论文部分内容阅读
随着计算机图形处理硬件和软件的快速发展,在提高了图形处理效率的同时,也很大程度上提高了仿真图像的真实感。在光电目标检测系统中引入图形处理器(Graphics Processing Unit, GPU)技术,一方面可利用GPU的图形图像渲染能力仿真出逼真的光电目标图像,另一方面可利用GPU的高性能并行运算能力加速光电目标检测算法的效率。从而,形成一个完整的基于GPU的光电目标检测链路,通过反复进行“仿真一检测—反馈”的测试链路,对不同种类光电目标检测方法进行评估与测试,具有成本低、周期短、不受实验环境影响和控制灵活等特点。同时,随着光电探测器收集目标信息能力的增强,光电百标检测算法要处理的数据量越来越大,能否高效地、实时地完成光电目标检测将影响到整个光电检测系统的性能与可用性,而GPU具有大规模并行处理海量数据的能力,将其引入到光电目标检测系统中具有很大的提升性能的潜力。因此,基于GPU的光电目标检测方法已经成为各国学者研究的热点问题之一。本文围绕GPU的高效渲染能力和高性能并行运算能力,研究了如何利用GPU提高光电目标仿真的效率和真实感,以及基于GPU的快速光电目标检测方法实现。论文的内容概括为如下四个部分:第一部分介绍了GPU硬件的结构以及高效并行运算的机理,扼要地描述了CUDA软件编程模型,分析了多种提高GPU并行应用程序的优化手段。通过研究GPU图形图像渲染的原理,深入分析了利用渲染管线进行动态图像仿真的关键技术和性能瓶颈,阐述了光电目标仿真中光照模型的物理基础,最后给出了不同应用下GPU的选型参考。第二部分研究了不同类型光电目标的仿真方法。基于PRISSE仿真平台,针对开放场景中的红外目标提出了一种基于GPU的BRDF反射模型,适用于快速再现红外目标的反射特性。通过开发DOEIR光线跟踪平台,提出了一种基于GPU的多面源跟踪方法来描述多个红外目标之间的辐射传输过程。针对高光谱光电目标,通过采用线性光谱混合理论及狄利克雷分布模型,实现了基于GPU的高光谱目标合成方法。第三部分研究了利用GPU的大规模并行运算能力快速实现红外图像背景预测算法。针对红外光电目标检测中模板卷积运算的复杂性对检测性能的影响,引入了可分离模板卷积的方法,并提出了一种通用的模板分离方法,在通用GPU上进行了实测和仿真实验,获得了优于传统方法上百倍的加速比。最后,将红外图像背景预测的可分离模板卷积方法推广到嵌入式GPU。第四部分研究了利用GPU加速高光谱光电目标检测的方法。高光谱图像拥有很高的光谱分辨率,致使高光谱图像数据较大,对高光谱目标检测方法的处理性能提出较高的要求。通过分析高光谱目标检测的流程和图像处理的瓶颈,提出了一种基于GPU的快速高光谱子空间提取的方法。在此基础上,引入了迭代矩阵求逆的快速算法,提出了一种快速非监督、非负约束的高光谱来像素目标检测算法。通过对实测和仿真高光谱图像的测试验证了提出方法的正确性和高效性。