夏永泉 孙静茹 WUXin-wen

摘 要：图像并行处理研究较多，但鲜有分块文献以及图像分块机制研究。针对高分辨率天文图像数据量大、特征提取速度缓慢的问题，研究了图像分块并行处理策略。通过对高分辨天文图像在不同分块分辨率下的特征提取时间进行对比分析，找到特征提取速度最快的分块分辨率。通过实验对比和分析得到分块策略，通过实验验证了方法的有效性。

关键词：高分辨率;天文图像;分块机制;并行;特征提取

DOI：10. 11907/rjdk. 182913 开放科学（资源服务）标识码（OSID）：

中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2019）009-0199-03

Research on Hierarchical Parallel Feature Extraction of

High-resolution Astronomy Image

XIA Yong-quan1，SUN Jing-ru1，WU Xin-wen2，ZHI Jun1，WANG Bing1，XIE Xi-wang1

（1. School of Computer and Communication Engineering， Zhengzhou University of Light Industry， Zhengzhou 450001， China;

2. Faculty of Engineering & Information Technology， Griffith University， Brisbane 4111，Australia）

Abstract： Aiming at the problem of large-scale high-resolution astronomical image data and slow feature extraction speed， this paper adopts block parallel processing strategy for high-resolution astronomical images. In the aspect of image parallel processing， more scholars have conducted researches， but it is clear that the literature discusses how to divide the block and what kind of blocking mechanism is used to block the image. This paper compares and analyzes the feature extraction time of high resolution astronomical images at different block resolutions to find the corresponding block resolution with the fastest feature extraction speed. Through the experimental comparison and analysis， a block strategy was obtained and the effectiveness of the method was verified by experiments.

Key Words： high resolution; astronomical image; segmentation mechanism; parallel; feature extraction

0 引言

當人类第一次将目光投向太空，对宇宙的探索就一直没有停止过。对宇宙的研究水平标志着一个国家在科技发展中的位置，对自然科学的众多学科有着特殊的重要意义，也是当代科学技术、特别是尖端空间技术发展的巨大推动力。因此，对空间和宇宙的研究是许多国家的一项战略性计划[1]。随着科学技术的不断进步，天文台产生的数字天文图像数据呈指数增长，获取到的天文图像分辨率越来越高。分辨率越高，图像特征提取的速度就越慢。为提高特征提取速度，分块并行的处理策略研究应运而生。

提高图像处理速度研究较多，如Slabaugh G等 [2]使用多线程，充分利用多核处理器并行处理图像，加快处理速度;Kamalakannan等 [3]在构建MFC框架下使用多线程在多核处理下加快彩色图像处理速度;杨冠男和袁杰[4]利用多核并行计算加速图像处理，提出了基于多核CPU的分布式并行计算Matlab PCT加速图像处理;刘春、陈燕和辛亮[5]提出海量遥感数据的并行计算方法，主要针对串行运算对计算机性能要求高处理速度慢的问题采用并行算法，大大缩短了计算时间;张思乾、程果和陈荤等[6]基于OpenMP实现边缘提取并行算法，提高了图像边缘提取效率;曹婷婷[7]将串行程序改造成并行程序以提高性能;肖汉[8]对基于CPU+GPU的影像匹配高效能异构并行计算进行研究，通过串并性能对比阐述了并行计算在影像匹配上的高性能;张彩蝶[9]利用分布式并行计算提高高分图像数据融合的速度;廖国忠、高慧和张伟[10]利用多核CPU的并行算法加快烟感图像的处理速度;刘凡[11]将基于多核CPU的分布式并行计算和基于GPU的高性能并行计算技术应用于图像处理工程中。这些研究均从并行机制出发通过改变并行算法提高处理速度，没有采用分块的处理机制。

图像分块研究有：朱富贵[12]研究了一种新的基于分块DPCM与整数小波变换结合的天文图像无损压缩算法;王宏玉[13]基于图像分块的特征提取算法，采用分块PCA提取局部特征;Zhang、Jin等 [14]采用分块机制处理海量图像数据;Rashmi、Chaluvaiah[15]等采用并行块的处理方法解决遥感图像分类问题;李洋[16]将分块思想应用到处理框架中，图像重构速度提高了3倍以上，等等[17-20]。这些研究虽然都用到了图像分块方法，但是采用的分块方法依据是图像块数，分成块数为2×2、4×4、8í8等数目，研究不深入。

本文采用的分块机制与之完全相反，主要对并行处理中的分块算法进行研究，采用的分块依据是图像块分辨率大小。本文分块依据更灵活，图像块分辨率为2k，能根据不同性能的处理器分成适合处理器处理的图像大小。

1 算法思路

本文研究分块分辨率与并行特征提取速度的关系，确定在哪种分块分辨率下处理速度较快，所以本算法思路是对同一幅天文图像分块，每次子图像分辨率大小不同，分别统计每次的并行特征提取时间，通过对比提取时间判断何种分辨率的处理速度最快，处理流程如图1所示。

2 算法描述

对同一幅天文图像作处理，每次将同一幅天文图像分成不同分辨率大小的若干块，对每次分块后的若干子图像作并行特征提取，在每次并行处理的同时得到该分辨率下的处理时间，将每个子图像经过处理后得到的特征合并成原天文图像的特征，算法流程如图2所示。

2.1 分块策略

按照一定的大小对图像按照行列直接分块，也即把一幅高分辨率的天文图像按照a×a分辨率的大小分成若干块，a×a即是分块分辨率。假定原始图像I经过灰度转换后分辨率大小为M×N，设置子图像的宽高大小为a，取值为2k（k=1，2，3，4…），则天文图像被分成（M/a）×（N/a）块。

2.2 代价函数

本算法通过并行特征提取时间的大小判断哪种分块分辨率大小最合适，也就是说最小的并行特征提取时间所对应的分块分辨率大小就是并行特征提取时间最快的。根据这一点，提出高分辨率天文图像并行处理中的分块并行特征提取时间模型表达式为：

其中，M×N为天文图像分辨率，a为子图像的宽高大小，取值2k（k=1，2，3，4…），x为子图像的总块数，t为一块子图像的处理时间，T为天文图像的并行特征提取总时间，y为每次并行特征提取的任務数，取值y≥1;i为实验次数，取值i=1，2，3，4……，n为实验次数，取值n=2，3，4……。

由公式（4）得出最短并行特征提取时间，而最短时间对应的a值即为本算法要找到的最合适的分块分辨率。

3 实验结果与分析

3.1 实验平台

实验平台为MatlabR2013b，实验环境：12核CPU Inter Xeon，内存12GB，操作系统Windows 7。

3.2 实验结果

天文图像实验的分辨率为40 000×30 131，在不同的分块分辨率下每次实验5次，记录每次的处理时间，计算出5次并行特征提取时间的平均值。每次并行特征提取任务数为6，分块分辨率大小分别为64、128、256、512、1 024、  2 048。

3.3 结果分析

平均时间如图3所示。从图3可以看出，前3种分块分辨率下并行特征提取时间快速下降，后3种分块分辨率下的并行特征提取时间缓慢上升，可以得到并行特征提取时间的变化趋势类似于U型曲线，这是因为在并行池中计算时会占用计算机资源进行必要的数据通讯，所以并行效率与循环的长度（parfor循环体）、需传送的数据量大小密切相关。

具体分析如下：

（1）在分块分辨率为256×256、512×512、1 024×1 024的情况下，并行特征提取时间变化很少，而且这3种分块分成的子图像数量随着分块分辨率的增加每次都降低4倍，也就是说循环的长度在成倍减少，但是时间却没有减少反而增加了。而并行效率与需要传送的数据量有关，说明这3种分块分辨率下影响并行特征提取时间的是传送的数据量。Matlab采用parfor并行计算时要把数据传送到Matlab并行池中的worker上执行，数据通信也要消耗时间和占用处理器资源。因为并行特征提取时间的变化很小，可认为这3种情况下需要传送的数据量对并行特征提取时间影响不大。

（2）从图3明显看出，在分块分辨率为64×64的情况下对应的并行特征提取时间是128×128对应的并行特征提取时间2倍以上，这是因为分辨率为40 000×30 131的天文图像按照64×64大小的分辨率分成294 375个子图像，而按照128×128大小的分辨率分成73 555个子图像，子图像的数量降低了4倍。但是子图像的分辨率较小，需要传送的数据量也较少，说明影响这两种分辨率的并行特征提取时间是循环的长度。由于并行特征提取时间相差2倍以上，说明循环长度对并行效率影响较大。

（3）分块分辨率在256×256、512×512、1 024×1 024、    2 048×2 048的情况下，并行特征提取时间有增加趋势。在分辨率为2 048×2 048时并行特征提取时间有较明显增加。由于在2 048×2 048的情况下分成的子图像为300个，循环长度短，所以在2 048×2 048分辨率下需要传送的数据量影响并行特征提取速度，同时可知以更大的分块分辨率分块，对应的并行特征提取时间会增加。

（4）在分块分辨率为64×64、128×128、256×256时，随着分块分辨率的增加，并行特征提取时间逐渐减少。

根据以上分析，天文图像在分块分辨率为256×256、512×512、1 024×1 024等3种情况下，并行特征提取时间较少，其中分块分辨率为256×256时并行特征提取时间最短，所以采用分块分辨率大小为256×256对天文图像分块时并行特征提取速度最快。

4 结语

本文对高分辨率天文图像并行处理分块策略进行了研究。每次将同一幅天文图像分成不同分块分辨率，对每次并行特征提取时间进行统计。分析并行特征提取时间，得到以下结论：并行特征提取时间与分块分辨率的关系类似于U型曲线，U型曲线的最低点就是并行特征提取时间最短的，在分块分辨率为256×256、512×512和1 024×1 024的3种分块分辨率下并行特征提取时间较短。这一结果为以后对高分辨率图像进行分块并行处理提供了直接依据，在分块前就可判断分成多少块。后续要研究所有图像是否都需要作并行处理，以及CPU核数与并行处理时间的关系。

参考文献：

[1] 潘景昌. 天文信息自动处理及目标检测的研究[D]. 济南：山东大学，2011.

[2] SLABAUGH G，BOYES R，YANG X. Multicore image processing processing with openMP[J]. IEEE Signal Processing Magazine， 2010， 27（2）：134-138.

[3] KAMALAKANNAN A，RAJAMANICKAM G. High performance color image processing in multicore CPU using MFC multithreading[J]. International Journal of Advanced Computer Science&Applications， 2013， 4（12）：168-171.

[4] 杨冠男，袁杰. 多核并行运算加速图像处理[J]. 现代电子技术，2013， 36（2）：36-38.

[5] 刘春，陈燕，辛亮. 基于Matlab的高光谱遥感数据降维并行计算分析[J]. 遥感信息，2010（3）：13-17.

[6] 张思乾，程果，陈荤，等. 多核环境下边缘提取并行算法研究[J]. 计算机科学，2012，39（1）：295-298.

[7] 曹婷婷.  基于多核处理器串行程序并行化改造和性能优化[D].  成都：西南交通大学，2009.

[8] 肖汉. 基于CPU+GPU的影像匹配高效能异构并行计算研究[D].  武汉：武汉大学，2011.

[9] 张彩蝶. 基于分布式并行计算的高分图像数据融合系统设计与实现[D]. 沈阳：东北大学，2014.

[10] 廖国忠，高慧，张伟. 基于多核CPU的遥感去雾并行算法研究[J]. 工程地球物理学报，2017，14（3）：364-370.

[11] 刘凡. 并行图像处理研究[D].  南京：南京大学，2012.

[12] 朱贵富.  天文图像无损压缩算法研究与实现[D]. 昆明：昆明理工大学，2009.

[13] 王宏玉.  基于图像分块的特征提取算法的改进及应用[D]. 上海：华东师范大学，2009.

[14] ZHANG S，JIN G，QIN Y P. Dsp-based parallel processing model of image rotation[J]. Procedia Engineering， 2011（15）：2222-2228.

[15] RASHMI C， CHALUVAIAH S， KUMAR G H. An efficient parallel block processing approach for K-means algorithm for high resolution orthoimagery satellite images[J]. Procedia Computer Science， 2016（89）：623-631.

[16] 李洋.  压缩感知在天文图像中的应用研究[D]. 南京：南京信息工程大学，2014.

[17] 邓桥. 基于相关滤波器的分块并行目标跟踪算法研究[D]. 成都：电子科技大学，2018.

[18] 赵泉华，高郡，赵雪梅，等. 结合KL距离与图像域分块的SAR图像分割[J]. 控制与决策，2018，33（10）：1767-1774.

[19] 舒彝军，陈波，何刚，等. 基于多线程并行的图像多维混沌加密改进算法[J]. 西南科技大学学报，2016，31（4）：78-83.

[20] 江小平，胡雪晴，孫婧，等. 基于分块DCT的图像去重算法[J]. 中南民族大学学报：自然科学版，2018，37（3）：72-75.

（责任编辑：杜能钢）