[论文解读] Fusion of multispectral satellite imagery using a cluster of graphics processing unit

Anas M. Al-Oraiqat, Yevgen Bashkov+2 more|arXiv (Cornell University)|Mar 2, 2018

Advanced Image Fusion Techniques参考文献 4被引用 4

一句话总结

本文提出了一种基于GPU集群的并行实现方法，用于使用离散小波变换（Haar与Daubechies）融合多光谱卫星图像。通过利用GPU集群，该方法在保持图像质量的前提下，相较于CPU和单GPU实现，实现了2倍至18倍的加速，其质量经Landsat 7数据的ERGAS与QNR指标验证。

ABSTRACT

The paper presents a parallel implementation of existing image fusion methods on a graphical cluster. Parallel implementations of methods based on discrete wavelet transformation (Haars and Daubechies discrete wavelet transform) are developed. Experiments were performed on a cluster using GPU and CPU and performance gains were estimated for the use of the developed parallel implementations to process satellite images from satellite Landsat 7. The implementation on a graphic cluster provides performance improvement from 2 to 18 times. The quality of the considered methods was evaluated by ERGAS and QNR metrics. The results show performance gains and retaining of quality with the cluster of GPU compared to the results obtained by the authors and other researchers for a CPU and single GPU.

研究动机与目标

• 解决传统基于CPU的方法在融合高分辨率多光谱卫星图像时面临的计算瓶颈问题。
• 通过扩展至GPU集群，克服单GPU处理的局限性，提升吞吐量。
• 在显著缩短大规模卫星图像处理时间的同时，保持高质量的图像融合效果。
• 在真实Landsat 7数据上评估并行图像融合方法的性能与质量。
• 展示基于GPU集群处理在地理空间图像融合工作负载中的可行性与高效性。

提出的方法

• 在GPU集群上实现离散小波变换（DWT）方法的并行版本——特别是Haar与Daubechies DWT——用于图像融合。
• 将图像处理任务分发至多个GPU，以实现小波分解与重构的并行数据处理。
• 在集群环境中使用CUDA与MPI分别实现GPU内核执行与节点间通信。
• 应用标准图像融合规则（如系数替换与重构）以结合全色与多光谱波段。
• 优化主机与GPU设备之间的内存访问与数据传输，以最小化集群流水线中的延迟。
• 集成性能监控与负载均衡机制，以最大化集群中各节点的GPU利用率。

实验结果

研究问题

• RQ1 与CPU及单GPU系统相比，GPU集群能否显著加速多光谱卫星图像的融合？
• RQ2 在集群架构中，基于DWT的并行融合方法在多个GPU上的可扩展性如何？
• RQ3 在使用GPU集群进行图像融合时，处理速度与图像质量之间的权衡关系如何？
• RQ4 与先前的CPU/单GPU结果相比，ERGAS与QNR指标在GPU集群实现中的表现如何？
• RQ5 所提出的方法在实现高计算吞吐量的同时，能在多大程度上保持融合质量？

主要发现

• 与基于CPU的处理相比，GPU集群实现使Landsat 7图像融合的性能提升了2倍至18倍。
• 在GPU集群上并行实现的DWT融合方法，其图像质量与先前的CPU及单GPU结果相当，经ERGAS与QNR指标验证。
• 对于更大的图像数据集，加速效果最为显著，表明GPU集群方法具有良好的可扩展性。
• 在并行流水线中同时使用Haar与Daubechies小波变换，使方法在不同图像特征下均表现出稳健的融合性能。
• 该实现达到了较高的GPU利用率与高效的数据分发，显著减少了空闲时间和通信开销。
• 结果证实，GPU集群是加速遥感中计算密集型图像融合任务的可行且高效解决方案。