基于FPGA+GPU异构平台的遥感图像切片解决方案

随着遥感和成像技术的不断进步和普及，获取大量高分辨率的遥感图像已成为可能。这些大规模的遥感图像数据需要进行有效的处理和分析，以提取有用的信息，进行进一步的应用。遥感图像切片技术应运而生，该技术可以将大型遥感图像分割成图像切片信息，以便更有效地处理和分析图像数据。

中科亿海微自主研制的AI目标识别加速卡，基于FPGA+GPU异构并行计算处理架构设计，内嵌深度学习AI推理框架引擎，可实现图像处理的目标识别加速应用。

图 AI目标识别加速卡实物图

中科亿海微的遥感图像切片解决方案，基于自研的AI目标识别加速卡，FPGA实现遥感图像预处理如图像切片等预处理，GPU实现图像感知功能。通过FPGA以滑窗的方式将原始大尺寸遥感图像切分成固定尺寸的分片图像，然后依次把每一个分片图像输入到GPU进行目标识别处理，大大提升了图像数据处理和目标检测识别的效率。

图 遥感图像切片原理框图

图像切片系统由图像解码模块、原始图像下发模块、图像切片模块、切片图像上传模块组成。

图像解码模块在主控CPU中实现，主要实现TIFF、IMG、JPG、BMP等主流图像文件格式的图像解码，解析为多波段的图像立方体数据。原始图像下发模块实现主控CPU将解析后的图像数据下发到图像切片处理板卡的原始图像帧缓存队列。图像切片模块主要实现坐标计算、突发读取信息生成、切片数据读取和切片数据写入等功能。切片图像上传模块采用中断的方式，当切片图像缓存完毕时，通知GPU读取图像。

方案优势 

并行处理能力：FPGA和GPU都具有强大的并行处理能力，可以并行处理大量像素数据，加速图像分析和处理过程。

• 灵活性：FPGA是可编程的硬件，可以根据特定需求进行定制化设计，适用于需要快速定制和优化的应用场景。GPU虽然是针对图形处理设计的，但也可以用于通用计算，具有一定的灵活性和通用性。
• 功耗和性能平衡：FPGA在功耗方面通常比较低，且具有较高的性能，适合对功耗有严格要求的应用。GPU在处理大规模并行计算时性能突出，但功耗相对较高，适合对性能要求较高的应用。
• 实时性：FPGA具有较低的延迟，适合对实时性要求高的应用场景，如遥感图像处理中的实时监测和分析。GPU在处理大规模数据时也能提供较高的实时性能，但相比FPGA可能存在一定延迟。

典型应用场景  

图像压缩：图像切片算法常用于图像压缩中，将图像分割成多个小块（切片），然后对每个小块进行压缩处理。这种方式可以减小图像文件大小，节省存储空间和传输带宽。

• 图像拼接：在全景图像、医学影像等领域中，图像切片算法可将大图像分割成多个小块进行处理，然后将处理后的小块图像拼接在一起，实现全景图像的显示或医学影像的分析。
• 图像分割：图像切片算法也常用于图像分割任务中，将图像分割成多个区域或对象。这有助于在图像中识别和分离不同的物体或区域，为后续的图像分析和识别提供基础。
• 图像处理：在图像处理过程中，图像切片算法可将大型图像分割成小块进行处理，加快处理速度和降低内存占用。例如，在图像滤波、增强、修复等操作中，可分块处理图像。
• 图像传输：在网络传输图像时，图像切片算法可以将大图像分割成多个小块进行传输，有助于提高传输效率和稳定性。接收端可以按顺序接收和重组这些图像切片。
• 机器学习和深度学习：在训练深度学习模型时，图像切片算法可将大型数据集中的图像切片成小块，便于模型的训练和处理，有助于提高训练效率和减少内存占用。