一种高分辨率合成孔径雷达并行成像实现
摘 要：并行处理是快速处理合成孔径雷达数据(SAR)，实现实时处理的有效途径。本文采用 了一种细粒度的并行算法实现SAR成像，将原始数据划分为子孔径数据，并分配给并行机的各节 点，使用针对子孔径的CS处理和方位向子孔径算法，对各节点的数据进行处理。通过在并行机SGI Origin2000平台上的实验证明，该算法与中粒度并行cS成像算法相比，能有效地减少通信量，有 利于成像处理的并行扩展， 同时获得更好的分辨率。
SAR成像处理具有数据量和运算量大的特点【l】，为了提高运算速度，实现实时成像，通常采用并行计算机进 行并行处理。SAR的成像处理具有潜在的并行性，能较为容易地并行化I2】。在并行处理的数据划分方面，中粒度 划分和粗粒度划分是较为常用的方法。
文献【3．4】介绍了SAR原始数据数据粗粒度划分的处理方法。每个处理器 得到一帧回波数据，独立完成整帧图像的处理过程，各处理器是独立的，彼此之间没有通信。粗粒度并行减少了 系统的通信需求，但由于各节点的数据量大，对节点的运算能力和存储能力要求高。数据的中粒度划分方式在
文 献【2，5】中进行了讨论，这是目前典型的SAR并行处理方式，能获得较好的并行效率。它将一帧数据再进行划分 并分配给并行系统的各处理器，每块数据分别依照成像算法的步骤进行处理。 在中粒度并行成像算法中，并行机各节点间通常需要通信。以CS算法的中粒度并行化为例【2】。由于在距离 徙动校正上避免了插值，并能获得很高的成像精度，CS算法已成为目前流行的SAR成像算法【6】。在并行处理中， CS算法需要进行3次数据矩阵的转置，会带来3次并行机各节点间的通信 】，需要消耗大量的时间。 同时，对中粒度并行Cs算法而言，如果为了提高运算速度，采用具有更多节点的并行机，就会导致分配到 各节点上的数据小于一个孔径【引，并会造成图像分辨率的明显下降。因此SAR 的中粒度并行算法不利于并行扩 展，增大并行度就会影响到图像质量。 本文对SAR 的原始数据进行细粒度划分，将子孔径数据分配给各节点，采用针对子孔径的Cs处理和方位 向子孔径算法实现成像。 l 子孔径的CS处理和方位子孔径处理 中粒度并行cS算法[21中，对整块原始数据进行cS变换，3次矩阵转置就带来了3次所有节点间的通信。 cS处理利用发射信号是线性调频信号的性质，通过改变信号相位中心，实现对距离徙动曲线的尺度变换，使不 同距离上的曲线弯曲程度一致【9】。这里将原始数据划分为子孔径，每个子孔径数据含有一定数量的线型调频脉冲 信号。根据线型调频信号的性质，我们可以对每块子孔径数据分别进行cs处理，从而避免了各节点间的通信。 以场景中心点为参考点(参考点可随意选取)，它与雷达间的最小距离 为参考距离。先对子孔径数据进行方位 向FFT，然后与CS因子相乘： (f，f； )=exp{一jrLK(f； )X (厂)X【t一2RX(厂； )／c】 ) (1) 式中： C (，)= 一1；K (，； = . ．2 c等 每 。 【l一( ) 】 ；R(厂； )= 【l+C (厂)】； 厂为方位向频率；K为发射信号的调频率；v为雷达载机速率； ，．为距离变量。然后在节点内转置，进行距离向 FFT，并乘上距离压缩和徙动校正因子： ( ，厂； )=exp{_j 2 ’×exp【 4x CJ(厂)】 式中 为距离向频率。方位向压缩则采用子孔径处理的方式： 图1数据划分和子孔径处理 N N N I N l 厂d( )= 三Ⅳ ，( ) ， Ⅳ ，( )=， ⅣLEja,( ) ，( J ， [ aN+Sa(i-I)( Ⅳ+1)(r)+．． Ⅳ-1)( )] (2) (3) 式中：厂d(f)为方位压缩的结果； (f)为方位向子孔径数据； (f)为与之对应的参考函数。子孔径处理需要子 孔径数据间的相互重叠 】，在本文提出的算法中，为了避免在cs处理步骤上对数据的重复处理，将数据划分为 子块，分配给各节点，分别进行cS处理后，再通过各节点间的一次通信，两个子块组成一个子孔径数据(图l(a))， 从而完成方位压缩。即采取子孔径间重叠50％的划分方式。根据文献【l0】和后面的实验，这样做是可取的。方位 向处理如图1(b)所示，其中“rf’’是参考函数的缩写。
2 实验结果
2．1在SGI Origin2000上的实验结果 实验所用的平台为SGI Origin2000，是一种对称处理并行机。 其硬件配置如表1所示： 本文所采取的细粒度并行成像方法在SGI Origin2000上的运 算结果如表2所示。由于并行机上共有8个处理器，因此采用2，4 和8个处理器分别实现来观察结果。实验数据为雷达实测数据，参 数：矩阵点数16 384~8 192(方位×距离，含有两个全孔径数据)，波 长3 cm，分辨率1 mxl m(方位×距离)。表中详细列出了CS处理和 方位向子孔径处理的各个步骤运算时间。 表l SGI Origin2000的硬件配置 表2细粒度并行方法在SGI Origin2000上的实验结果 从运算结果上看，随着处理器个数的增加，成像处理的时间明显减少，用于CS处理和方位压缩的时间也成 比例地减少。但是，由于通信量随着处理器个数而变化(处理器越多，划分的数据块越小，参与通信的节点也越 多)，且系统的通信性能相比运算性能要弱得多，因此花在通信上的时间并没有减少。这就导致了效率随着处理 器个数增加而下降。如果采用通信性能更好的并行系统，如MPP，这一点可以得到改善。
2．2并行效率比较 根据文献【2】中的中粒度并行cs算法流程，本文所采取的方法与其相比，有两点不同： 1)通信次数不同。中粒度并行cS算法中含有3次矩阵转置，需要3次所有节点间的通信；本文的方法只 需要1次通信，在方位压缩之前； 2)方位压缩的运算量不同。中粒度并行cs算法采用普通的方位压缩，而本文采用了子孔径处理，根据式(3)， 方位压缩的运算量要大一些。 由于条件限制，我们将文献【2】中的中粒度并行CS算法移植到当前平台上。实验数据仍然采用2．1中的实测 数据。设原始数据的距离向点数为Ⅳ，，方位向点数为Ⅳ ，子孔径的方位向点数为Ⅳ ，每块全孔径数据划分为P 个子块，则中粒度并行CS算法方位压缩的运算量为： l ‰ =Ⅳ甜×Ⅳ，+ ×Ⅳ，×log2Ⅳ珊 (4) Z 本文方法的方位压缩运算量为： Sr8=2×(P一1)× ×Ⅳ，+(P+1)×Ⅳ甜×，v，×log2Ⅳm (5) 运算效率的计算可参考文献【8】。两种算法的通信时间见图2(a)。方位压缩时间见图2(b)，而各种情况下算法 的效率见图2(c)。
中粒度并行cS算法的通信时间较长，而本文的方法花在方位压缩上的时间较长，总的来说， 两种算法效率相当。 虽然本文的方法在运算量上较中粒度并行CS算法有所增加，但在通信方面有所改善。对于目前的计算机系 统来说，通信性能明显弱于计算性能，且通信性能的改善也比计算性能的改善要困难一些。因此，该方法在通信 量上的减少，更有利于算法性能的进一步提高。中粒度并行CS算法与本文方法的比较 2．3 并行扩展性比较 考虑到图像的质量，本文的方法比中粒度并行CS算法有着更好的并行扩展度，更有利于获得高分辨率图像。 采用上面的数据，矩阵大小取32 768x8 192(4个全孔径数据)。图3显示了在4个处理器和8个处理器的情况下， 中粒度并行CS算法的成像结果。对于4个处理器，每个节点上分配1个全孔径数据；而对于8个处理器，子数 据块就只包含1／2个合成孔径，这将导致分辨率的下降。图3的结果说明了这一点。对中粒度并行CS算法而言， 更大规模的并行化将明显影响到图像质量。 图4显示了在4个处理器和8个处理器的情况下，本文方法的成像结果。由于子孔径的划分具有一定灵活度， 根据文献[10】，全孔径数据可以划分为4～16子孔径，子数据块的大小在一定范围内的变化不会明显影响到结果， 因此两幅图像几乎没有差别。如果要求获得高分辨率图像，本文的方法更有利于更大规模的并行化。 (a)Oil4processors (b)Oil 8 processors Fig．3 Imaging results(part1 ofmedium·grained CS algorithm Oil diferent scale ofparallel systems 图3中粒度并行CS算法在不同规模并行机上的成像结果(部分)
3 结论
上面的实验结果说明，与中粒度并行CS算法相比，本文所采取的细粒度并行处理方法有效地降低了通信量， 并具有更好的并行扩展度。同时由于采取了子孔径算法，更有利于高分辨率SAR进行并行处理。本文的子孔径 算法为基本子孔径处理，还可以考虑文献[i11提出的改进子孔径算法，甚至Step变换，对本文的方法进行改进。 此外，如果具有更好的硬件条件，如MPP并行机，应能取得更好的效果。
业务：
