本文關鍵詞：多維稀疏信號重構算法研究及應用，由筆耕文化傳播整理發(fā)布。

【摘要】：信息技術是實施精準農(nóng)業(yè)的重要支撐技術。隨著現(xiàn)代農(nóng)業(yè)的不斷發(fā)展,海量的多維數(shù)據(jù)獲取變得非常普遍,如圖像、視頻、遙感數(shù)據(jù)等,這些龐大的數(shù)據(jù)增加了編碼端和解碼端的計算復雜度和內(nèi)存占用率,同時對信道的傳輸也造成了很大的負擔。如何充分利用多維信號的內(nèi)在結構特點,降低多維信號處理的計算復雜度和內(nèi)存占用率,是實施精準農(nóng)業(yè)的關鍵前提。本文針對多維稀疏信號重構質(zhì)量低、計算復雜度高的問題開展研究工作,提出了二維子空間追蹤(Two Dimensional Subspace Pursuit,2DSP)重構算法和三維正交匹配追蹤(Three Dimensonal Orthogonal Matching Pursuit,3D-OMP)重構算法,以提高算法重構的質(zhì)量,降低計算復雜度;同時利用眾核處理器GPU強大的并行計算能力,設計了并行的3D-OMP重構算法,進一步提高算法的運行速度;并將壓縮感知理論成功應用于農(nóng)業(yè)工程領域,解決蘋果果實病害分類識別的問題。主要研究工作和結論:(1)針對2D-OMP算法重構質(zhì)量不高的問題,提出了改進的2DSP重構算法。優(yōu)化了支撐集的構建方法,以搜索最匹配的子空間的方法替代篩選單個最匹配二維原子的方法,提高了算法的重構質(zhì)量,而時間復雜度和空間復雜度與2D-OMP重構算法相同。實驗結果證明,2DSP重構算法僅需約120個采樣點就能夠以90%的高概率精確重構合成的、大小為64?64的4階稀疏信號,隨著稀疏度變大,高概率精確重構需要的采樣點數(shù)相應增多;采用真實的圖像對比分析時,2DSP重構算法的PSNR值要高于2D-OMP算法0.5d B左右。(2)針對編碼端全局測量三維信號計算復雜度高的問題,提出了三維分離采樣(Three Dimensional Separable Operator,3DSO)處理方法,采用單獨的測量矩陣和稀疏變換基對三維信號的三個維度分離進行處理,并對3DSO方法中測量矩陣與稀疏變換矩陣的相關性以及有限等距性質(zhì)進行了詳細的分析。理論分析表明,3DSO方法壓縮測量效果與全局測量方法相同,但是極大的減小了測量矩陣和稀疏變換矩陣的大小,三維分離測量方法的時間復雜度和空間復雜度分別為3O(mn)和3O(mn),均為傳統(tǒng)的全局測量方法的21 m,有效減輕了編碼端的負擔。(3)針對三維稀疏信號重構時計算復雜度高的問題,提出了3D-OMP重構算法。算法通過在每個迭代循環(huán)中篩選一個最匹配的三維原子,加入支撐集,進而建立起一個包含k個最匹配三維原子的支撐集。最后基于支撐集采用最小二乘法實現(xiàn)三維稀疏信號的重建。理論分析表明,3D-OMP算法的時間復雜度僅為3O(mn),空間復雜度為3O(n)。采用合成的三維稀疏信號測試表明,3D-OMP算法僅需約140個采樣點就能夠以90%的高概率精確重構大小為16?16?16的4階三維稀疏信號,隨著稀疏度變大,高概率精確重構需要的采樣點數(shù)相應增多;3D-OMP算法的重構質(zhì)量和精確重構概率僅次于全局測量方法,優(yōu)于KCS算法;采用真實的高光譜圖像測試表明,在同樣的壓縮比下,3D-OMP算法的重構質(zhì)量與KCS算法相當,但是算法運行速度相對于KCS算法平均提高了163.84s。(4)針對三維信號數(shù)據(jù)量龐大,3D-OMP算法重構時耗時依然很長的問題,提出了一種并行3D-OMP重構算法,利用眾核處理器GPU強大的并行計算能力對算法中大量的、并行度很高的張量和矩陣運算進行并行設計,并采用訪存優(yōu)化、規(guī)約求和、指令級優(yōu)化、負載均衡等優(yōu)化策略優(yōu)化并行算法。實驗結果表明,重構算法中耗時最長的三維映射部分并行優(yōu)化后,并行算法相對于采用2o級優(yōu)化后的串行算法的加速比最高可達390倍,計算殘差部分加速比最高可達55倍,整個重構算法的加速比最高為146倍。(5)針對農(nóng)業(yè)工程領域中的病害識別問題,提出了一種基于壓縮感知理論的蘋果果實病害識別模型,嘗試利用壓縮感知理論解決農(nóng)業(yè)工程中的具體問題。基于任意一個病害樣本可以由若干個同屬一類的其他樣本稀疏表示的原理,建立病害的稀疏表示模型,然后采用標準CS重構算法求解測試樣本在特征矩陣上的稀疏表示系數(shù),通過對稀疏系數(shù)的分析實現(xiàn)樣本的分類識別。采用3類常見的蘋果果實病害:輪紋病、炭疽病和新輪紋病等,每類病害26幅,共78幅病害圖像作為實驗樣本測試模型。為進行對比分析,同時建立了基于支持向量機的病害識別模型。實驗結果表明,基于壓縮感知理論的識別模型對輪紋病、炭疽病和新輪紋病的正確識別率分別為80%、90%和100%,平均正確識別率為90%。支持向量機識別模型對三種病害的識別率分別為80%、100%和90%,平均正確識別率為90%。因此基于壓縮感知理論的識別模型與成熟的支持向量機識別模型識別效果相當。
【關鍵詞】：二維子空間追蹤 三維分離處理 三維正交匹配追蹤 眾核處理器 病害識別
【學位授予單位】：西北農(nóng)林科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 第1章 緒論13-24
• 1.1 研究背景13-15
• 1.2 國內(nèi)外研究現(xiàn)狀15-20
• 1.2.1 壓縮感知重構算法研究現(xiàn)狀15-17
• 1.2.2 基于GPU并行優(yōu)化算法研究現(xiàn)狀17-18
• 1.2.3 壓縮感知理論應用研究現(xiàn)狀18-19
• 1.2.4 需要解決的關鍵問題19-20
• 1.3 研究內(nèi)容20
• 1.4 研究方法與技術路線20-22
• 1.4.1 研究方法20
• 1.4.2 技術路線20-21
• 1.4.3 具體研究方案21-22
• 1.5 論文組織結構22-24
• 第2章 二維子空間追蹤重構算法24-45
• 2.1 壓縮感知理論24-26
• 2.1.1 稀疏表示24-25
• 2.1.2 測量矩陣25
• 2.1.3 重構算法25-26
• 2.22D-OMP重構算法26-30
• 2.2.1 算法介紹27-28
• 2.2.2 算法分析28-30
• 2.3 二維子空間追蹤算法30-33
• 2.3.1 基本實現(xiàn)原理30-32
• 2.3.2 時間復雜度分析32-33
• 2.3.3 空間復雜度分析33
• 2.4 實驗對比分析33-43
• 2.4.1 精確重構33-34
• 2.4.2 兩種算法對比分析34-35
• 2.4.3 重構質(zhì)量分析35-43
• 2.5 本章小結43-45
• 第3章 三維正交匹配追蹤重構算法45-64
• 3.1 三維分離處理45-49
• 3.1.1 三維稀疏變換和分離測量45-46
• 3.1.2 相關性分析46-47
• 3.1.3 有限等距性質(zhì)分析47-48
• 3.1.4 編碼端復雜度分析48-49
• 3.2 三維正交匹配追蹤算法49-54
• 3.2.1 三維原子與字典50-51
• 3.2.2 三維映射51
• 3.2.3 最小二乘法求解51-53
• 3.2.4 迭代求逆53-54
• 3.3 重構算法分析54-55
• 3.3.1 時間復雜度分析54-55
• 3.3.2 空間復雜度分析55
• 3.4 實驗對比分析55-62
• 3.4.1 精確重構55-56
• 3.4.23D-OMP算法性能分析56-58
• 3.4.3 采用真實圖像的算法對比分析58-60
• 3.4.4 重構質(zhì)量分析60-62
• 3.5 本章小結62-64
• 第4章 基于GPU并行優(yōu)化重構算法研究64-88
• 4.1 并行編程技術研究64-69
• 4.1.1 NVIDIA GPU硬件架構64-67
• 4.1.2 CUDA計算架構67-69
• 4.1.3 并行優(yōu)化策略69
• 4.2 3D-OMP算法并行性分析69-73
• 4.2.1 三維映射70-71
• 4.2.2 尋找最大值71
• 4.2.3 迭代求逆71
• 4.2.4 計算向量v71-72
• 4.2.5 估計信號72
• 4.2.6 計算殘差72-73
• 4.3 并行設計 3D-OMP算法73-80
• 4.3.1 并行設計三維映射73-74
• 4.3.2 并行設計尋找最匹配的原子74-75
• 4.3.3 并行設計迭代求逆75-77
• 4.3.4 并行計算向量77-79
• 4.3.5 并行設計估值信號79-80
• 4.3.6 并行計算殘差80
• 4.4 實驗結果與分析80-86
• 4.4.1 實驗條件80
• 4.4.2 實驗對象80-81
• 4.4.3 實驗方法81
• 4.4.4 實驗分析與優(yōu)化81-86
• 4.5 本章小結86-88
• 第5章 基于壓縮感知的病害識別模型研究88-105
• 5.1 圖像獲取與預處理88-90
• 5.1.1 圖像獲取88
• 5.1.2 圖像預處理88-90
• 5.2 病斑分割與特征提取90-95
• 5.2.1 基于水平集的病斑分割90-92
• 5.2.2 病斑特征提取92-95
• 5.3 基于壓縮感知理論建立識別模型95-100
• 5.3.1 稀疏表示模型95-97
• 5.3.2 重構算法求解97-100
• 5.4 基于支持向量機建立病害識別模型100-101
• 5.5 實驗結果與分析101-103
• 5.5.1 實驗條件101
• 5.5.2 實驗對象101
• 5.5.3 實驗方法101-102
• 5.5.4 實驗結果分析102-103
• 5.6 本章小結103-105
• 第6章 結論與展望105-108
• 6.1 結論105-107
• 6.2 創(chuàng)新點107
• 6.3 展望107-108
• 參考文獻108-116
• 致謝116-117
• 作者簡介117

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 焦李成;楊淑媛;劉芳;侯彪;;壓縮感知回顧與展望[J];電子學報;2011年07期

2 楊柳;劉鐵英;;GPU架構下的并行計算[J];吉林大學學報(信息科學版);2012年06期

3 張碩;王杰;王金成;李海峰;劉旭;;基于壓縮感知的三維物體成像的簡單計算方法[J];光學學報;2013年01期

4 朱秋平;顏佳;張虎;范賜恩;鄧德祥;;基于壓縮感知的多特征實時跟蹤[J];光學精密工程;2013年02期

5 陳春雷;慕德俊;張慧翔;胡偉;;CUDA加速的DNA-蛋白質(zhì)匹配及其優(yōu)化[J];電子技術應用;2013年09期

6 汪璞;安瑋;鄧新蒲;郭靖;;使用壓縮感知的遙感圖像振蕩畸變幾何校正方法[J];光學學報;2015年01期

7 楊沐津;于策;;孫濟洲;曹瑋;陳錦言;商朝暉;劉強;;GAISP:一種GPU加速的天文圖像相減測光算法[J];計算機應用研究;2011年10期

8 李樹濤;魏丹;;壓縮傳感綜述[J];自動化學報;2009年11期

9 周煜坤;陳清華;余瀟;;基于CUDA的大規(guī)模流體實時模擬[J];計算機應用與軟件;2015年01期

10 肖漢;郭運宏;周清雷;;面向CPU+GPU異構計算的SIFT特征匹配并行算法[J];同濟大學學報(自然科學版);2013年11期

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 譚坤;快速子空間追蹤算法研究[D];電子科技大學;2010年

2 段皓;基于CUDA的JPEG-LS編碼器的并行設計[D];西北農(nóng)林科技大學;2013年

  本文關鍵詞：多維稀疏信號重構算法研究及應用，，由筆耕文化傳播整理發(fā)布。

本文編號：425573