基于GPU的高光譜圖像分類與目標檢測.pdf

1、隨著高光譜遙感技術的不斷發(fā)展，高光譜遙感已經(jīng)在許多自然地球科學領域發(fā)揮著重要的作用，比如圖像識別與分類、地圖繪制與修正、災害偵查與預防等。高光譜圖像具有數(shù)據(jù)量大、波段多等特點，已有的處理算法盡管已經(jīng)取得了較好的結果，但是時效性不理想，難以滿足高光譜圖像在實際應用中對于實時性的需求。近年來，GPU(GraphicsProcessing Unit)技術得到不斷的發(fā)展。在NVIDA公司的推動下，以CUDA(ComputeUnified Dev

2、ice Architecture)統(tǒng)一構架為基礎的CPU/GPU異構平臺逐漸得到更多研究人員的重視。CUDA構架的平臺綜合利用了GPU高并行計算能力與CPU強邏輯控制能力，為提升算法效率開辟了一個新的路徑。
　　本文對高光譜遙感領域的分類算法與目標檢測算法設計了基于CPU/GPU異構平臺并行優(yōu)化方法。在保證分類和檢測精度的基礎上，提高算法運行效率，利用VisualStudio/MFC設計開發(fā)了基于GPU并行優(yōu)化的高光譜圖像分類與目

3、標檢測系統(tǒng)軟件，并結合實際高光譜圖像進行實驗測試。主要內(nèi)容包括:
　　第一，基于GPU針對空譜加權核稀疏表示高光譜圖像分類算法(SWGSCI-KSRC)設計了其相應的并行優(yōu)化方法。SWGSCI-KSRC方法在KSRC(Kernel Sparse RepresentationClassification，KSRC)模型的基礎之上，通過加入空譜加權圖(Spatial-Spectral WeightedGraph，SWG)和稀疏聚集度（

4、Sparsity Concentration Index，SCI）規(guī)則，實現(xiàn)了魯棒、高精度的高光譜圖像分類。然而處理效率較低，處理100MB左右的高光譜數(shù)據(jù)至少需要1個小時。為了提高算法時效性，論文在全面分析SWGSCI-KSRC的基礎上，對于任務分配進行統(tǒng)籌規(guī)劃并結合CUDA下核函數(shù)進行子任務的劃分，在存儲器方面考慮更多使用共享存儲器達到減少訪存延遲。在保持精度的基礎上明顯提升了算法效率，獲得了41倍的加速比。
　　第二，針對基

5、于低秩分解的空譜聯(lián)合高光譜圖像分類(Low-Rank DecompositionSpectral-Spatial method，LRDSS)設計了并行優(yōu)化方法。優(yōu)化后的算法是利用CPU的強邏輯控制能力和GPU高計算能力來實現(xiàn)。在CPU/GPU異構混合平臺的應用過程當中，根據(jù)實際算法的設計，充分考慮硬件底層結構特點，保證設備間的負載均衡，降低交互開銷，實現(xiàn)CPU與GPU的最大化效率，最終取得了較高的加速比。
　　第三，針對基于低秩和

6、稀疏表示的高光譜圖像目標檢測(Low-Rank And SparseRepresentation，LRASR)設計了GPU并行優(yōu)化方法?；贚RASR算法，利用GPU的計算帶寬高、能力強、能耗低、性價比高的特點，由CPU負責GPU的任務分配，承擔管理GPU的工作。在設備端與主機端交互的時候，考慮合并訪存的策略來提高程序局部效率，進而達到細粒度并行化的目的。同時，在底層庫函數(shù)的基礎上優(yōu)化，實現(xiàn)LRASR中的SVD(singular val

7、ue decomposition)分解。最終實現(xiàn)了精度不變的情況下時間開銷得到了大大減少的目的。
　　第四，在上述算法的基礎上，利用Visual Studio/MFC設計開發(fā)了基于GPU并行優(yōu)化的高光譜圖像分類與目標檢測系統(tǒng)軟件HICDTS(Hyperspectral Image Classificationand Target Detection System based on GPU Parallel Computing)，給