基于CPU-GPU异质架构的子孔径算法实现.pdf

【基于CPU-GPU异质架构的子孔径算法实现】 在现代遥感技术中，合成孔径雷达（SAR）是一种重要的全天候成像设备，广泛应用于军事和民用领域。然而，随着高精度、多极化和宽测绘带成像需求的增加，SAR实时成像处理面临着大数据量和大运算量的挑战。传统的基于CPU的SAR成像处理方法虽然算法开发相对简单，但处理时间较长，无法满足实时性需求。 近年来，图形处理器（GPU）的并行处理能力不断提升，开始被广泛应用于科学计算领域，包括图像处理和SAR回波仿真。SAR成像算法主要由向量相乘构成，非常适合并行化实现，因此GPU加速在SAR成像处理中能够发挥巨大作用。对于内存较小的SAR回波数据，GPU加速可以实现很高的加速比。然而，当SAR回波数据超过GPU显存容量时，传统的并行化策略就显得力不从心，因为GPU与CPU之间的数据传输速度受到PCI-E带宽限制，严重影响处理速度。 为了解决这一问题，文章提出了一种基于CPU-GPU异质架构的子孔径算法实现。该算法将Chirp Scaling (CS)成像算法与子孔径架构相结合。CS算法通过复数相乘和傅里叶变换完成距离迁徙校正，适合并行计算。在新算法中，SAR回波数据首先按距离向划分成多个子孔径，确保GPU可以一次性处理每个子孔径的数据，减少了GPU与CPU间的大量数据传输。此外，通过将距离向处理后的子孔径合并成全孔径，保持方位向分辨率不受影响，同时保证成像质量。 在方位向处理之前，将各个子孔径的信号整合，使得在整个成像处理过程中，多个GPU可以并行处理不同数据块，显著加快了处理速度。这种方法不仅提高了加速比，还优化了内存使用，避免了因数据传输导致的性能瓶颈。 总结来说，本文提出的方法是针对大规模SAR数据处理的一种创新解决方案，它利用CPU-GPU异质架构的协同处理能力，结合子孔径算法，有效地解决了大数据量带来的计算延迟问题，提升了SAR成像的效率和实时性。这种方法对于未来应对更大规模、更高分辨率的SAR成像任务具有重要的参考价值。