本文選題：光譜解混　切入點：降維　出處：《哈爾濱工業(yè)大學(xué)》2016年博士論文

【摘要】：高光譜傳感器空間分辨率、光譜分辨率的不斷提高以及對同一地物場景的連續(xù)觀測,產(chǎn)生了大量寶貴的高精度數(shù)據(jù),為高光譜數(shù)據(jù)的處理及應(yīng)用帶來更多機會。然而其巨大的數(shù)據(jù)量及算法復(fù)雜性的增加,也給其應(yīng)用帶來不少挑戰(zhàn)。當(dāng)前大部分高光譜圖像處理算法要求計算系統(tǒng)具有快速的數(shù)據(jù)分析與處理能力,以及模塊化的業(yè)務(wù)處理模式。光譜解混是高光譜圖像處理研究的重要分支,也同樣需要高效的并行處理算法和高性能的硬件加速技術(shù)來支持系統(tǒng)運行。基于CPU/GPU協(xié)同的細(xì)粒度線程級并行計算技術(shù)為加速光譜解混處理帶來新的途徑。本文圍繞高光譜解混相關(guān)的快速處理技術(shù)開展了一系列研究工作,為進一步挖掘高光譜數(shù)據(jù)的應(yīng)用潛能,拓展其應(yīng)用研究領(lǐng)域奠定了基礎(chǔ);高光譜特有的快速圖像處理理論的研究,具有一定的理論意義和研究價值。論文首先進行了高光譜解混算法可并行分析及細(xì)粒度并行化設(shè)計。研究從高光譜圖像數(shù)據(jù)自身存儲結(jié)構(gòu)特點、典型解混算法處理過程中任務(wù)依賴和數(shù)據(jù)依賴關(guān)系入手,從算法并行化設(shè)計和硬件加速實現(xiàn)兩個層面進行分析研究,研究了不同粒度下,硬件自身屬性、算法特性和數(shù)據(jù)規(guī)模及存取方式等因素對高光譜圖像解混處理算法并行化實現(xiàn)性能影響規(guī)律。為解決特定算法性能優(yōu)化空間不明確問題,引入PCAM(劃分-通信-組合-映射)設(shè)計思想,將高光譜數(shù)據(jù)存儲結(jié)構(gòu)、數(shù)據(jù)傳輸方式(同步/異步)、細(xì)粒度線程分配、算法計算復(fù)雜度等因素聯(lián)合考慮,提出了CPU/GPU協(xié)同計算模式下基于小波神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)、算法和硬件“三位一體”算法加速性能分析評估模型,為取得全局最佳加速比提供了科學(xué)依據(jù)。接著重點研究了高光譜解混預(yù)處理及相似度量算法快速處理。前者用于高光譜數(shù)據(jù)快速降維處理,后者在解混精度分析中采用。高光譜數(shù)據(jù)降維處理中,重點研究了基于主成分分析的高光譜數(shù)據(jù)快速降維處理技術(shù),采用基于CPU和GPU混合并行技術(shù)進行算法并行化設(shè)計和實現(xiàn)。針對主成分分析算法中最耗時部分,分別采用QR迭代和NIPALS法進行特征值和特征向量的求取,當(dāng)提取主成分?jǐn)?shù)目較少時,NIPALS法效率較高。為保證提取的主成分間的正交性,提出了一種基于Gram-Schmidt正交變換的NIPALS-PCA改進算法,在不明顯增加計算量的前提下,使得提取主成分間保持正交性。光譜相似度量算法快速處理方面,分別對歐式距離、光譜角匹配、光譜信息散度以及它們之間的組合度量尺度算法進行并行化設(shè)計與實現(xiàn)。為提高光譜匹配的精度和速度,提出了基于核變換的KSAM-SID組合光譜度量算法,在保證匹配效果的前提下,采用GPU進行加速實現(xiàn),提高了算法執(zhí)行效率。上述工作為高效光譜解混鏈路快速實現(xiàn)奠定了基礎(chǔ)。在上述研究基礎(chǔ)上,圍繞面向GPU加速的高光譜解混算法及其并行化設(shè)計及驗證開展研究工作。高光譜解混算法并行化設(shè)計中,以伯克利并行設(shè)計模式為基礎(chǔ),結(jié)合高光譜圖像數(shù)據(jù)三維立方體存儲格式、算法處理過程中按像素排列依次處理以及GPU單指令多線程體系結(jié)構(gòu)特點,設(shè)計了面向光譜解混處理的GPU加速算法實現(xiàn)框架。重點研究了線性光譜混合模型下基于空間幾何結(jié)構(gòu)的端元提取算法以及全約束最小二乘豐度估計算法的并行化設(shè)計。將不需要降維的凸面單形體體積計算理論引入N-FINDR和SGA算法中,結(jié)合VD和HySime的初始端元數(shù)目確定方法,構(gòu)建了一種新的基于線性光譜混合模型的自動近實時光譜解混算法;同時為加快實際應(yīng)用中處理速度,提出了滿足一定計算精度條件下,基于GPU的細(xì)粒度并行優(yōu)化策略;為降低端元提取算法計算復(fù)雜度,從行列式分解計算入手,引入分塊行列式計算來降低算法復(fù)雜度,實現(xiàn)了快速自動高精度光譜解混。最后,在完成高光譜解混鏈路快速實現(xiàn)基礎(chǔ)上,結(jié)合應(yīng)用評價CPU/GPU協(xié)同模式下高光譜圖像解混處理算法并行實現(xiàn)的效果。從計算精度、加速效果及硬件性能發(fā)揮等方面驗證了方法的合理性、有效性,并進一步進行了算法改進和程序優(yōu)化。
[Abstract]:......
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 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

相關(guān)會議論文 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

相關(guān)博士學(xué)位論文 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 賀智;改進的經(jīng)驗?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學(xué);2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

10 南一冰;星載推掃型高光譜運動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 豐爍;高光譜圖像波段選取問題的改進算法研究[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

，

本文編號：1666145