선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이러한 “단일 프로세싱 코어”의 단점을 보완하기 위해 “다중 프로세싱 코어”로 전환하게 되었다. 다중 프로세싱 코어의 목적은 단순히 소프트웨어의 처리 속도를 빠르게 하는 것이 아닌 많은 소프트웨어를 동시에 사용할 때 매끄럽게 수행되는 것에 목적이 있다. 다음 그림 1은 CPU와 GPU의 발전 속도를 나타낸 것이다.
- 따라서 본 논문에서는 점차 증가하는 원격탐사 데이터를 빠른 속도로 처리하기 위하여 CUDA 라이브러리를 이용한 GPU 기반의 병렬 처리를 제시하였으며, 이를 확인하기 위하여 CPU 기반 및 GPU 기반의 데이터처리를 비교·분석하였다.
제안 방법
- CUDA를 활용한 연구사례로는 의료용 영상을 대상으로 볼륨 렌더링기법을 CPU와 GPU의 기반으로 자료 처리속도를 비교하였고(Kye and Nam, 2013), CUDA라이브러리를 이용하여 블록암호기법을 구현하였으며, 난수발생기나 스트림 암호에도 응용이 가능하다는 결론을 내렸다 (Yeom and Cho, 2008). CUDA 프로그래밍에서 메모리 사용을 기반으로 프로그램 유형을 분류하고 각각의 분류에 따라 커널의 최적화된 알고리즘을 제시하였다(Kim et al.
- 그래픽메모리로 전송하는 함수는 CudaMemcpy를 이용하여 변수 Rband와 Nband의 데이터를 그래픽카드 메모리로 전송한다. GPU를 통해서 실행될 함수를 커널이라 부르는데 CPU공간에서 GPU공간으로 데이터를 전송 후 커널을 통하여 NDVI 연산을 수행하였다. 코드는 다음 그림 6과 같다.
- NDVI는 일반영상과 달리 위성영상 밴드의 특성을 이용한 알고리즘이므로 타 분야에서의 활용이 드물며 원격탐사 분야에서 주로 활용되고 있는 알고리즘이다. NDVI의 알고리즘은 원격탐사분야에서 널리 이용되는 지수로써 영상 밴드간의 1:1 매칭을 통해 연산이 이루어지는데, 이는 각 화소에 대해서 동일한 작업을 수행하는 것으로 병렬처리 구조에서 SIMD (Single Instruction Multiple Data) 구조와 어울리며 (Kim et al., 2011), 본 연구에서 구현하였다.
- 먼저 그래픽 메모리카드로 데이터를 전송할 수 있는 공간을 만들어준다. 그리고 CPU 기반의 NDVI 알고리즘과 동일하게 변수 데이터에 픽셀 데이터를 읽어 오고 각각의 픽셀 데이터를 Rband와 Nband로 저장하였다. Rband와 Nband는 CPU에 저장되어 있기 때문에 이 데이터들을 그래픽메모리로 전송하는 작업이 필요하다.
- 따라서 NDVI 식에 의해 Rband가 Nband보다 큰 값을 가지면 해당 위치에 1의 값으로 저장하고 반대로 Rband가 Nband보다 작으면 해당 위치에 –1 값으로 저장한다. 그리고 Rband와 Nband가 같은 값을 가지면 해당 위치에 0의 값을 저장하도록 설계하였다. 코드는 다음 그림 5와 같다.
- 다목적실용위성 3호 영상을 영상의 크기 기준으로 하여 총 5가지로 분류하였다. 분류되어진 영상들은 ArcMap 10.
- 다목적실용위성 3호 영상을 크기 기준으로 5가지 Type으로 만들고, 각각에 CPU 기반과 GPU 기반으로 10번을 반복하여 평균 처리 시간을 측정하였다.
- 따라서 본 논문에서는 점차 증가하는 원격탐사 데이터를 빠른 속도로 처리하기 위하여 CUDA 라이브러리를 이용한 GPU 기반의 병렬 처리를 제시하였으며, 이를 확인하기 위하여 CPU 기반 및 GPU 기반의 데이터처리를 비교·분석하였다. 먼저 CPU 기반과 CUDA를 이용한 GPU 기반으로 NDVI를 구현하였으며, 이렇게 구현된 영상을 상용 소프트웨어인 ArcMap으로 구현한 NDVI 영상과 비교하였다. 시각적 비교와 히스토그램을 통하여 비교한 결과 ArcMap, CPU, GPU로 구현된 NDVI 영상은 모두 동일한 영상으로 확인되었다.
- 불러온 각 행의 픽셀 데이터를 변수 데이터에 저장하였으며, Rband와 Nband에 해당하는 픽셀 데이터를 변수 데이터로부터 추출하였다. 변수 데이터에 저장되어 있는 픽셀 데이터는 Bband, Gband, Rband, Nband 순으로 저장되어 있기 때문에 for문을 활용하여 3번째와 4번째 있는 픽셀 데이터를 추출하여 각각의 변수 Rbnad와 Nband에 저장하였다. 코드는 다음 그림 4와 같다.
- 다목적실용위성 3호 영상을 영상의 크기 기준으로 하여 총 5가지로 분류하였다. 분류되어진 영상들은 ArcMap 10.1 버전과 CPU 기반, GPU 기반의 3가지 방법을 이용하여 NDVI를 구현하였으며, 구현된 NDVI 영상을 시각적 비교와 히스토그램 비교를 수행하여 동일한 영상이 획득되었는지를 판단하였다. 다음 그림 8은 ArcMap과 CPU, GPU 기반의 방법으로 구현한 NDVI 영상을 크기별로 분류한 이미지이다.
- 먼저 영상을 불러오기 위해서 LIBtiff 라이브러리를 이용하였으며 LIBtiff라이브러리의 함수인 TIFFreadRawStrip함수를 이용하여 영상을 한 행씩 픽셀 데이터로 불러올 수 있다. 불러온 각 행의 픽셀 데이터를 변수 데이터에 저장하였으며, Rband와 Nband에 해당하는 픽셀 데이터를 변수 데이터로부터 추출하였다. 변수 데이터에 저장되어 있는 픽셀 데이터는 Bband, Gband, Rband, Nband 순으로 저장되어 있기 때문에 for문을 활용하여 3번째와 4번째 있는 픽셀 데이터를 추출하여 각각의 변수 Rbnad와 Nband에 저장하였다.
- 이렇게 저장되어진 Rband와 Nband를 이용하여 NDVI 구현을 수행하였다. NDVI 영상은 –1, 0, 1의 값만 가진다.
- 이러한 이유로 CPU와 GPU 간에 다른 설계구조를 가지게 되었다. 자료처리 속도를 높이기 위해 칩 영역과 파워 비용을 최대화하는 방안을 강구하였고 그 결과 수많은 스레드를 자료처리에 이용하였다. CPU와 GPU의 구조는 다음 그림 2와 같다.
대상 데이터
- 연구에 사용된 위성영상은 다목적실용위성 3호의 영상이며, 영상의 크기를 기준으로 총 5가지 크기로 분할하여 각각에 대한 자료처리 속도를 기록하였다. 영상의 크기는 다음 표 1과 같다.
데이터처리
- 마지막으로 CPU를 기반으로 수행된 데이터 처리시간과 GPU를 기반으로 수행된 데이터 처리 시간을 비교·분석하였다.
- 본 논문에서는 점차 발전하는 고해상도 영상의 처리속도를 높이고자 NVIDIA사의 CUDA를 활용하였다. 실험영상은 KOMPSAT 영상을 이용하였으며 원격탐사의 Band별 특징을 활용한 Band math알고리즘을 적용하여 영상처리를 수행하고, CPU 기반과 GPU 기반의 자료처리의 속도를 비교 분석하였다.
이론/모형
- 본 논문에서는 원격탐사의 밴드 연산의 한 방법인 NDVI 방법을 CUDA 라이브러리를 이용하여 병렬 처리를 수행하였다. 현재 원격탐사에 관련된 연구는 활용분야에 집중되어 있으며 자료처리 효율에 관련된 연구는 미흡한 상태이다.
- 본 논문에서는 점차 발전하는 고해상도 영상의 처리속도를 높이고자 NVIDIA사의 CUDA를 활용하였다. 실험영상은 KOMPSAT 영상을 이용하였으며 원격탐사의 Band별 특징을 활용한 Band math알고리즘을 적용하여 영상처리를 수행하고, CPU 기반과 GPU 기반의 자료처리의 속도를 비교 분석하였다.
- 일반영상과 달리 위성영상의 센서는 고해상도, 스펙트럼 등의 차이점이 있다(Kurte and Durbha, 2013). 연구에 활용된 알고리즘은 위성영상 스펙트럼의 특징을 활용한 NDVI 알고리즘을 적용하였다. NDVI는 식생의 분포량, 밀집도 및 활동성 등의 각종 정보를 나타내며(Jo, 2012), 널리 이용되는 식생지수(vegetation index) 이다(Shin and An, 2004).
성능/효과
- Type 1의 경우 1,000,000개의 픽셀 중 –1 값을 가진 픽셀이 3가지 방법 모두 동일하게 660,324개로 일치하였으며, Type 5의 경우 400,000,000 픽셀 중 –1 값을 가진 픽셀은 124,569개로 3가지 방법 모두 일치하였다.
- 868초로 Type1을 제외한 모든 Type의 GPU 처리 속도가 빠른 것으로 나타났다. Type 2, 3, 4, 5 순으로 GPU의 처리속도가 CPU의 처리속도보다 약 3배, 약 4배, 약 5배, 약 5배 빠른 것을 확인할 수 있다. 그림 10은 처리시간을 그래프로 나타낸 것이다.
- 각각의 Type별 평균으로 시간 차이를 확인해보면 Type 1의 결과만 CPU가 GPU보다 약 0.2초 빨랐으며, 그 외 모든 Type은 GPU가 월등히 처리속도가 빠른 것을 확인할 수 있었다. Type 2의 경우 CPU의 평균 처리속도는 2.
- 마지막으로 CPU를 기반으로 수행된 데이터 처리시간과 GPU를 기반으로 수행된 데이터 처리 시간을 비교·분석하였다. 그 결과 GPU 기반이 CPU 기반보다 빨랐으며, 데이터의 양이 늘어날수록 데이터 처리속도는 GPU 기반의 방법이 빠른 것을 확인할 수 있었다.
- 본 논문에서 제안한 NDVI 연산은 병렬처리에 적합한 SIMD구조와 비슷하기에 데이터 처리속도를 효과적으로 줄일 수 있었다. 하지만 원격탐사 기법의 한 방법인 감독분류(supervised classification)는 화소단위 분류 기법으로 분류항목의 트레이닝샘플을 사용자가 지정하고 지정된 샘플을 기준으로 토지피복을 분류하는 방법으로써(Choung, 2015), 밴드 간의 연산이 아닌 데이터의 모양과 값을 매칭시키는 원리로 본 연구에 적용시킨 NDVI와 차이를 나타내고 있다.
- 먼저 CPU 기반과 CUDA를 이용한 GPU 기반으로 NDVI를 구현하였으며, 이렇게 구현된 영상을 상용 소프트웨어인 ArcMap으로 구현한 NDVI 영상과 비교하였다. 시각적 비교와 히스토그램을 통하여 비교한 결과 ArcMap, CPU, GPU로 구현된 NDVI 영상은 모두 동일한 영상으로 확인되었다. 마지막으로 CPU를 기반으로 수행된 데이터 처리시간과 GPU를 기반으로 수행된 데이터 처리 시간을 비교·분석하였다.
- 실제 미국에서 무료로 제공하고 있는 지구관측위성인 Landsat 영상을 비교해보면 Landsat-1의 MS밴드는 80m의 해상도를 가졌지만 Landsat-7의 MS밴드는 30m, PAN밴드는 15m까지 향상되었다. 우리나라의 대표적인 국토관측위성인 다목적실용위성(Korea MultiPurpose Satellite, KOMPSAT) 1호의 MS 밴드는 6.6m의 해상도를 가졌으며, 최근 발사된다목적실용위성 3호의 MS 밴드는 0.55m 급으로 향상되었다. 이처럼 Landsat의 경우 해상도가 약 2배 이상 발전하였으며, 우리나라의 경우 해상도가 10배 가까이 발전하였다.
- Type 1의 경우 1,000,000개의 픽셀 중 –1 값을 가진 픽셀이 3가지 방법 모두 동일하게 660,324개로 일치하였으며, Type 5의 경우 400,000,000 픽셀 중 –1 값을 가진 픽셀은 124,569개로 3가지 방법 모두 일치하였다. 이처럼 ArcMap, CPU, GPU 기반으로 구현된 5가지의 크기별 NDVI 영상은 시각적 및 히스토그램이 모두 일치하는 것으로 확인되었다.
- 표 4에서 CPU 기반의 평균처리시간은 Type 1은 0.092초, Type 2는 2.129초, Type 3은 8.214초, Type 4는 13.774초, Type 5는 23.681초로 Type 5는 기존 Type 1에 비해 약 230배로 처리시간이 늘어난 것을 확인할 수 있다.
- 표 5에서 GPU 기반의 평균처리시간은 Type 1은 0.304초, Type 2는 0.635초, Type 3은 1.596초, Type 4는 3.307초, Type 5는 4.868초로 Type 5는 기존 Type1에 비해 약 15배로 처리시간이 늘어난 것을 확인할 수 있었다.
후속연구
- 하지만 원격탐사 기법의 한 방법인 감독분류(supervised classification)는 화소단위 분류 기법으로 분류항목의 트레이닝샘플을 사용자가 지정하고 지정된 샘플을 기준으로 토지피복을 분류하는 방법으로써(Choung, 2015), 밴드 간의 연산이 아닌 데이터의 모양과 값을 매칭시키는 원리로 본 연구에 적용시킨 NDVI와 차이를 나타내고 있다. 추후 연구로써는 감독분류와 같이 SIMD구조와 유사하지 않은 알고리즘에 적용이 필요하다고 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.