基于GPU的离散粒子群高光谱图像端元提取算法并行化研究

发布时间：2020-08-22 21:17

【摘要】：高光谱遥感是观测地球的一种重要手段,但碍于传感器精度的限制,通常情况下探测器检测到的数据中往往包含了多重地物信息,这些混合在一起的信息就组成了混合像元。混合像元的存在制约了高光谱图像处理中分类精度的提高及目标探测的准确性。基于线性光谱混合模型解混中最重要的一步就是端元提取。传统的端元提取算法如N-FINDR,VCA等算法,都无法适应数据量巨大以及噪声较大的高光谱图像,并且缺乏信息反馈机制。离散粒子群端元提取算法可以解决上述问题,但离散粒子群端元提取算法仍具有计算效率太低的缺点。近年来,GPU被应用到了高光谱图像处理上,并表现出了良好的性能。因此,我们可以将基于GPU的并行设计用于离散粒子群端元提取算法。本文结合GPU/CUDA架构,采用了基于离散粒子群的高光谱端元提取的并行处理算法。针对DPSO算法中含有大量矩阵运算,例如矩阵乘法、矩阵求逆、矩阵求和等在CPU上耗时较高的部分借助CULA库、CUBLAS库以及编写相应的核函数,进行了并行化处理。通过实验,对比个人PC端上串行和并行的版本,加速比可以达到2倍。与此同时,进一步研究了影响算法迭代收敛次数的因子,通过实际实验研究,找到既能满足时间要求又能保持良好提取精度的参数优化策略,并加上了预处理步骤。通过Tesla K20平台基于GPU/CUDA架构的G-DPSO实验表明,基于GPU的并行优化方法能复杂度高、数据量大的高光谱图像端元提取技术效率,可以达到准实时应用级别。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751
【图文】：

高光谱图像,混合模型,光谱,端元

图 1.1 光谱混合模型常见的混合像元分解模型主要有：线性混合光谱模型（Linear Spectral MixtureModel, LSMM）和非线性混合光谱模型的模糊监督分类模型、神经网络模型等。其中，线性混合光谱模型更为常用。混合像元分解算法主要包括三步：端元数量确认、数据降维、端元选取和丰度反演，如图 1.2。确认高光谱图像中的端元数量就是确认图像中所包含的地物的种类的数量。端元的数量往往是通过 Neyman-Pearson 检测理论得到图像的虚拟维度[3]（VirtualDimensionality, VD）或称为有效维度，以此来作为该高光谱图像的端元数量的。数据降维（Dimensionality Reduction）是将高维图像识别问题转化为特征表达向量的识别问题的过程。假设某个具有 L 个波段的高光谱图像，那么它的每个像元也都是 L 维，所在的向量空间通常被称为 L 维特征空间。波段数量的减少也就是 L 维

过程图,过程,端元,丰度

重庆邮电大学硕士学位论文第 1 章引言干扰等问题。这些多余的信息不仅会干扰计算过程而且也会加大计算的压力。常用的数据降维方法包括主成分分析[4]（Principal Components Analysis, PCA）、最大噪声分数[5]（Maximum Noise Fraction, MNF）等。端元提取（Endmember Extraction）是本文的主要目的，将在后续章节中进行阐述。丰度反演（Abundance Estimation）是用端元提取后得到的目标端元组去估计原始图像每个像元中各个端元所占的比例，这个比例就称为丰度。

端元,提取算法,算法,初始条件

重庆邮电大学硕士学位论文第 1 章引言中 SM-EEA 包括 PPI，N-FINDR，MVT，CCA，SPCA-EEA，FCLS-EEA 和 AMEEA，而 SQ-EEA 包括 IEA，VCA，SGA，UFCLS-EEA 和 HOS-EEA。从技术上讲，最佳的端元提取算法必须是 SM-EEA，因为所有的端元应该同时被选择，而不是由SQ-EEA 强制顺序选择。一般来说，由于穷举搜索的结果，同时搜索到所有的端元会产生巨大的计算量。另一方面，一般来说 SQ-EEA 的提取效果可能不如 SM-EEA好。相比而言，SQ-EEA 最大的优势是可以显着减少计算量[31]。

【参考文献】