一種高分辨率合成孔徑雷達并行成像實現
摘 要：并行處理是快速處理合成孔徑雷達數據(SAR)，實現實時處理的有效途徑。本文采用 了一種細粒度的并行算法實現SAR成像，將原始數據劃分為子孔徑數據，并分配給并行機的各節 點，使用針對子孔徑的CS處理和方位向子孔徑算法，對各節點的數據進行處理。通過在并行機SGI Origin2000平臺上的實驗證明，該算法與中粒度并行cS成像算法相比，能有效地減少通信量，有 利于成像處理的并行擴展， 同時獲得更好的分辨率。

SAR成像處理具有數據量和運算量大的特點【l】，為了提高運算速度，實現實時成像，通常采用并行計算機進 行并行處理。SAR的成像處理具有潛在的并行性，能較為容易地并行化I2】。在并行處理的數據劃分方面，中粒度 劃分和粗粒度劃分是較為常用的方法。
文獻【3．4】介紹了SAR原始數據數據粗粒度劃分的處理方法。每個處理器 得到一幀回波數據，獨立完成整幀圖像的處理過程，各處理器是獨立的，彼此之間沒有通信。粗粒度并行減少了 系統的通信需求，但由于各節點的數據量大，對節點的運算能力和存儲能力要求高。數據的中粒度劃分方式在
文 獻【2，5】中進行了討論，這是目前典型的SAR并行處理方式，能獲得較好的并行效率。它將一幀數據再進行劃分 并分配給并行系統的各處理器，每塊數據分別依照成像算法的步驟進行處理。 在中粒度并行成像算法中，并行機各節點間通常需要通信。以CS算法的中粒度并行化為例【2】。由于在距離 徙動校正上避免了插值，并能獲得很高的成像精度，CS算法已成為目前流行的SAR成像算法【6】。在并行處理中， CS算法需要進行3次數據矩陣的轉置，會帶來3次并行機各節點間的通信 】，需要消耗大量的時間。 同時，對中粒度并行Cs算法而言，如果為了提高運算速度，采用具有更多節點的并行機，就會導致分配到 各節點上的數據小于一個孔徑【引，并會造成圖像分辨率的明顯下降。因此SAR 的中粒度并行算法不利于并行擴 展，增大并行度就會影響到圖像質量。 本文對SAR 的原始數據進行細粒度劃分，將子孔徑數據分配給各節點，采用針對子孔徑的Cs處理和方位 向子孔徑算法實現成像。 l 子孔徑的CS處理和方位子孔徑處理 中粒度并行cS算法[21中，對整塊原始數據進行cS變換，3次矩陣轉置就帶來了3次所有節點間的通信。 cS處理利用發射信號是線性調頻信號的性質，通過改變信號相位中心，實現對距離徙動曲線的尺度變換，使不 同距離上的曲線彎曲程度一致【9】。這里將原始數據劃分為子孔徑，每個子孔徑數據含有一定數量的線型調頻脈沖 信號。根據線型調頻信號的性質，我們可以對每塊子孔徑數據分別進行cs處理，從而避免了各節點間的通信。 以場景中心點為參考點(參考點可隨意選取)，它與雷達間的最小距離 為參考距離。先對子孔徑數據進行方位 向FFT，然后與CS因子相乘： (f，f； )=exp{一jrLK(f； )X (廠)X【t一2RX(廠； )／c】 ) (1) 式中： C (，)= 一1；K (，； = . ．2 c等 每 。 【l一( ) 】 ；R(廠； )= 【l+C (廠)】； 廠為方位向頻率；K為發射信號的調頻率；v為雷達載機速率； ，．為距離變量。然后在節點內轉置，進行距離向 FFT，并乘上距離壓縮和徙動校正因子： ( ，廠； )=exp{_j 2 ’×exp【 4x CJ(廠)】 式中 為距離向頻率。方位向壓縮則采用子孔徑處理的方式： 圖1數據劃分和子孔徑處理 N N N I N l 廠d( )= 三Ⅳ ，( ) ， Ⅳ ，( )=， ⅣLEja,( ) ，( J ， [ aN+Sa(i-I)( Ⅳ+1)(r)+．． Ⅳ-1)( )] (2) (3) 式中：廠d(f)為方位壓縮的結果； (f)為方位向子孔徑數據； (f)為與之對應的參考函數。子孔徑處理需要子 孔徑數據間的相互重疊 】，在本文提出的算法中，為了避免在cs處理步驟上對數據的重復處理，將數據劃分為 子塊，分配給各節點，分別進行cS處理后，再通過各節點間的一次通信，兩個子塊組成一個子孔徑數據(圖l(a))， 從而完成方位壓縮。即采取子孔徑間重疊50％的劃分方式。根據文獻【l0】和后面的實驗，這樣做是可取的。方位 向處理如圖1(b)所示，其中“rf’’是參考函數的縮寫。

2 實驗結果
2．1在SGI Origin2000上的實驗結果 實驗所用的平臺為SGI Origin2000，是一種對稱處理并行機。 其硬件配置如表1所示： 本文所采取的細粒度并行成像方法在SGI Origin2000上的運 算結果如表2所示。由于并行機上共有8個處理器，因此采用2，4 和8個處理器分別實現來觀察結果。實驗數據為雷達實測數據，參 數：矩陣點數16 384~8 192(方位×距離，含有兩個全孔徑數據)，波 長3 cm，分辨率1 mxl m(方位×距離)。表中詳細列出了CS處理和 方位向子孔徑處理的各個步驟運算時間。 表l SGI Origin2000的硬件配置 表2細粒度并行方法在SGI Origin2000上的實驗結果 從運算結果上看，隨著處理器個數的增加，成像處理的時間明顯減少，用于CS處理和方位壓縮的時間也成 比例地減少。但是，由于通信量隨著處理器個數而變化(處理器越多，劃分的數據塊越小，參與通信的節點也越 多)，且系統的通信性能相比運算性能要弱得多，因此花在通信上的時間并沒有減少。這就導致了效率隨著處理 器個數增加而下降。如果采用通信性能更好的并行系統，如MPP，這一點可以得到改善。
2．2并行效率比較 根據文獻【2】中的中粒度并行cs算法流程，本文所采取的方法與其相比，有兩點不同： 1)通信次數不同。中粒度并行cS算法中含有3次矩陣轉置，需要3次所有節點間的通信；本文的方法只 需要1次通信，在方位壓縮之前； 2)方位壓縮的運算量不同。中粒度并行cs算法采用普通的方位壓縮，而本文采用了子孔徑處理，根據式(3)， 方位壓縮的運算量要大一些。 由于條件限制，我們將文獻【2】中的中粒度并行CS算法移植到當前平臺上。實驗數據仍然采用2．1中的實測 數據。設原始數據的距離向點數為Ⅳ，，方位向點數為Ⅳ ，子孔徑的方位向點數為Ⅳ ，每塊全孔徑數據劃分為P 個子塊，則中粒度并行CS算法方位壓縮的運算量為： l ‰ =Ⅳ甜×Ⅳ，+ ×Ⅳ，×log2Ⅳ珊 (4) Z 本文方法的方位壓縮運算量為： Sr8=2×(P一1)× ×Ⅳ，+(P+1)×Ⅳ甜×，v，×log2Ⅳm (5) 運算效率的計算可參考文獻【8】。兩種算法的通信時間見圖2(a)。方位壓縮時間見圖2(b)，而各種情況下算法 的效率見圖2(c)。
中粒度并行cS算法的通信時間較長，而本文的方法花在方位壓縮上的時間較長，總的來說， 兩種算法效率相當。 雖然本文的方法在運算量上較中粒度并行CS算法有所增加，但在通信方面有所改善。對于目前的計算機系 統來說，通信性能明顯弱于計算性能，且通信性能的改善也比計算性能的改善要困難一些。因此，該方法在通信 量上的減少，更有利于算法性能的進一步提高。中粒度并行CS算法與本文方法的比較 2．3 并行擴展性比較 考慮到圖像的質量，本文的方法比中粒度并行CS算法有著更好的并行擴展度，更有利于獲得高分辨率圖像。 采用上面的數據，矩陣大小取32 768x8 192(4個全孔徑數據)。圖3顯示了在4個處理器和8個處理器的情況下， 中粒度并行CS算法的成像結果。對于4個處理器，每個節點上分配1個全孔徑數據；而對于8個處理器，子數 據塊就只包含1／2個合成孔徑，這將導致分辨率的下降。圖3的結果說明了這一點。對中粒度并行CS算法而言， 更大規模的并行化將明顯影響到圖像質量。 圖4顯示了在4個處理器和8個處理器的情況下，本文方法的成像結果。由于子孔徑的劃分具有一定靈活度， 根據文獻[10】，全孔徑數據可以劃分為4～16子孔徑，子數據塊的大小在一定范圍內的變化不會明顯影響到結果， 因此兩幅圖像幾乎沒有差別。如果要求獲得高分辨率圖像，本文的方法更有利于更大規模的并行化。 (a)Oil4processors (b)Oil 8 processors Fig．3 Imaging results(part1 ofmedium·grained CS algorithm Oil diferent scale ofparallel systems 圖3中粒度并行CS算法在不同規模并行機上的成像結果(部分)

3 結論
上面的實驗結果說明，與中粒度并行CS算法相比，本文所采取的細粒度并行處理方法有效地降低了通信量， 并具有更好的并行擴展度。同時由于采取了子孔徑算法，更有利于高分辨率SAR進行并行處理。本文的子孔徑 算法為基本子孔徑處理，還可以考慮文獻[i11提出的改進子孔徑算法，甚至Step變換，對本文的方法進行改進。 此外，如果具有更好的硬件條件，如MPP并行機，應能取得更好的效果。