【摘要】：高光譜遙感是觀測地球的一種重要手段,但礙于傳感器精度的限制,通常情況下探測器檢測到的數(shù)據(jù)中往往包含了多重地物信息,這些混合在一起的信息就組成了混合像元�；旌舷裨拇嬖谥萍s了高光譜圖像處理中分類精度的提高及目標探測的準確性�；诰�性光譜混合模型解混中最重要的一步就是端元提取。傳統(tǒng)的端元提取算法如N-FINDR,VCA等算法,都無法適應(yīng)數(shù)據(jù)量巨大以及噪聲較大的高光譜圖像,并且缺乏信息反饋機制。離散粒子群端元提取算法可以解決上述問題,但離散粒子群端元提取算法仍具有計算效率太低的缺點。近年來,GPU被應(yīng)用到了高光譜圖像處理上,并表現(xiàn)出了良好的性能。因此,我們可以將基于GPU的并行設(shè)計用于離散粒子群端元提取算法。本文結(jié)合GPU/CUDA架構(gòu),采用了基于離散粒子群的高光譜端元提取的并行處理算法。針對DPSO算法中含有大量矩陣運算,例如矩陣乘法、矩陣求逆、矩陣求和等在CPU上耗時較高的部分借助CULA庫、CUBLAS庫以及編寫相應(yīng)的核函數(shù),進行了并行化處理。通過實驗,對比個人PC端上串行和并行的版本,加速比可以達到2倍。與此同時,進一步研究了影響算法迭代收斂次數(shù)的因子,通過實際實驗研究,找到既能滿足時間要求又能保持良好提取精度的參數(shù)優(yōu)化策略,并加上了預(yù)處理步驟。通過Tesla K20平臺基于GPU/CUDA架構(gòu)的G-DPSO實驗表明,基于GPU的并行優(yōu)化方法能復(fù)雜度高、數(shù)據(jù)量大的高光譜圖像端元提取技術(shù)效率,可以達到準實時應(yīng)用級別。
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751
【圖文】：

圖 1.1 光譜混合模型常見的混合像元分解模型主要有：線性混合光譜模型（Linear Spectral MixtureModel, LSMM）和非線性混合光譜模型的模糊監(jiān)督分類模型、神經(jīng)網(wǎng)絡(luò)模型等。其中，線性混合光譜模型更為常用�；旌舷裨纸馑惴ㄖ饕ㄈ剑憾嗽獢�(shù)量確認、數(shù)據(jù)降維、端元選取和豐度反演，如圖 1.2。確認高光譜圖像中的端元數(shù)量就是確認圖像中所包含的地物的種類的數(shù)量。端元的數(shù)量往往是通過 Neyman-Pearson 檢測理論得到圖像的虛擬維度[3]（VirtualDimensionality, VD）或稱為有效維度，以此來作為該高光譜圖像的端元數(shù)量的。數(shù)據(jù)降維（Dimensionality Reduction）是將高維圖像識別問題轉(zhuǎn)化為特征表達向量的識別問題的過程。假設(shè)某個具有 L 個波段的高光譜圖像，那么它的每個像元也都是 L 維，所在的向量空間通常被稱為 L 維特征空間。波段數(shù)量的減少也就是 L 維

重慶郵電大學(xué)碩士學(xué)位論文 第 1 章 引言干擾等問題。這些多余的信息不僅會干擾計算過程而且也會加大計算的壓力。常用的數(shù)據(jù)降維方法包括主成分分析[4]（Principal Components Analysis, PCA）、 最大噪聲分數(shù)[5]（Maximum Noise Fraction, MNF）等。端元提�。‥ndmember Extraction）是本文的主要目的，將在后續(xù)章節(jié)中進行闡述。豐度反演（Abundance Estimation）是用端元提取后得到的目標端元組去估計原始圖像每個像元中各個端元所占的比例，這個比例就稱為豐度。

重慶郵電大學(xué)碩士學(xué)位論文 第 1 章 引言中 SM-EEA 包括 PPI，N-FINDR，MVT，CCA，SPCA-EEA，F(xiàn)CLS-EEA 和 AMEEA，而 SQ-EEA 包括 IEA，VCA，SGA，UFCLS-EEA 和 HOS-EEA。從技術(shù)上講，最佳的端元提取算法必須是 SM-EEA，因為所有的端元應(yīng)該同時被選擇，而不是由SQ-EEA 強制順序選擇。一般來說，由于窮舉搜索的結(jié)果，同時搜索到所有的端元會產(chǎn)生巨大的計算量。另一方面，一般來說 SQ-EEA 的提取效果可能不如 SM-EEA好。相比而言，SQ-EEA 最大的優(yōu)勢是可以顯著減少計算量[31]。

【參考文獻】

相關(guān)期刊論文 前4條

1 李楊;;基于CUDA的三維數(shù)據(jù)場可視化加速技術(shù)研究[J];電子技術(shù)與軟件工程;2015年12期

2 章浩;龐振山;姚長利;張明華;;基于CUDA技術(shù)的礦產(chǎn)儲量計算[J];地質(zhì)通報;2009年Z1期

3 遲學(xué)斌;趙毅;;高性能計算技術(shù)及其應(yīng)用[J];中國科學(xué)院院刊;2007年04期

4 李曉磊,邵之江,錢積新;一種基于動物自治體的尋優(yōu)模式:魚群算法[J];系統(tǒng)工程理論與實踐;2002年11期

相關(guān)博士學(xué)位論文 前1條

1 孫偉東;CUDA計算技術(shù)在生物序列數(shù)據(jù)處理中的應(yīng)用研究[D];東北大學(xué);2011年

相關(guān)碩士學(xué)位論文 前5條

1 胡俊;基于CUDA的RAR密碼恢復(fù)系統(tǒng)的研究[D];中山大學(xué);2014年

2 崔曉燕;基于CUDA的指紋識別加速算法的研究[D];大連海事大學(xué);2013年

3 胡博;基于CUDA的遙感圖像運動目標檢測[D];西安電子科技大學(xué);2013年

4 金曉麗;基于CUDA的分子動力學(xué)非鍵作用計算方法的研究[D];蘇州大學(xué);2012年

5 鄒有;基于CUDA的穩(wěn)定流模擬[D];湖南師范大學(xué);2011年

本文編號：2801159