基于预失真编码激励与最小方差波束形成的超声成像算法

为了提高医学超声成像的轴向分辨力,文中提出一种基于预失真编码激励与改进最小方差自适应波束相结合的成像方法。该方法一方面对编码激励信号进行预失真和旁瓣抑制处理,补偿探头对信号的影响,提高发射端的分辨率与成像对比度;另一方面对接收数据采用改进的最小方差波束形成,有效提高了医学超声成像过程中的分辨率并改善自适应算法的鲁棒性。仿真结果表明,相对于恒包络信号与传统的延时叠加波束形成算法,文中算法从信号源和接收数据两方面提高了成像的对比度和分辨力,为实现高质量的超声成像系统提供了理论依据。     

基于图形处理器的合成孔径声呐实时距离多普勒成像算法

该文提出一种基于图形处理器(GPU)的距离多普勒成像算法(RDA),为合成孔径声呐(SAS)的实时成像提供了新的途径。通过GPU平台上的并行方法进行距离向脉冲压缩、固定相位补偿和方位向脉冲压缩,显著提升了距离多普勒成像算法效率。仿真和实验结果表明:在满足成像分辨率的前提下,该文设计的基于GPU的并行RDA和CPU串行算法相比,加速比可达到22,满足实时SAS成像需求。     

后向投影成像算法的GPU优化方法研究

合成孔径雷达(SAR)成像算法能够通过图形处理器(GPU)加速来实现处理速度的显著提升。针对后向投影(BP)成像算法的GPU加速,分析了BP算法的并行化和并行处理方法,提出了一种适合GPU加速的BP成像方案;通过研究GPU设计中的多流异步执行技术、数据传输模式和计算速度与精度,进一步提出一种针对BP成像的GPU优化成像方案。通过仿真数据和实测数据在Tesla C2075上的测试结果表明,与GPU非优化方案的实现相比,该方案有了近一倍的速度提升。     

基于GPU的多模式SAR成像加速研究

针对多模式合成孔径雷达(SAR)成像处理中存在的计算效率不足问题,提出了一种基于GPU的多模式SAR统一成像并行加速方法。为充分利用GPU的显存资源,提高算法的运算效率,利用共享内存对矩阵转置、矩阵相乘等部分进行大规模数据并行计算。实验结果表明,该算法大幅度提升了多模式SAR成像的计算效率,最高加速比达到55.62,解决了GPU显存空间利用率较低的问题。     

基于FPGA的超声动态聚焦延时参数压缩算法

超声成像是一种被广泛使用的无损检测手段,超声聚焦是超声成像的重要环节,延时叠加算法是超声聚焦最基础的波束形成算法.为了得到更好的成像质量,焦点随探测深度变化而变化的动态聚焦方法逐渐取代了传统的定点聚焦方法,然而该方法在现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)的实现中遇...     

基于GPU的圆迹视频SAR实时成像算法

视频SAR要求高分辨率实时成像,很多成像算法在高分辨率成像时,算法复杂度较高,使用中央处理器（CPU）处理无法实时成像。为解决这一问题,该文提出了一种基于图形处理器（GPU）的圆迹视频SAR实时成像算法。该算法首先根据帧率与重叠率的关系截取回波数据,然后将极坐标格式算法（PFA）中传统的两维插值用效率更高的Chirp Scaling操作代替,并且利用3种优化技术对PFA的GPU实现进行加速。实验结果表明,该文所用成像算法帧率能达到5Hz,满足视频SAR实时成像的速度要求。     

基于CAPI FPGA的医学超声成像算法异构加速

在医学超声成像算法中,最经典和最广泛使用的是延迟叠加算法。延迟叠加算法在超声成像、雷达信号发射、接收以及天线信号波束形成等方面有着广泛的应用。虽然该算法并不是典型的性能需求型算法,但是在医学成像云计算服务的新需求下,需要提高该算法的计算速度,以克服云计算中网络传输速度相对较慢的约束。然而,以中央处理器作为主要计算资源的传统云计算框架无法满足医学超声图像快速生成的性能需求,因此,本文中使用以现场可编程逻辑门阵列作为异构加速资源的SuperVessel云平台作为并行延迟叠加算法的实现平台。当包括现场可编程逻辑门阵列和中央处理器之间的数据传输时间在内时,SuperVessel云平台上该算法异构实现的运行速度相较于中央处理器中该算法的运行速度提升了约22倍。     

GPU加速在集成成像的应用

针对在计算3D集成成像过程中耗时较多的问题,采用了一种新的硬件加速方法——GPU加速,分别在不同透镜数目和三维物体复杂度下,对CPU和GPU的运算时间进行对比。结果表明:计算复杂度大于数据拷贝时间时,GPU的整体加速效果明显,并且随着计算复杂度的提高,加速效果越来越显著。     

基于GPU加速的地震图像重建技术

针对目前地层层析成像算法中正演算法存在计算量大、计算速度慢的问题,以图像处理器(GPU)为核心,研究并实现了一种基于GPU平台的时域有限差分(FDTD)正演算法。CUDA是一种由NVIDIA推出的GPU通用并行计算架构,也是目前较为成熟的GPU并行运算架构。而FDTD正演算法本身在算法特性上满足并行的要求,二者的结合将极大地加速程序的计算速度。在基于标准Marmousi速度模型的正演模拟中,程序速度提升30倍,而GPU正演图像与CPU正演结果误差小于千分之一。算例表明CUDA可以大大加速目前的FDTD正演算法,并且随着GPU硬件自身的发展和计算架构的不断改进,加速效果还将进一步提升,这将有利于后续波形反演工作的进展。     

基于GPU的高分辨率星载SAR成像处理研究

由于在传统的CPU 平台上进行计算耗时量大,一方面由于SAR回波数据量大,另一方面成像算法复杂。而处理核心众多则是GPU一大优势,适合独立并行结构算法的加速。文中借助GPU 强大的浮点运算和高度的并行处理能力,将SAR成像中ECSA算法在GPU上进行了验证,并得出较好的效果,综合(计算时间+IO时间)加速比有了一定提高。在高分辨率星载SAR成像领域中,CUDA-GPU的运用将是未来发展方向,文中给出了利用GPU处理星载SAR数据可行的初步结论,为进一步优化程序奠定了基础。