發(fā)布時(shí)間：2018-03-07 17:31

  本文選題：高光譜圖像　切入點(diǎn)：GPU　出處：《南京理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著高光譜遙感技術(shù)的不斷發(fā)展,高光譜遙感已經(jīng)在許多自然地球科學(xué)領(lǐng)域發(fā)揮著重要的作用,比如圖像識(shí)別與分類、地圖繪制與修正、災(zāi)害偵查與預(yù)防等。高光譜圖像具有數(shù)據(jù)量大、波段多等特點(diǎn),已有的處理算法盡管已經(jīng)取得了較好的結(jié)果,但是時(shí)效性不理想,難以滿足高光譜圖像在實(shí)際應(yīng)用中對(duì)于實(shí)時(shí)性的需求。近年來(lái),GPU(Graphics Processing Unit)技術(shù)得到不斷的發(fā)展。在NVIDA公司的推動(dòng)下,以CUDA(Compute Unified Device Architecture)統(tǒng)一構(gòu)架為基礎(chǔ)的CPU/GPU異構(gòu)平臺(tái)逐漸得到更多研究人員的重視。CUDA構(gòu)架的平臺(tái)綜合利用了 GPU高并行計(jì)算能力與CPU強(qiáng)邏輯控制能力,為提升算法效率開(kāi)辟了一個(gè)新的路徑。本文對(duì)高光譜遙感領(lǐng)域的分類算法與目標(biāo)檢測(cè)算法設(shè)計(jì)了基于CPU/GPU異構(gòu)平臺(tái)并行優(yōu)化方法。在保證分類和檢測(cè)精度的基礎(chǔ)上,提高算法運(yùn)行效率,利用Visual Studio/MFC設(shè)計(jì)開(kāi)發(fā)了基于GPU并行優(yōu)化的高光譜圖像分類與目標(biāo)檢測(cè)系統(tǒng)軟件,并結(jié)合實(shí)際高光譜圖像進(jìn)行實(shí)驗(yàn)測(cè)試。主要內(nèi)容包括:第一,基于GPU針對(duì)空譜加權(quán)核稀疏表示高光譜圖像分類算法(SWGSCI-KSRC)設(shè)計(jì) 了其相應(yīng)的并行優(yōu)化方法。SWGSCI-KSRC 方法在 KSRC(Kernel Sparse Representation Classification,KSRC)模型的基礎(chǔ)之上,通過(guò)加入空譜加權(quán)圖(Spatial-Spectral Weighted Graph,SWG)和稀疏聚集度(Sparsity Concentration Index,SCI)規(guī)則,實(shí)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(gè)小時(shí)。為了提高算法時(shí)效性,論文在全面分析SWGSCI-KSRC的基礎(chǔ)上,對(duì)于任務(wù)分配進(jìn)行統(tǒng)籌規(guī)劃并結(jié)合CUDA下核函數(shù)進(jìn)行子任務(wù)的劃分,在存儲(chǔ)器方面考慮更多使用共享存儲(chǔ)器達(dá)到減少訪存延遲。在保持精度的基礎(chǔ)上明顯提升了算法效率,獲得了 41倍的加速比。第二,針對(duì)基于低秩分解的空譜聯(lián)合高光譜圖像分類(Low-Rank Decomposition Spectral-Spatial method,LRDSS)設(shè)計(jì)了并行優(yōu)化方法。優(yōu)化后的算法是利用CPU的強(qiáng)邏輯控制能力和GPU高計(jì)算能力來(lái)實(shí)現(xiàn)。在CPU/GPU異構(gòu)混合平臺(tái)的應(yīng)用過(guò)程當(dāng)中,根據(jù)實(shí)際算法的設(shè)計(jì),充分考慮硬件底層結(jié)構(gòu)特點(diǎn),保證設(shè)備間的負(fù)載均衡,降低交互開(kāi)銷,實(shí)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(duì)基于低秩和稀疏表示的高光譜圖像目標(biāo)檢測(cè)(Low-Rank And Sparse Representation,LRASR)設(shè)計(jì)了 GPU并行優(yōu)化方法�；�于LRASR算法,利用GPU的計(jì)算帶寬高、能力強(qiáng)、能耗低、性價(jià)比高的特點(diǎn),由CPU負(fù)責(zé)GPU的任務(wù)分配,承擔(dān)管理GPU的工作。在設(shè)備端與主機(jī)端交互的時(shí)候,考慮合并訪存的策略來(lái)提高程序局部效率,進(jìn)而達(dá)到細(xì)粒度并行化的目的。同時(shí),在底層庫(kù)函數(shù)的基礎(chǔ)上優(yōu)化,實(shí)現(xiàn)LRASR中的SVD(singular value decomposition)分解。最終實(shí)現(xiàn)了精度不變的情況下時(shí)間開(kāi)銷得到了大大減少的目的。第四,在上述算法的基礎(chǔ)上,利用Visual Studio/MFC設(shè)計(jì)開(kāi)發(fā)了基于GPU并行優(yōu)化的高光譜圖像分類與目標(biāo)檢測(cè)系統(tǒng)軟件HICDTS(Hyperspectral Image Classification and Target Detection System based on GPU Parallel Computing),給出了系統(tǒng)框架、主要流程設(shè)計(jì),以及高光譜圖像顯示、光譜庫(kù)操作、空譜聯(lián)合分類、目標(biāo)檢測(cè)等核心模塊的詳細(xì)設(shè)計(jì)、開(kāi)發(fā)實(shí)現(xiàn)和相應(yīng)的測(cè)試分析。
[Abstract]:......
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP751

【相似文獻(xiàn)】

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(cè)支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);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(cè)[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(bào);2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識(shí)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(jì)算機(jī)信息;2010年21期

6 王立國(guó);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(bào);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(shí)別[J];江南大學(xué)學(xué)報(bào)(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(bào);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(bào);2004年04期

10 張綺瑋;機(jī)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(huì)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(shí)別研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)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(huì)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(huì)論文（摘要）集[C];2013年

4 孫蕾;羅建書(shū);;基于分類預(yù)測(cè)的高光譜遙感圖像無(wú)損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)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(cè)[A];走中國(guó)特色農(nóng)業(yè)機(jī)械化道路——中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集（下冊(cè)）[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(píng)價(jià)[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測(cè)方法研究[A];國(guó)家安全地球物理叢書(shū)（八）——遙感地球物理與國(guó)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(cè)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(huì)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(zhǎng)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(cè)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)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(cè)中的應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)�態(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(jī)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(jì)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(guó);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(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 高放;高光譜圖像無(wú)損預(yù)測(cè)壓縮技術(shù)研究[D];吉林大學(xué);2016年

10 曲海成;面向光譜解混的高光譜圖像快速處理技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016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(wèn)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(guò)程中的品質(zhì)無(wú)損檢測(cè)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(chóng)的高光譜圖像檢測(cè)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(wú)損識(shí)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(cè)及光譜成像在偽裝評(píng)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(wú)先驗(yàn)信息的高光譜圖像小目標(biāo)檢測(cè)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(wú)損檢測(cè)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(shí)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(chǎng)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(hào)：1580265