几个小结.

前段时间做算法优化。该算法主要功能为16位数据到8位数据的转换。

在日常生活中，电子设备展示的大多为256色影像，即8位影像。但部分无人机以及绝大部分卫星拍摄的都是16位数据，即65536色影像。然而，受限于显示器的色彩表达能力，在展示16位数据时，需要通过一些算法将其转为8位数据后再进行显示。在这个过程中，会造成影像信息的丢失，在遥感影像中尤为明显，常见表达形式为高亮区曝光。

2020年上半年写了一个算法，可以实现16位数据转为8位数据的过程中，信息不丢失。但缺点是算法复杂度和空间复杂度太高。2020年下半年一直在忙一些杂事，一直到2020年12月25日后才有时间对算法进行改造。

通过visual studio的性能检测器，发现算法主要耗时于影像的上下采样。由于opencv提供的上下采样函数结果与预期效果不一致，所以自己写了图像的上下采样函数。在编写的时候使用了openMP，实现了多核CPU的加速，CPU利用率可以达到80%以上，但在处理4GB大小的多光谱影像时，速度依旧很慢，耗时10分钟。因此，使用GPU对算法进行加速，使用cuda实现影像的上下采样，而在上下采样过程中，有滤波操作，而这，也是GPU擅长的。

将影像数据读取到GPU后，使用纹理内存绑定数据，好处是可以加速影像的卷积处理，不用担心数组越界错误。要注意的是纹理内存的大小，因为遥感影像尺寸较大，GPU不一定支持超大的纹理内存处理。在遇到这种情况时，通过将遥感影像切分，以小块为单位进行处理，可以规避GPU的硬件限制。但是，要注意块与块之间的相关性，不然分块处理的结果会存在马赛克、大花脸的情况。对于那种情况的处理，属于别的算法了。

通过GPU加速，算法运行效率提升了25~30%，但与用户提升3倍的目标还是有很远的距离。同时也因为算法本身确实存在较高空间复杂度和时间复杂度的问题，所以理论上速度提升空间也确实有限。只是目前除了超大影像（4GB），其他情况下的数据处理效率还行，所以后来就没对软件的算法模块进行更新。

第二个算法是计算航片之间的重叠区。计算航片重叠区的方法很多，但大多需要GPS信息作为辅助信息。当影像没有GPS辅助信息时，影像间重叠区的计算就有些困难了。

前段时间做项目，有一种古老的算法叫做“傅里叶梅林匹配算法”，该算法通过傅里叶变换计算，通过频谱分析，可以求出两幅影像间的平移、旋转、尺度比例等变换信息，可以用于影像间重叠区的计算。但算法瓶颈是，当无人机拍摄航线出现拐弯时，傅里叶梅林匹配算法就失效了。目前正在找低复杂度的算法完成拐弯影像的重叠区计算。

第三个是水域的特征点寻找，有的单位实现了水域特征点匹配。不知道是怎么实现的，如果自己也能做到，在行业里还是有点用的。