13、将多源遥感图像的切片图像输入轻量级神经网络模型输出某区域被水淹没的概率值，通过阈值分割处理所述概率值以输出洪水提取结果；其中，所述洪水提取结果的结果数值表示当前像素是否为洪水区域。
14、在本专利技术的一个实施例中，所述快速洪水区域提取模块，包括第一cbp网络结构、bp神经网络结构和第二cbp网络结构。
15、在本专利技术的一个实施例中，将所述快速洪水区域提取模块的网络中的卷积层和批归一化层进行数据融合，包括：
16、将卷积层的处理过程为式(1)和批归一化层的处理过程为式(2)合并为一个过程，包括式(3)、(4)、(5)：
17、yconv＝w·x+b (1)
18、
19、y＝w′·x+b' (3)
20、
21、式中,x和y分别代表输入和输出，w,b,γ,ε和β是计算中的所有参数，μ和σ2代表输入的均值和方差。
22、在本专利技术的一个实施例中，所述历史信息融合模块，包括gpu和cpu；将初步的洪水提取结果输入到历史信息融合模块，利用历史图像洪水提取结果和多种决策级融合策略对当前图像洪水提取结果进行优化以输出最终洪水检测结果，包括：
23、利用cpu的处理单元接收轻量级神经网络模型输出对应洪水提取结果的二元分类结果，并通过统计像素判断当前图像的洪水所处阶段以确定相应的融合策略；其中，所述二元分类结果，包括当前图像洪水提取结果和历史图像洪水提取结果；
24、将所述二元分类结果和所述融合策略输入gpu进行信息融合计算得到信息融合结果，并将所述信息融合结果经过数据处理到最终洪水检测结果。
25、在本专利技术的一个实施例中，在得到最终洪水检测结果之后，所述方法，还包括：
26、将所述最终洪水检测结果经过图形处理后发送至用户终端。
27、在本专利技术的一个实施例中，在所述fpga开发板和cpu-gpu边缘计算设备之间使用千兆以太网网线进行连接，并分别通过以太网利用udp/ip协议与外部设备直接交换数据。
28、在本专利技术的一个实施例中，对神经网络模型的模型参数进行量化，以将原始64位浮点数被转换为16位定点数。
29、在本专利技术的一个实施例中，对神经网络模型进行轻量化操作，包括：
30、移除原始的神经网络模型中用于确定非洪水区域的计算通道及取最大值索引的操作，以对网络模型架构进行修改得到简化的单通道模型。
31、本专利技术实施例的基于算法-硬件协同设计的高效遥感本文档来自技高网...
【技术保护点】
1.一种基于算法-硬件协同设计的高效遥感图像处理方法，其特征在于，应用于FPGA开发板和CPU-GPU边缘计算设备，其中，所述FPGA开发板的主芯片中设置快速洪水区域提取模块，所述快速洪水区域提取模块采用轻量级神经网络模型，所述CPU-GPU边缘计算设备中设置历史信息融合模块，所述方法，包括：
2.根据权利要求1所述的方法，其特征在于，获取多源遥感图像的切片图像，包括：
3.根据权利要求1所述的方法，其特征在于，将所述切片图像输入经过量化和剪枝后的轻量级神经网络模型进行数据处理以输出初步的洪水提取结果，包括：
4.根据权利要求3所述的方法，其特征在于，所述快速洪水区域提取模块，包括第一CBP网络结构、BP神经网络结构和第二CBP网络结构。
5.根据权利要求4所述的方法，其特征在于，将所述快速洪水区域提取模块的网络中的卷积层和批归一化层进行数据融合，包括：
6.根据权利要求1所述的方法，其特征在于，所述历史信息融合模块，包括GPU和CPU；将初步的洪水提取结果输入到历史信息融合模块，利用历史图像洪水提取结果和多种决策级融合
7.根据权利要求1所述的方法，其特征在于，在得到最终洪水检测结果之后，所述方法，还包括：
8.根据权利要求1所述的方法，其特征在于，在所述FPGA开发板和CPU-GPU边缘计算设备之间使用千兆以太网网线进行连接，并分别通过以太网利用UDP/IP协议与外部设备直接交换数据。
9.根据权利要求3所述的方法，其特征在于，对神经网络模型的模型参数进行量化，以将原始64位浮点数被转换为16位定点数。
10.根据权利要求3所述的方法，其特征在于，对神经网络模型进行轻量化操作，包括：
...【技术特征摘要】
1.一种基于算法-硬件协同设计的高效遥感图像处理方法，其特征在于，应用于fpga开发板和cpu-gpu边缘计算设备，其中，所述fpga开发板的主芯片中设置快速洪水区域提取模块，所述快速洪水区域提取模块采用轻量级神经网络模型，所述cpu-gpu边缘计算设备中设置历史信息融合模块，所述方法，包括：
2.根据权利要求1所述的方法，其特征在于，获取多源遥感图像的切片图像，包括：
3.根据权利要求1所述的方法，其特征在于，将所述切片图像输入经过量化和剪枝后的轻量级神经网络模型进行数据处理以输出初步的洪水提取结果，包括：
4.根据权利要求3所述的方法，其特征在于，所述快速洪水区域提取模块，包括第一cbp网络结构、bp神经网络结构和第二cbp网络结构。
5.根据权利要求4所述的方法，其特征在于，将所述快速洪水区域提取模块的网络中的卷积层和批归一化层...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。