基于GPU的小行星光学观测图像实时处理

２０２０１１

年月

第卷第期

２８ １１

OticsandPrecisionEnineerin

pgg

光学精密工程

Vol．２８ No．１１

Nov．２０２０

)(

文章编号

１００４Ｇ９２４X２０２０１１Ｇ２５２７Ｇ０８

基于的小行星光学观测图像实时处理

GPU

２２２∗１１１１１１

,,,,,

兀颖亮

,,,

葛卢晓猛田健峰王汇娟姜晓军

(;

,()

中国科学院光学天文重点实验室国家天文台北京

１１．００１０１

中国科学院大学北京

,

１２．０００４９

)

摘要小行星地基光学观测是小行星搜寻和性质研究的重要手段近年来小行星搜寻项目朝着大口径大视场的方向发

:.,

学观测图像实时处理方法对在满足提取精度的前提下实现算法进行研究算法的

.,,

SSourceExtractorourceExtractor

展探测能力提升的同时数据量也大大增长为了提高小行星光学观测图像的处理速率本文提出基于的小行星光

,,,

GPU

简化和基于同时采用并对提高算法适用性的并行化匹配算法进行天文定位匹配算法进行优化

GMMPUatchatch

,;,,

(/,,,)

提速比可达下的串行算法阈值设置为

１CPU７SN３

且随着高性能显卡的进一步发展提速比还有提升空间此方

,

法还适用于其他光学巡天观测图像的处理

.

关键词小行星光学观测目标提取

GPU

:,,

并行算法

,

和准确率实验结果表明利用相比于显卡搭建的实验平台实现简化和并行化后的算法

.:,

NVIDAGeForceGTX２０８０Ti

:/

中图分类号文献标识码

::

V５２８ A doi１０．３７１８８OPE．２０２０２８１１．２５２７

AmethodofrealＧtimedatareductionof

asteroidoticalobservationimaebasedonGPU

pg

１２１１１１２１２∗

,,,,,

WUYinGELianLUXiaoＧmenTIANJianＧfenuiＧuanJIANGXiaoＧunWANGH

ggggjj

,,,

(,,

１．

CASKeaboratorticalAstronomLoO

NationalAstronomicalObservatories

yyfpy

ChineseAcademciencesBeiinChinaoS

,,;

００１０１１

yfjg

２．

UniversithineseAcademciencesoCoS

,,)

BeiinChina

０００４９１

yfyf

jg

∗

Corresondinuthora

,:

EＧmailxian＠naocascn

．．

pg

jjg

:

Abstract

GroundＧbasedoticalobservationisanimortantmeansofasteroiddetectionandroert

ppppy

,

research．Inrecentearsasteroidsurveroectshavedeveloedtowardlareraerturesandlarer

yypjpgpg

rocessinethodforasteroidoticalobservationimaeswasroosed．Basedonarevioustaretm

pppgpgpg

,,

rextractionalorithmwerealizedthearallelizationoftaretextractionesearchedtheSource

pgg

,,

ExtractoralorithmsimlifiedandarallelizedtheSourceExtractorcodeandimrovedtheMatch

pgpp

,

fieldsofview．Whilethedetectioncaabilitasincreasedtheamountofdatahasalsoincreasedh

py

,

reatl．ToimrovetheseedofasteroiddatareductionarahicsＧrocessinＧunitＧbasedrealＧtime

ggyppppg

alorithmtoimrovebothalicabilitndaccurac．Theexerimentalresultsshowthatthea

gpppyyp

,

simlifiedarallelizedalorithmimlementedinanexerimentallatformbuiltbasedontheNVIDA

ppgppp

修订日期

:;

２０２０Ｇ０４Ｇ２０２０２０Ｇ０５Ｇ２５．

收稿日期

:

GeForceGTX２０８０Tirahicscardoffersanincreaseinseedbfactorofuto１７withthesinalＧa

(

gppypg

);;()

国家自然科学基金天文联合基金重点资助项目基金项目

(:

民用航天预研项目资助

No．U１８３１２０９No．D０２０３０２

)

国家重点研发计划资助项目

(

No．２０１６YFA０４００８０４

２５２８

光学精密工程

第卷

２８

,

imrovementinseeduatioandthismethodisalsosuitablefortherocessinfotheroticalro

ppppgp

survebservations．o

y

:;;;

Keordsw

asteroidoticalobservationtaretextractionGPUcodearallelization

ppg

y

toＧnoisethresholdsetto３comaredwiththatofaserialalorithmrunninnonlentraloac

)

pggy

,

rocessinnit．WiththefurtherdevelomentofhihＧerformancerahicscardsthereisroomforu

gpgpgpp

１

引言

[]

Ｇ５４

.

如何提高

１２８GB

的机架式服务器处理数据

数据处理速度是小行星数据处理中需要考虑的

,

小行星的研究已成为国际深空探测领域的研

究热点其研究方向主要包括太阳系起源和演

,:

化小行星轨道演化机制小行星的形成和演化

;;;

近地小行星风险防御等

[]

１Ｇ２

分为地面观测和空间探测利用地基光学望远镜

,

.

小行星的探测主要

进行小行星观测是目前小行星搜寻和性质研究的

主要手段其中卡特琳娜巡天系统

.,(

kSurveCSSNearS

Catalina

口径和视场分别是平方度

arthObectsNEOsE

yy

j

,)(

,),

用于发现和跟踪近地天体

:;

１．５m１５０．７m

该系统中两台巡天望远镜的

９．４ATLASAsteroidTerrestrial１

,,

现对地球有威胁的近地小行星该系统中目前有两

mactLastAlertSstemATLASi

py

平方度

[]

３

.(

,)

,

主要目的是发

台口径的望远镜配备有探测器

探测器像元数为

５０cmSTA１６００

,,

９PanＧSTARRSPanoramicSurve２

平方度

[]

４Ｇ５

１０５６０×１０５６０

,

视场为

elescoeandRaidResonseSstemPanＧT

TARRSPanＧS

pppy

.(

,

y

TARRS１PanＧSTARRS２S

),

也开展了近地天体的搜寻观测

近地小行星研究小组

．８m７１２０１４２０１７

,.

和的口径和视场都分别

平方度为年到年林肯

[]

６

(

LincolnNearＧEarthAsteroid

从

,

(,,

SaceSurveillanceTelescoeSTS

esearchLINEAR３．５mR

pp

,)

使用

平方度进行了大范围的小行星搜索

)

简称视场为

太空监视望远镜

[]

７

总的来说小行星地基光学观测设备向着大视

,

.

场大口径的方向发展随着口径和视场的增大探

、.,

测能力得到提升小行星观测时单帧图像内的恒星

,,

数量也大大增多需要处理的数据量也呈增长趋势

,.

同时随着科学级高帧频在巡天观测中的应

,

用如

,

WFIRSTWeizmannFastAstronomicalSurve

CMOS

elescoeWFIRSTTAOSⅡTransＧNetunianT

理速度的提升有迫切的要求系统中每

utomatedOccultationSurvesTAOSA

(

[]

８

和

pp

,)(

y

y

.

,,)

[]

９

对数据处

晚需要处理原始数据为了实现数据的

１５０GB

ATLAS

,

实时处理该系统中采用两台核内存为程监测连续多帧图像中提取出目标的位置变化

,,;,

２８

一个问题

.

对程序进行并行化是提升数据处理速度的一

种有效方式系统采用多线程加

.

快数据处理的速度

ATLASCPU

[]

４Ｇ５

.

现有的主要并行化处理

方法有基于的并行化基于的并行

:、

CPUGPU

化硬件并行化基于的多线程并行

、.

FPGACPU

计算处理速度的提升依赖于核数单台设

,,

备速率提升空间有限集群和超级计算机则成本

,

CPU

极高属于纯硬件加速需由专用硬件语

;,

言开发处理速度最快但算法转换为硬件语言相

FPGA

,,

对不易成本较高

,.

图像处理器

(

GPUCPUGPU

GrahicProcessinUnit

,

多的晶体管用于执行单元在处理单元数量上远

),,

也称众核处理器不同于

pg

,

将更

超在处理速度和存储带宽上相

对有明显的优势初期只是应用于图

CPUGPU

因此

,,

像渲染随着技术的发展和新架构的提出

CPUGPU

.

,,

GPUGPU

广泛应用于通用计算领域近年来也

GPU

,

应用于人工智能领域

(

lieArtificialIntelnce

g

AI

).,、、

因此考虑到开发周期开发成本速率提

升率本论文采用基于软件和硬件结合的

,

,

加速方式提升小行星光学观测图像的处理速度

GPU

.

２

小行星数据处理流程

小行星前期数据处理的目的是为了获取其基

本信息用于后期定轨数据处理的流程如图

,,

所示

.

１

首先对原始图像进行处理提取背景用目标

,;

图像减去背景图像获取只包含目标的图像进行

,,

目标检测提取出目标信息计算目标基本信息

,;;

与标准星表进行匹配进行恒星证认确认靶面坐

,,

标系和天球坐标系之间的转换关系计算转换方

,

６

第期

１１

等基于的小行星光学观测图像实时处理兀颖

:,

GPU

２５２９

检测出备选小行星特征信息拟合出背景图像整个计算过程计算

.,.

量大且随着视场增大和探测能力增强图像中包

,,

含背景星增多时算法中原本就耗时

,

SExtractor

较大的过程和过程会需要

DetectionDeblendin

g

算法将无法及时处理大量高帧频的数据

.

][

６

,

更多的处理时间

因而应用串行的

SExtractor

３．２

背景提取并行化

点背景提取算法中子图之间的计算相关性小

:,,

分析有以下特背景提取算法

SExtractor

,

图小行星数据处理流程

Fi．１ Pielineofasteroiddatareduction

gp

１

３

基于的并行化目标提取

GPU

小行星和恒星的视运动速度不同

[]

１０

图像中根据观测模式的不同呈现点像或拖长像

,

在观测

.

天文图像处理中一般采用孔径测光获取目标的信

息通过采用不同半径的圆形孔径分别圈出目标

,

信息含背景信息和背景信息通过扣除背景信

(),

息获取目标信息但对于非圆形目标孔径测光

.,

不再适用

.

图像中检测天体并提取天体星等位置等信息的

SourceExtractorSExtractor

()

、

是一套从巡天

开源软件适用于提取不同形状

[]

１１

.

SExtractor

和大小的目标且提取算法的鲁棒性较好也适用

,,

于提取拖长星象可用于小行星光学观测图像处

,

理然而算法是串行的随着图像增

.,,

大和图像中目标数量的增多处理速度难以提升

SExtractor

,.

因此本文通过将算法简化和并行化

SExtractor

后使其可以在平台上运行大幅提高了数

,,

据处理速度

.

GPU

．１ ３

背景提取

采集到的原始图像包含目标信息天光背景

、

信息本底等为了获取目标的准确信息需要扣

、,,

除背景和本底等信息背景由于构成复杂在大

.,

尺度像素量级和小尺度上都像素量级

()()

存在不均匀性大视场望远镜这一现象尤为明显

１０１０

２

,,

不能用单一值替代

.

估计法拟合背景

SExtractor

通过结合法和模式

[]

１１

,,

对图像进行分割提取子图

KＧσ

Cliin

ppg

相互依赖关系较弱计算过程有输入大数据量输

;,

出小数据量的情况计算过程有输入小数据量输

;,

出大数据量的情况这些特点均适合应用

.

并行化进行加速

.

GPU

对各个过程均进行并行化主要

并行化方式如下子图

SExtractor

:(,

,

子图和子图相互之间没有迭代关系并行化计算

１

)

图像分割成的

NN

×

,

均值方差进行高斯统计

、,;(

插值算法进行算法内并行化三次样条插值的计

２

,

)

对滤波算法和样条

算是一个小数据量到大数据量的过程行和行之

,

间的插值计算及列和列之间的插值计算依赖性

低通过对计算过程进行分解行插值和列差值分

,,

别并行计算以图像为例图像分

.,

块示意图如图所示并行化背景提取处理过程

如图所示背景提取部分计算量和并行度如

３

,

２

４０９６×４０９６

,

表所示算法并行化程度和子图数量正相关

１

,.

图图像分块示意图

Fi．２ Diarammaticdrawinofimaesementation

ggggg

２

同时在统一计算设备架构

UnifiedDeviceArchitectureCUDA

,)

CUDACComute

(

p

中采用以下措施提升处理速度

GPU

程序编写过程

:

２５３０

光学精密工程

第卷

２８

次数仅进行一次拷贝

,;

()

减少

C１PUGPUSExtractorDeblendin

内存到内存之间的拷贝算法中的过程是为了处

g

理星场中由于视场匹配或自然原因密近双星密

(;

集星场例如星团和低银纬天区等带来的多目标

,)

能量分布叠加的问题过程是为了剔除;

,

Clearnin

g

时具有浅轮廓的目标如椭圆星系检测出的虚假

)

设置为或者的倍数

３２１６

()

合理设置

G２ridBlock

子图大小和大小

,

(),

在精度保证的前提下

３CUDAC

中数据

.

类型采用替代

floatdouble

如初始阈值较低过程中某些情况下

Deblendin

g

(

图并行化背景提取流程图

Fi．３ Flowchartofarallelbackroundextraction

gpg

３

表图像背景提取部分计算量和并行度

１ ４K×４K

Tab．１ Comutationandarallelismof４K×４Kimae

backbackroundextraction

ppg

g

函数功能计算量次并行度

()

G

背景统计

２．９８２５

子图

(

子图内部并行

１２８×１２８

),

并行

y

求导方向插值位图列并行

０．０３１３１２８

(

)

x

方向求导插值图像行并行

１．５６３１４０９６

(

)

．３ ３

目标提取并行化

经过背景扣除后的图像保留了包含目标信息

的一个个独立像元如何将一个个独立的像元形

,

成目标是目标检测需要解决的问题

,.

下的并行化本文中的目标提取并行化算法基于

ZhaoSExtractorGPU

等对算法实现了

[]

１２

,

该文章中的目标提取方法并进行了简化

,.

中星系的提取和轮廓重叠的目标源的提取采用

ExtractorS

的目标检测算法为了适用于巡天图像

,

了多阈值算法算法中的

(

过程和过程进行多次迭代

Clearnin

SExtractorDeblendin

g

).

g

目标

[]

１１

间占比较大

.,

这两个过程耗时较多在整个算法中时

[]

１２

对于小行星图像一般较少出现恒星混叠现

.

,

象在天文定位时若视场内参考恒星足够则可

,,,

以不选取叠加恒星进行模型拟合只需从图像中

,

检测出小行星和若干恒星用于天文定位因此

.,

为了提高处理效率对原进行简化

,.

省去和在阈值选取过程

时采用方差图像作为阈值替代原算法中阈值的

,,

DeblendinClearnin

gg

SExtractor

;

多次迭代仅进行一次判断简化后的目标提取

,.

算法在整个算法中的时间占比降低至

[]

１２SExtractor４K×４K

中

串行算法处理图像

３４％

(

文献

时提取过程过程的时

,

＋Dendin＋Clearninebl

gg

间占比为

目标提取并行化遵循的原则如下原则

８２％

).

:

求的数据由于背景像素个数远远大于目标像素

(),

１

剔除小于阈值的像素只记录满足阈值要

,

个数这一措施大大较少了数据量

,;

化的区域连通计算

(),

２

只对满足阈值的像素进行索引进行并行

;

段根据连通段所占像素个数是否满足要求剔除

,,

(),,

３

根据标记对索引进行排序得到连通的

不满足要求的连通段

.

简化后的目标提取算法的计算量和并行度如

表所示图像最高并行量可达满足

阈值的像素级程序实际运行时的并行度受

２４K×４K

(),

,

核数内存分配及资源调度等限制

、.

GPU

表图像目标提取部分计算量和并行度

２ ４K×４K

Tab．２ Comutationandarallelismof４K×４Kimae

Obectextraction

j

ppg

函数功能计算量次并行度

()

G

目标连通满足阈值的像素级并行

１．２２９０

提取目标目标级并行

０．２２８７

基本信息计算目标级并行

０．１２２２

第期

１１

等基于的小行星光学观测图像实时处理兀颖

:,

GPU

４．２

匹配算法的优化

２５３１

析简化后精度的变化情况将本文并行化质心提

,

的质心提取结果进全过程和

leanDeblendinC

)

g

果与串行算法质心提取结果相差小

SExtractor

/

于满足小行星地基光学观测天文定位像元

１１０

,

行对比如表所示本文并行目标质心提取结

.,

３

取结果与包含下串行算法

CPUSExtractor

(

点对算法经过裁剪和优化为了分

,.

SExtractor

本文的目标提取算法针对小行星图像的特

在测试过程中发现在图像中恒星较多时匹

,,

配成功率高但是当视场内恒星数量较少时

.,,

Match４

算法匹配失败率较高表为一幅匹配失

.

,

败的图像视场颗

(

０．１１８°×０．１８°７

恒星数目为

()).

信噪比处理过程中的投票结果经过分析

＞５

发现投票率高的号和号匹配对是错误的匹

,

４７

配对算法经过投票后只选择一次备选目

.

Match

的精度要求

.

表质心提取误差

３

Tab．３ Errorofcentroidextraction

图像恒星质心坐标误差质心坐标误差

x

y

序号数量

１１６０．００００６．０８

３ixel３ixel

σσ

//

pp

３１００００．０８０．０８

２１６３００．０８０．０９

４

匹配算法选取和优化

匹配算法通过对图像中提取的恒星与标准星

表中的恒星进行匹配证认恒星确认靶面坐标系

,,

和天球坐标系之间的转换关系

.

．１ ４

匹配算法的选取

匹配算法所需处理的数据量相对较小算法

,

一般迭代较多因而匹配算法在下实现

,,.

现有应用较多的匹配软件有

Astrometr．net

CPU

和等离线

y

[]

１３

匹配耗时较多需要专门接口进

VisualPinointAstrometr．net

py

,

行对接这两款软件均提供

,

VisualPinoint

[]

１４

.

p

数进行修改因此选取开源的算法

.

API

,

但无法对内部函

[]

５１

Match

流程如图蓝色部分所示彩图见期刊电子版

算法是基于三角形匹配的匹配算法算法

Match

,

.

在图像提取的恒星中选取亮星构建图像三角形集

４

(),

合依据指向信息和视场大小在星表中搜索恒星

;,

选取亮星构建星表三角形集合在两个集合之间

;

依据最小阈值寻找相似三角形集合对相似三角

;

形集合中的顶点进行出现次数的投票投票率高

;

的点为匹配上的点利用这些匹配上的点计算转

,,

换关系.

.

标这两对错误的匹配对会被选中参与初始转换

,,

关系的计算从而引起计算结果出错

,.

图优化后的算法流程图

Fi．４ FlowchartofotimizedMatchalorithm

gpg

４ Match

原算法是基于三角形匹配的匹配算

法匹配三角形的选取阈值和三角形边长比相关

,.

Match

视场内恒星数目较少时出现大三角形边长较长

,(

的三角形的概率较高而大三角形对阈值不敏

),

感且原算法投票后只进行一次备选目标

,

Match

选择错误的匹配三角形很容易被选中从而导致

,,

匹配失败为了解决稀疏星场匹配失败的问题

.,

尝试通过以下两种方式提高初始转换关系的准确

性

:(

值

;(

１

)

提高相似三角形选取阈值和投票选取阈

表可见错误的匹配对投票数仍然较高通过提

４

２

).

对转换关系的正确性进行判断和迭代由

,

高投票选取阈值无法将其排除且经过测试发

.

现三角形选取阈值提高后参与投票的星变少

,,,

但仍然会引入错误匹配对

２５３２

光学精密工程

第卷

２８

表投票结果

４

Tab．４ Voteresults

序号

图像星星表星投票证认星序号是否

序号序号数是匹配对

()

在星表星集合

１１１４７１

是

２９７４５７

是

３２３４４３

是

４１４１４４４

/

否

５５５４３５

是

６００４２０

是

７１１１２４２１４

否

８３２４１２

是

９４４４１４

是

１０８８３９８

是

１１６６３８６

是

１２７９３８９

是

注上表中表示未在星表集合中找到认证星

:“/”.

靶面坐标系和星表平面坐标系之间的关系符

合方程

(

标

,(

deltC

μ

,).

１

σ

),(,)

为探测器象元比例尺为探测器旋转角

为平面坐标系下星表恒星的坐标

x

y

为靶面坐标系下图像中星的坐

,.

θ

转换矩阵是一个酉矩阵

:

éùéùéù

êúêúêú

êúêúêú

ux

ëûëûëû

σ

＝．

Cdelt

cos－sin

在换关系算法的基础上增加初始转

sincos

θθ

θθ

y

()

１

的判断和迭代过程流程图如图黄色部分所示

Match

,

().

彩图见期刊电子版选取投票率高的前

４

星作为计算子集每次选取颗星

,(

nnm

＜

m

颗

算这样就有种组合在这些组合中存在至少

,,

C

n

)

进行计

m

种组合是正确的通过判断转换系数构成的矩

.

阵是否是酉矩阵来确定结果是否正确如果非酉

,

矩阵则重新选取颗星进行计算迭代多次直至

n

.

计算结果是酉矩阵优化后的算法适用

.,

Match

于稀疏星场的恒星证认同时也确保非稀疏星场

,

的恒星证认

.

５

小行星检测

小行星的观测根据观测目的的不同主要有两

种观测模式跟踪模式和凝视模式采用跟踪模

:.

式时小行星呈点像恒星呈拖长像采用凝视模

,,;

式时恒星呈点像小行星呈拖长像见图

,,(

论是采用那种观测模式小行星和恒星的视运动

,

５

).

无

速度不同可以通过监测连续多帧图像

,(

出目标恒星和小行星的位置变化来检测小行

()

＞３

)

提取

星具体流程如图所示

..

６

图凝视模式下小行星在图像中的移动

Fi．５ Asteroidmotionatstarinmode

５

gg

图小行星检测流程图

Fi．６ Flowchartofdetectincandidateasteroid

gg

６

６

测量实验与结果

测量实验所用图像为新疆天文台南山观测站

１m１m

大视场光学望远镜简称南山望远镜采

()

集的小行星图像南山望远镜的探测器

,

６０×４１３６１．３°×１４１．３°

１mCCD

,.

视场为

像元数为

图像曝光时间为阈值设置

[]

１６

为个所搭建实验测

试环境如下为

３５０００

,

提取目标总个数为

１８０s

,/

:

数据处理

SN

.

８GB６４bitGPU

,

系统为

CPUi７Ｇ６７００

操作系统型号为

,

计算机内存大小

;

１

第期

１１

等基于的小行星光学观测图像实时处理兀颖

:,

GPU

,)

.,,

示精度优于

２″４３NVIDIAGeForceGTX２０８０Ti５２

表数据处理算法提速比