0 引　言

随着遥感和雷达技术的不断发展，基于图像处理的目标探测技术领域里迎来了大数据时代，一方面探测器的精度提高，使得船舶图像分辨率和像素大幅提高，图像中包含的信息量不断增加；另一方面，视频探测等新型目标探测技术导致的图像帧数量也不断增加，提高目标探测精度的同时，对船舶图像处理器的计算和存储能力带来了挑战。

针对船舶图像处理过程的计算资源不足等问题，云计算技术的资源调度提供了良好的解决思路。云计算利用互联网链路将分散式的计算资源进行整合，针对某一特定的运算任务，可以实现云平台内计算资源的调度，防止计算资源浪费的同时，有针对性的对某些计算任务进行资源倾斜^[1]。

本文对图像处理过程的多任务调度算法进行研究，载体为TS201图像处理硬件平台，采用的多任务调度算法是遗传算法与模拟退火算法相结合的方法，解决船舶图像处理过程中的计算资源分配不均衡的问题。

1 基于云计算的多任务调度技术发展现状

云计算是一种基于互联网技术的资源整合运算模式，相对于传统的线下计算，云计算技术可以利用互联网将线下的各种计算资源，包括存储资源进行整合和匹配，线下用户通过分配的访问接口直接访问云计算的网上资源。云计算可以实现多任务同时计算，在使用任务管理进程后，将一个计算任务分解成若干个小任务，并调用多个计算模块进行计算，最后对所有计算结果进行汇总。通过这样多任务的调度方式，云计算比传统的计算方式更加快速，也更加可靠。

目前，云计算平台多由分散的数据中心构成，包括标准化接入、统一的数据管理和空间资源整合等几个特点，图1为云计算技术的基本架构。

云计算的体系主要由以下4个部分构成：

1）SOA构建层

SOA模块是云计算的组件模型，其主要功能是为云计算用户提供各类服务、注册、访问接口，将云计算中的云端应用程序与用户的实际需求相结合。SOA模块的接口独立于硬件平台和操作系统。为了提高云计算用户的数据安全性，SOA构建层还具有设置秘钥等功能^[2]。

2）管理控件

云计算机中的管理控件主要是为用户提供任务程序管理、资源管理、数据安全管理等服务，用户可以通过分配的访问接口，实时查询当前任务在云端的处理进程，同时也能对前期上传的云计算资源进行查看、复制和剪切。

3）物理资源

云计算中进行调用的计算资源、存储资源等，是指线下通过互联网连接的基础设施，包括计算机资源、CPU资源、存储器等。

4）虚拟资源池

与物理资源相对应的，云计算采用虚拟化技术将分散在线下的计算、存储、数据资源进行虚拟化，用户在云计算界面看到的资源模型，是经过虚拟化的虚拟资源。

2 遗传算法研究

遗传算法的关键环节包括：

1）生成初始种群

遗传算法中初始种群的生成方式主要有2种：

①随机生成

这种初始种群的生成方法是根据所设计的适应度函数和阈值，计算个体的适应度值，满足阈值要求的留下，不满足阈值要求的去除，不断重复这个过程，直到种群中所有个体都满足阈值，此时生成新的遗传算法种群。

②针对性生成

这种方法需要对系统中的初始个体有一定的了解，将系统种群的初始个体限定在初始解的范围内，生成新的遗传算法种群。

2）计算适应度函数值

适应度函数值是判断种群中个体是否满足要求的依据，符合适应度函数的个体将会保留形成新的种群，基于遗传算法的个体优化过程中，适应度函数值的阈值会不断发生变化，不断的对种群中的个体进行淘汰。

常规的适应度函数如下式：

$ f = \frac{{{c_1} + {c_2}}}{{{w_t}}}\sqrt {\frac{1}{{N - 1}}{{\left( {\sum\limits_{i = 1}^n {\left( {{y_{best}} - g\left( {{x_i},p,{w_t}} \right)} \right)} } \right)}^2}} 。$

式中： $ {c_1},{c_2} $ 为学习因子， $ {\omega _t} $ 为惯性权重， $ {y_{best}} $ 为最优解， $ N $ 为初始种群个体数， $ g\left( {{x_i},p,{w_t}} \right) $ 为种群中个体的函数。

③遗传与变异

遗传和变异使生成的新种群更加贴近最优解，N为种群的个体数，每个个体的适配值为 $ {f_i}\left( {i = 1,2,3,\cdots,N} \right) $ ，通过遗传与变异产生的下一代种群个数为：

$ {N_1} = N{f_i}/\sum\limits_{}^{} {{f_i}} 。$

图2为遗传算法流程。

3 基于遗传算法和模拟退火算法的船舶图像处理多任务调度算法 3.1 船舶图像处理平台

本文以应用范围较广的TS201^[3]图像处理硬件平台为研究对象，该硬件平台能够同时对两路图像进行处理，核心部件为DSP图像处理器和对应的DSP链路接口。

TS201图像处理硬件平台主要技术指标如下：

图像输入分辨率，两路输入接口分别为320×256和496×496，16位/32位，图像类型为单一色系图像、灰度图、雷达图像，帧频为100 Hz，输出的图像与输入格式相同。

由于船舶图像处理的任务量不断增加，TS201图像处理硬件平台采用DSP+FPGA平台模式，2个处理模块相互之间具有较高的独立性。

TS201图像处理硬件平台的关键架构包括核心处理器（DSP+FPGA）、时钟管理模块、雷达图像采集模块、接口模块、电源模块等。

TS201图像处理硬件平台的架构图如图3所示。

3.2 船舶雷达图像处理研究

船舶雷达成像过程不仅受雷达电磁波质量的影响^[4]，也会受到海上水汽、云层等噪声的影响，建立船舶雷达图像的信号模型为：

$ F\left( {x,y,z} \right) = \frac{{A\left( {x,y,z} \right) + B\left( {x,y,z} \right) + N\left( {x,y,z} \right)}}{{{k_0}}} 。$

式中： $ A\left( {x,y,z} \right) $ 为雷达图像的目标像素函数， $ B\left( {x,y,z} \right) $ 为海天背景像素函数， $ N\left( {x,y,z} \right) $ 为雷达图像的噪音像素函数。

为了提高雷达图像的处理精度，往往需要进行图像信号的滤波，定义雷达图像中某像素点 $ {S_0}\left( {x,y} \right) $ 的灰度值为 $ f\left( {x,y} \right) $ ，建立雷达图像的滤波模型为

$ \varphi (x,y) = \frac{1}{{{t^2} - 1}}\sum\limits_{s = 1}^s {f(x,y)} \text{，} $

雷达图像的像素差分模型^[5]为：

$ f(i,j) = \left| {{S_n}(i,j) - {S_{n - 1}}(i,j)} \right| 。$

式中： $ {S_n}(i,j) $ 为第n个像素点， $ {S_{n - 1}}(i,j) $ 为n−1个像素点。

3.3 基于遗传算法和模拟退火算法的船舶图像处理多任务调度算法

船舶图像处理的物理资源为分散在线下的TS201图像处理硬件平台，而云平台可以根据不同用户的船舶图像处理需求进行资源调配和任务调度，确保线下资源不浪费的同时，提供船舶图像的处理效率。结合模拟退火算法和遗传算法，研究云平台的船舶图像处理多任务调度过程。

模拟退火算法是一种快速寻优的智能算法，其特点包括：

1）局部搜索能力强

模拟退火算法的计算过程简单，能够快速定位小范围数据的极值，且鲁棒性强。

2）不依赖初始解

模拟退火算法的初始输入不影响整个求解过程，也可以说影响程度很低，因此模拟退火不会局限于初始解的局域范围。

3）模拟退火算法具有一定的容错率^[6]，可以避免算法在局域极值上停止。

遗传算法和模拟退火算法相结合的任务调度优化算法流程如图4所示。

定义云计算的资源总数为P，集合表示为 ${\boldsymbol{R}} = ( {r_1}, {r_2},\cdots,{r_P} )$ ，线下提交的船舶图像处理任务总数为M，定义集合为 ${\boldsymbol{J}} = \left( {{j_1},{j_2},\cdots,{j_M}} \right)$ ，将M任务划分为T个子任务，对应集合 $ T = \left( {{t_1},{t_2},\cdots,{t_M}} \right) $ ，则得到M个任务的总数为：

$ N = \sum\limits_{m = 1}^M {T_{num}^{}\left( {{j_m}} \right)} \text{。} $

定义测试环境指标如下：

操作系统Windows 7，处理器为AMD A10-7300 1.90 GH，内存RAM为4 GB，硬盘为500 GB/5 400/min，开发工具为Eclipse Oxygen。

图5为单位时间内采用优化调度方案和原始方案的任务完成个数对比，左为原始图像处理方案，右为基于遗传/退火进行任务调度的图像处理方案。可见，当任务个数超过一定数量时，采用多任务调度算法后，单位时间内船舶图像的处理个数明显提升。

4 结　语

为了提高云计算技术中的多任务调度和分配质量，本文采用遗传算法和模拟退火算法，对舰船图像处理过程的云计算任务调度进行优化，并在测试环境下进行了2种方案的对比，表明基于遗传算法和模拟退火算法的任务调度，能够显著提高船舶图像处理效率。