本發(fā)明涉及測繪科學(xué)與技術(shù)領(lǐng)域，具體涉及一種基于GPU并行加速的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，主要應(yīng)用于超大規(guī)模測區(qū)攝影測量等領(lǐng)域。

背景技術(shù)：
區(qū)域網(wǎng)平差技術(shù)經(jīng)過幾十年的發(fā)展，其方法和流程已經(jīng)相對成熟，并且在測繪領(lǐng)域得到了廣泛的應(yīng)用。然而隨著科技的加速進(jìn)步，新的傳感器不斷涌現(xiàn)，如航天領(lǐng)域的高分辨率衛(wèi)星，立體測繪衛(wèi)星，航空領(lǐng)域的規(guī)則航空攝影系統(tǒng)，傾斜航空攝影系統(tǒng)，無人機(jī)、飛艇攝影系統(tǒng)等。同時(shí)，全世界范圍內(nèi)三維建模應(yīng)用需求不斷增加，也使得大量地面車載攝影系統(tǒng)，近景攝影系統(tǒng)，普通數(shù)碼相機(jī)，甚至是智能手機(jī)，網(wǎng)絡(luò)圖片庫等采集的影像被用于三維建模。影像數(shù)據(jù)源越來越豐富的同時(shí)，其分辨率也不斷提高，以前數(shù)十米的衛(wèi)星影像如今可以達(dá)到最高0.35米(WorldView-3)，航空影像的分辨率更是進(jìn)入了厘米級時(shí)代。分辨率的增加必然會帶來數(shù)據(jù)量的增大，攝影時(shí)的航線設(shè)計(jì)也不再滿足傳統(tǒng)的條帶式規(guī)則分布，給相應(yīng)的數(shù)據(jù)處理方法帶來了一定挑戰(zhàn)，受法方程大小的限制，傳統(tǒng)的區(qū)域網(wǎng)平差技術(shù)流程已經(jīng)不能滿足大規(guī)模數(shù)據(jù)處理需求。特別是當(dāng)測區(qū)數(shù)據(jù)大小超過1萬張影像時(shí)，傳統(tǒng)的區(qū)域網(wǎng)平差方法對內(nèi)存的需求急劇增大，即使有少部分圖形工作站內(nèi)存容量足夠大，但大量的內(nèi)存占用使得計(jì)算效率大幅降低，同時(shí)，數(shù)據(jù)處理的硬件成本也隨之增大，上述問題均阻礙了各類新型傳感器數(shù)據(jù)的廣泛應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：
為了解決上述問題，本發(fā)明在區(qū)域網(wǎng)平差中，引入預(yù)條件共軛梯度法求解大規(guī)模線性方程組(法方程)，避免存儲大規(guī)模法方程系數(shù)矩陣，使得對大規(guī)模測區(qū)(1萬至10萬張影像，下文中統(tǒng)稱此類測區(qū)為大規(guī)模測區(qū))數(shù)據(jù)的區(qū)域網(wǎng)平差成為可能，其流程也更加易于并行化設(shè)計(jì)。預(yù)條件共軛梯度法是一個(gè)迭代求解的過程，每一次迭代都需要遍歷所有的像點(diǎn)觀測值數(shù)據(jù)，每一次區(qū)域網(wǎng)平差迭代內(nèi)部又包括N次預(yù)條件共軛梯度法迭代，N是預(yù)條件共軛梯度法迭代收斂次數(shù)，因而計(jì)算量較傳統(tǒng)的攝影測量區(qū)域網(wǎng)平差流程要大很多，為此，本發(fā)明采用GPU并行計(jì)算框架，將區(qū)域網(wǎng)平差的任務(wù)細(xì)分成若干部分，分別交由GPU中不同計(jì)算線程來完成，以保證處理精度，節(jié)省硬件成本，提高數(shù)據(jù)處理容量，加快處理效率。本發(fā)明所要解決的技術(shù)問題是提供一種基于GPU并行加速的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，能夠解決現(xiàn)有技術(shù)的不足。本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種基于GPU并行加速的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，包括以下步驟：S1、在CPU端啟動(dòng)主程序，檢測并初始化可用GPU設(shè)備，獲取GPU設(shè)備信息，若存在可用GPU設(shè)備，則繼續(xù)下一步，否則退出；S2、在CPU端導(dǎo)入?yún)^(qū)域網(wǎng)平差計(jì)算需要的原始數(shù)據(jù)，且將導(dǎo)入的原始數(shù)據(jù)進(jìn)行時(shí)空基準(zhǔn)統(tǒng)一，得到初始數(shù)據(jù)，所述原始數(shù)據(jù)至少包括初始內(nèi)外方位元素?cái)?shù)據(jù)以及點(diǎn)位數(shù)據(jù)；S3、將初始數(shù)據(jù)從CPU端拷貝至GPU內(nèi)存中，并在GPU端為各類中間數(shù)據(jù)分配內(nèi)存空間，根據(jù)GPU的計(jì)算能力和初始數(shù)據(jù)的容量大小，在GPU端為第一核函數(shù)分配線程塊個(gè)數(shù)n1，每個(gè)塊包含的線程數(shù)m1，得到總線程個(gè)數(shù)N1＝n1*m1；為第二核函數(shù)分配線程塊個(gè)數(shù)n2，每個(gè)塊包含的線程數(shù)m2，得到總線程個(gè)數(shù)N2＝n2*m2；為第三核函數(shù)分配線程塊個(gè)數(shù)n3，每個(gè)塊包含的線程數(shù)m3，得到總線程個(gè)數(shù)N3＝n3*m3；確定N1、N2和N3的值，為多任務(wù)并行計(jì)算做準(zhǔn)備；S4、進(jìn)入?yún)^(qū)域網(wǎng)平差迭代流程：啟動(dòng)GPU端的第一核函數(shù)計(jì)算法方程常數(shù)項(xiàng)向量c，所述第一核函數(shù)分為n1個(gè)線程塊，每個(gè)線程塊擁有m1個(gè)線程，組成共n1*m1＝N1個(gè)線程，每一個(gè)線程分別讀取一個(gè)或多個(gè)像點(diǎn)對應(yīng)的初始數(shù)據(jù)，各線程并行計(jì)算得到對應(yīng)的法方程常數(shù)項(xiàng)向量c的一個(gè)分量，并在GPU端將各個(gè)法方程常數(shù)項(xiàng)向量c的分量累加，得到完整的法方程常數(shù)項(xiàng)向量c，然后將其拷貝回CPU端，作為步驟S6中殘差向量s的初值；S5、啟動(dòng)GPU端的第二核函數(shù)計(jì)算矩陣-向量積M-1c，第二核函數(shù)分為n2個(gè)線程塊，每個(gè)區(qū)塊擁有m2個(gè)線程，組成共n2*m2＝N2個(gè)線程，每一個(gè)線程分別讀取一個(gè)或多個(gè)像點(diǎn)對應(yīng)的初始數(shù)據(jù)，計(jì)算預(yù)條件矩陣M對應(yīng)的分量，并將該分量求逆并乘以法方程常數(shù)項(xiàng)向量c得到矩陣-向量積M-1c的一個(gè)分量，在GPU端將各個(gè)矩陣-向量積M-1c的分量累加，得到完整的矩陣-向量積M-1c，然后將其拷貝回CPU端，作為步驟S6中方向向量d的初值；S6、進(jìn)入預(yù)條件共軛梯度法迭代流程：對未知數(shù)改正數(shù)向量u、殘差向量s以及方向向量d進(jìn)行初始化；S7、啟動(dòng)GPU端的第三核函數(shù)計(jì)算矩陣-向量積Bd，第三核函數(shù)分為n3個(gè)區(qū)塊，每個(gè)區(qū)塊擁有m3個(gè)線程，組成共n3*m3＝N3個(gè)線程，每一個(gè)線程分別讀取一個(gè)或多個(gè)像點(diǎn)對應(yīng)的初始數(shù)據(jù)，各線程并行計(jì)算得到對應(yīng)的法方程系數(shù)矩陣B的分量，并將該分量乘以方向向量d，得到法方程系數(shù)矩陣B與方向向量d的矩陣-向量積Bd分量，在GPU端將各矩陣-向量積Bd分量累加，得到完整的矩陣向量積Bd；S8、根據(jù)預(yù)條件共軛梯度算法，以及本次迭代中的未知數(shù)改正數(shù)向量u，殘差向量s，方向向量d，預(yù)條件矩陣M以及法方程系數(shù)矩陣B，計(jì)算新的未知數(shù)改正數(shù)向量u、新的殘差向量s以及新的方向向量d；S9、判斷此次預(yù)條件共軛梯度迭代是否符合預(yù)定收斂條件，若符合，則結(jié)束預(yù)條件共軛梯度迭代，輸出新的未知數(shù)改正數(shù)向量u，執(zhí)行步驟S10；否則，返回步驟S7；S10、判斷此次區(qū)域網(wǎng)平差迭代是否符合預(yù)定收斂條件，若符合，則結(jié)束區(qū)域網(wǎng)平差迭代，執(zhí)行步驟S11，否則，將更新后的未知數(shù)改正數(shù)向量u從CPU拷貝至GPU，返回步驟S4；S11、根據(jù)步驟S9中輸出的新的未知數(shù)改正數(shù)向量u，更新所有的未知數(shù)數(shù)值，并輸出所有的未知數(shù)數(shù)值。本發(fā)明的有益效果是：本發(fā)明提供的基于GPU并行加速的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，在傳統(tǒng)的區(qū)域網(wǎng)平差流程中引入了預(yù)條件共軛梯度法求解大規(guī)模法方程，避免了對法方程的存儲以及直接求逆運(yùn)算，并使得區(qū)域網(wǎng)平差流程適用于并行化設(shè)計(jì)方案，同時(shí)采用GPU并行計(jì)算框架，將區(qū)域網(wǎng)平差的任務(wù)細(xì)分成若干部分，分別交由GPU中不同計(jì)算線程來完成，以保證處理精度，節(jié)省硬件成本，提高數(shù)據(jù)處理容量，加快處理效率。本發(fā)明特別適用于超大規(guī)模測區(qū)(10萬張影像以上，如全省、全國乃至全球作為一整個(gè)測區(qū))的區(qū)域網(wǎng)平差計(jì)算。附圖說明圖1為本發(fā)明實(shí)施例一的基于GPU并行加速的預(yù)條件共軛梯度區(qū)域...