本文關(guān)鍵詞：高光譜圖像分類的GPU并行優(yōu)化研究，由筆耕文化傳播整理發(fā)布。

【摘要】：目前,高光譜遙感的應(yīng)用領(lǐng)域涵蓋了地球科學(xué)的各個方面,成為對地觀測、地圖繪制、資源勘探、災(zāi)害調(diào)查、軍事偵察等遙感應(yīng)用領(lǐng)域的新型技術(shù)手段。高光譜圖像分類是高光譜圖像分析的重要內(nèi)容之一,由于高光譜圖像分類處理具有數(shù)據(jù)量大、算法復(fù)雜度高等特點,現(xiàn)有串行分類算法的執(zhí)行效率往往較低,很難滿足高光譜圖像處理中實時分類的需求。近年來,隨著高性能計算技術(shù)的進(jìn)步,GPU (Graphic Processing Unit)通用計算技術(shù)在科學(xué)計算領(lǐng)域得到了迅速發(fā)展。與CPU相比,GPU擁有更強的并行計算能力和更高的浮點處理能力等優(yōu)點,為加速高光譜圖像分類處理提供了新的有效途徑�？兆V聯(lián)合的高光譜圖像分類方法,在利用像元光譜信息的同時,充分考慮高光譜圖像空間上下文信息,能夠取得較高的分類精度,但空間信息的加入,亦進(jìn)一步增加了分類算法的計算量。如何在保證分類精度的同時提高算法執(zhí)行效率,是高光譜遙感信息處理領(lǐng)域一個亟待解決的關(guān)鍵問題。本文在分析高光譜圖像分類原理及GPU并行計算基礎(chǔ)上,基于GPU/CUDA架構(gòu)針對空譜聯(lián)合的高光譜圖像分類進(jìn)行了并行優(yōu)化研究,并通過對比實驗,分析驗證了算法的有效性和高效性。論文的主要工作包括：首先,針對基于空間相關(guān)性正則化的稀疏表示分類方法,設(shè)計了基于GPU的并行優(yōu)化方法�；诳臻g相關(guān)性正則化的稀疏表示分類方法,在稀疏表示分類模型基礎(chǔ)上通過添加空間相關(guān)性約束項,有效提高了稀疏表示方法的分類效果,然而該方法需要在訓(xùn)練字典中為每一個測試樣本搜索表示該樣本的原子,算法復(fù)雜度較高。本文在對串行算法性能分析的基礎(chǔ)上,通過任務(wù)分解和存儲器訪問優(yōu)化等,對計算量較大的求解過程進(jìn)行了并行優(yōu)化,有效提高了算法的分類效率,并利用實際高光譜數(shù)據(jù)進(jìn)行了實驗分析驗證。其次,設(shè)計了基于GPU/CUDA的空譜聯(lián)合核稀疏表示分類并行優(yōu)化方法。核稀疏表示適用于非線性可分高光譜數(shù)據(jù)分類的問題,空譜聯(lián)合核稀疏表示分類方法,在核稀疏表示分類框架下,利用鄰域濾波核來描述相鄰像元的空間相似性,進(jìn)一步提高了分類效果。本文利用GPU上大規(guī)模并行線程,加速核矩陣和分類模型的求解過程,并設(shè)計訪存優(yōu)化策略減少CPU和GPU間的數(shù)據(jù)交互。與CPU平臺上串行和多核并行算法的實驗對比,驗證了上述優(yōu)化方法的有效性和高效性。第三,在CPU+GPU異構(gòu)平臺上設(shè)計了基于稀疏表示和馬爾科夫場空間先驗的有監(jiān)督分類的并行優(yōu)化方法。馬爾科夫場是對圖像空間信息建模的有效工具,在貝葉斯分類框架下,將基于l1/2正則化的稀疏表示方法與馬爾科夫場空間先驗相結(jié)合進(jìn)行分類,能夠進(jìn)一步提高分類精度。本文根據(jù)算法特點,對基于稀疏表示和馬爾科夫場空間先驗的有監(jiān)督分類計算過程,進(jìn)行了合理的任務(wù)分配和存儲優(yōu)化,綜合利用CPU的邏輯控制能力和GPU的并行計算能力,提高算法執(zhí)行效率。與串行算法相比,并行優(yōu)化后的算法取得了較高的加速比。最后,針對高光譜遙感信息處理的實時應(yīng)用需求,本文在貝葉斯框架下對基于稀疏多項式邏輯回歸(SMLR)的高光譜圖像分類方法進(jìn)行了并行優(yōu)化研究,通過對算法迭代過程的并行化重構(gòu),設(shè)計實現(xiàn)了一個實時并行分類方法,滿足了目標(biāo)探測、軍事偵察、生化監(jiān)測等遙感實時應(yīng)用需求。然而,該方法僅利用光譜信息進(jìn)行分類,分類精度還有一定的提升空間。為了在高分類精度和執(zhí)行效率間取得平衡,本文進(jìn)一步研究了基于加權(quán)馬爾科夫場的SMLR高光譜圖像分類方法,設(shè)計了相應(yīng)的并行優(yōu)化方法。利用多個實際高光譜圖像進(jìn)行的實驗表明,該并行優(yōu)化方法較好地取得了執(zhí)行效率與分類精度之間的平衡。
【關(guān)鍵詞】：高光譜圖像 分類 空譜聯(lián)合 GPU 并行
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要3-5
• Abstract5-9
• 1 緒論9-16
• 1.1 課題研究背景和意義9-11
• 1.2 研究現(xiàn)狀11-14
• 1.2.1 空譜聯(lián)合的高光譜圖像分類11-12
• 1.2.2 高光譜圖像處理的GPU并行優(yōu)化12-14
• 1.3 論文主要內(nèi)容及結(jié)構(gòu)安排14-16
• 1.3.1 論文主要研究內(nèi)容14-15
• 1.3.2 論文結(jié)構(gòu)安排15-16
• 2 基于CUDA的GPU并行計算16-26
• 2.1 GPU并行計算概述16-17
• 2.2 GPU并行編程技術(shù)17-18
• 2.3 CUDA并行計算架構(gòu)18-25
• 2.3.1 CUDA硬件架構(gòu)18-20
• 2.3.2 CUDA軟件體系20-21
• 2.3.3 CUDA編程模型21-22
• 2.3.4 CUDA存儲器模型22-23
• 2.3.5 CUDA程序性能優(yōu)化23-25
• 2.4 論文實驗平臺25
• 2.5 本章小結(jié)25-26
• 3 稀疏性高光譜分類的GPU并行優(yōu)化26-49
• 3.1 引言26
• 3.2 基于稀疏表示的高光譜圖像分類26-27
• 3.3 基于空間相關(guān)性正則化的稀疏表示分類并行優(yōu)化27-38
• 3.3.1 基于空間相關(guān)性正則化的稀疏表示分類算法原理27-29
• 3.3.2 基于GPU的并行優(yōu)化設(shè)計29-33
• 3.3.3 實驗及結(jié)果分析33-38
• 3.4 基于空譜聯(lián)合核稀疏表示分類的GPU并行優(yōu)化38-48
• 3.4.1 基于空譜聯(lián)合核稀疏表示分類算法原理38-40
• 3.4.2 基于GPU的并行優(yōu)化設(shè)計40-42
• 3.4.3 實驗及結(jié)果分析42-48
• 3.5 本章小結(jié)48-49
• 4 基于貝葉斯框架的高光譜圖像分類并行優(yōu)化49-81
• 4.1 引言49
• 4.2 馬爾科夫場空間先驗的貝葉斯分類49-51
• 4.3 CPU+GPU異構(gòu)平臺下基于稀疏表示和MRF空間先驗分類的并行優(yōu)化51-60
• 4.3.1 基于稀疏表示和馬爾科夫場空間先驗的監(jiān)督分類算法原理51-53
• 4.3.2 CPU+GPU異構(gòu)平臺下的并行優(yōu)化53-56
• 4.3.3 實驗及結(jié)果分析56-60
• 4.4 基于稀疏多項式邏輯回歸的高光譜圖像實時分類方法60-71
• 4.4.1 稀疏多項式邏輯回歸方法原理60-61
• 4.4.2 基于GPU的LORSAL實時分類方法設(shè)計61-66
• 4.4.3 實驗及結(jié)果分析66-71
• 4.5 基于加權(quán)馬爾科夫場的高光譜分類并行優(yōu)化71-79
• 4.5.1 基于加權(quán)馬爾科夫場的高光譜分類算法原理71-73
• 4.5.2 基于GPU的并行優(yōu)化設(shè)計73-75
• 4.5.3 實驗及結(jié)果分析75-79
• 4.6 本章小結(jié)79-81
• 5 結(jié)束語81-83
• 致謝83-84
• 參考文獻(xiàn)84-91
• 附錄91

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報;2008年09期

2 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報;2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

6 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報;2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學(xué)學(xué)報(自然科學(xué)版);2012年02期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學(xué)院學(xué)報;2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學(xué)報;2004年04期

10 張綺瑋;機載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預(yù)測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標(biāo)盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標(biāo)探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 賀霖;高光譜圖像自動目標(biāo)檢測技術(shù)研究[D];西北工業(yè)大學(xué);2007年

4 周爽;蟻群算法在高光譜圖像降維和分類中的應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2010年

5 陳雨時;基于光譜特性的高光譜圖像壓縮方法研究[D];哈爾濱工業(yè)大學(xué);2007年

6 石吉勇;基于高光譜圖像技術(shù)的設(shè)施栽培作物營養(yǎng)元素虧缺診斷研究[D];江蘇大學(xué);2012年

7 成寶芝;基于光譜特性的高光譜圖像異常目標(biāo)檢測算法研究[D];哈爾濱工程大學(xué);2012年

8 肖光潤;基于函數(shù)型數(shù)據(jù)分析的高光譜圖像分類研究[D];華中科技大學(xué);2014年

9 許毅平;基于高光譜圖像多特征分析的目標(biāo)提取研究[D];華中科技大學(xué);2008年

10 高恒振;高光譜遙感圖像分類技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 豐爍;高光譜圖像波段選取問題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無先驗信息的高光譜圖像小目標(biāo)檢測算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

  本文關(guān)鍵詞：高光譜圖像分類的GPU并行優(yōu)化研究，，由筆耕文化傳播整理發(fā)布。

本文編號：364975