基于Intel oneAPI的高光谱图像目标检测FPGA加速优化研究

本文综述了采用英特尔oneAPI工具包和DPC++语言，通过高层次综合（HLS）技术在Stratix 10 SX 2800 FPGA上实现自动目标检测与分类算法（ATDCA）的优化加速。研究通过增加累加器、浮点转整数运算、并行比较等策略，显著提升了高光谱图像（HSI）光谱解混的处理效率，为实时遥感应用提供了灵活高效的硬件解决方案。

　　

亮点 (Highlights)

• •
  1. 1.
     基于格兰姆-施密特（GS）方法实现ATDCA算法的硬件版本，并应用三项优化：增加累加器以方便顺序访问像素的多个样本；将浮点运算转换为整数运算以减少执行周期并改善资源使用；采用并行比较以在处理时间和硬件使用之间取得平衡。
• •
  1. 2.
     提出一种有效且通用的架构，该架构考虑任何图像尺寸（最多487,500像素和224个波段）以及最多30个端元，允许所有图像共享一次综合结果。若需更大尺寸或更多端元，仅需调整相应常量并重新运行综合过程。
• •
  1. 3.
     据我们所知，这是首个在FPGA上实现实时处理的HLS版本ATDCA，其性能略低于HDL实现，但开发时间大幅缩短。

实验结果 (Experimental results)

本节展示了应用多种优化后ATDCA-GS算法获得的实验结果。首先，我们分析了所提优化方案的准确性和计算性能，重点关注处理时间、资源利用率和相对于图像大小的可扩展性等关键指标。其次，与另一个使用VHDL开发的ATDCA-GS硬件实现进行了比较分析，突出了HLS方法的优势和差异。

结论与未来工作 (Conclusions and future work)

本研究提出了一种采用HLS技术优化的ATDCA算法实现，旨在提升计算效率并促进其在遥感应用硬件系统中的集成。采用格兰姆-施密特正交化方法避免了矩阵求逆，显著简化了代码开发并降低了资源消耗。

引入了多项优化以在性能和资源使用之间取得平衡：增加累加器数量、浮点转整数运算以及并行比较。实验结果表明，该优化实现显著减少了处理时间，证明了针对FPGA平台的优化技术与DPC++环境相结合，为高光谱图像的光谱解混提供了一种有效且灵活的解决方案。