高光谱图像分类的GPU并行优化研究

发布时间：2017-05-14 11:05

  本文关键词：高光谱图像分类的GPU并行优化研究，由笔耕文化传播整理发布。

【摘要】：目前,高光谱遥感的应用领域涵盖了地球科学的各个方面,成为对地观测、地图绘制、资源勘探、灾害调查、军事侦察等遥感应用领域的新型技术手段。高光谱图像分类是高光谱图像分析的重要内容之一,由于高光谱图像分类处理具有数据量大、算法复杂度高等特点,现有串行分类算法的执行效率往往较低,很难满足高光谱图像处理中实时分类的需求。近年来,随着高性能计算技术的进步,GPU (Graphic Processing Unit)通用计算技术在科学计算领域得到了迅速发展。与CPU相比,GPU拥有更强的并行计算能力和更高的浮点处理能力等优点,为加速高光谱图像分类处理提供了新的有效途径。空谱联合的高光谱图像分类方法,在利用像元光谱信息的同时,充分考虑高光谱图像空间上下文信息,能够取得较高的分类精度,但空间信息的加入,亦进一步增加了分类算法的计算量。如何在保证分类精度的同时提高算法执行效率,是高光谱遥感信息处理领域一个亟待解决的关键问题。本文在分析高光谱图像分类原理及GPU并行计算基础上,基于GPU/CUDA架构针对空谱联合的高光谱图像分类进行了并行优化研究,并通过对比实验,分析验证了算法的有效性和高效性。论文的主要工作包括：首先,针对基于空间相关性正则化的稀疏表示分类方法,设计了基于GPU的并行优化方法。基于空间相关性正则化的稀疏表示分类方法,在稀疏表示分类模型基础上通过添加空间相关性约束项,有效提高了稀疏表示方法的分类效果,然而该方法需要在训练字典中为每一个测试样本搜索表示该样本的原子,算法复杂度较高。本文在对串行算法性能分析的基础上,通过任务分解和存储器访问优化等,对计算量较大的求解过程进行了并行优化,有效提高了算法的分类效率,并利用实际高光谱数据进行了实验分析验证。其次,设计了基于GPU/CUDA的空谱联合核稀疏表示分类并行优化方法。核稀疏表示适用于非线性可分高光谱数据分类的问题,空谱联合核稀疏表示分类方法,在核稀疏表示分类框架下,利用邻域滤波核来描述相邻像元的空间相似性,进一步提高了分类效果。本文利用GPU上大规模并行线程,加速核矩阵和分类模型的求解过程,并设计访存优化策略减少CPU和GPU间的数据交互。与CPU平台上串行和多核并行算法的实验对比,验证了上述优化方法的有效性和高效性。第三,在CPU+GPU异构平台上设计了基于稀疏表示和马尔科夫场空间先验的有监督分类的并行优化方法。马尔科夫场是对图像空间信息建模的有效工具,在贝叶斯分类框架下,将基于l1/2正则化的稀疏表示方法与马尔科夫场空间先验相结合进行分类,能够进一步提高分类精度。本文根据算法特点,对基于稀疏表示和马尔科夫场空间先验的有监督分类计算过程,进行了合理的任务分配和存储优化,综合利用CPU的逻辑控制能力和GPU的并行计算能力,提高算法执行效率。与串行算法相比,并行优化后的算法取得了较高的加速比。最后,针对高光谱遥感信息处理的实时应用需求,本文在贝叶斯框架下对基于稀疏多项式逻辑回归(SMLR)的高光谱图像分类方法进行了并行优化研究,通过对算法迭代过程的并行化重构,设计实现了一个实时并行分类方法,满足了目标探测、军事侦察、生化监测等遥感实时应用需求。然而,该方法仅利用光谱信息进行分类,分类精度还有一定的提升空间。为了在高分类精度和执行效率间取得平衡,本文进一步研究了基于加权马尔科夫场的SMLR高光谱图像分类方法,设计了相应的并行优化方法。利用多个实际高光谱图像进行的实验表明,该并行优化方法较好地取得了执行效率与分类精度之间的平衡。
【关键词】：高光谱图像 分类 空谱联合 GPU 并行
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要3-5
• Abstract5-9
• 1 绪论9-16
• 1.1 课题研究背景和意义9-11
• 1.2 研究现状11-14
• 1.2.1 空谱联合的高光谱图像分类11-12
• 1.2.2 高光谱图像处理的GPU并行优化12-14
• 1.3 论文主要内容及结构安排14-16
• 1.3.1 论文主要研究内容14-15
• 1.3.2 论文结构安排15-16
• 2 基于CUDA的GPU并行计算16-26
• 2.1 GPU并行计算概述16-17
• 2.2 GPU并行编程技术17-18
• 2.3 CUDA并行计算架构18-25
• 2.3.1 CUDA硬件架构18-20
• 2.3.2 CUDA软件体系20-21
• 2.3.3 CUDA编程模型21-22
• 2.3.4 CUDA存储器模型22-23
• 2.3.5 CUDA程序性能优化23-25
• 2.4 论文实验平台25
• 2.5 本章小结25-26
• 3 稀疏性高光谱分类的GPU并行优化26-49
• 3.1 引言26
• 3.2 基于稀疏表示的高光谱图像分类26-27
• 3.3 基于空间相关性正则化的稀疏表示分类并行优化27-38
• 3.3.1 基于空间相关性正则化的稀疏表示分类算法原理27-29
• 3.3.2 基于GPU的并行优化设计29-33
• 3.3.3 实验及结果分析33-38
• 3.4 基于空谱联合核稀疏表示分类的GPU并行优化38-48
• 3.4.1 基于空谱联合核稀疏表示分类算法原理38-40
• 3.4.2 基于GPU的并行优化设计40-42
• 3.4.3 实验及结果分析42-48
• 3.5 本章小结48-49
• 4 基于贝叶斯框架的高光谱图像分类并行优化49-81
• 4.1 引言49
• 4.2 马尔科夫场空间先验的贝叶斯分类49-51
• 4.3 CPU+GPU异构平台下基于稀疏表示和MRF空间先验分类的并行优化51-60
• 4.3.1 基于稀疏表示和马尔科夫场空间先验的监督分类算法原理51-53
• 4.3.2 CPU+GPU异构平台下的并行优化53-56
• 4.3.3 实验及结果分析56-60
• 4.4 基于稀疏多项式逻辑回归的高光谱图像实时分类方法60-71
• 4.4.1 稀疏多项式逻辑回归方法原理60-61
• 4.4.2 基于GPU的LORSAL实时分类方法设计61-66
• 4.4.3 实验及结果分析66-71
• 4.5 基于加权马尔科夫场的高光谱分类并行优化71-79
• 4.5.1 基于加权马尔科夫场的高光谱分类算法原理71-73
• 4.5.2 基于GPU的并行优化设计73-75
• 4.5.3 实验及结果分析75-79
• 4.6 本章小结79-81
• 5 结束语81-83
• 致谢83-84
• 参考文献84-91
• 附录91

【相似文献】

中国期刊全文数据库 前10条

1 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期

2 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期

3 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期

4 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期

5 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期

6 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期

7 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期

8 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期

9 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期

10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期

中国重要会议论文全文数据库 前10条

1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年

2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年

6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

2 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年

3 贺霖;高光谱图像自动目标检测技术研究[D];西北工业大学;2007年

4 周爽;蚁群算法在高光谱图像降维和分类中的应用研究[D];哈尔滨工业大学;2010年

5 陈雨时;基于光谱特性的高光谱图像压缩方法研究[D];哈尔滨工业大学;2007年

6 石吉勇;基于高光谱图像技术的设施栽培作物营养元素亏缺诊断研究[D];江苏大学;2012年

7 成宝芝;基于光谱特性的高光谱图像异常目标检测算法研究[D];哈尔滨工程大学;2012年

8 肖光润;基于函数型数据分析的高光谱图像分类研究[D];华中科技大学;2014年

9 许毅平;基于高光谱图像多特征分析的目标提取研究[D];华中科技大学;2008年

10 高恒振;高光谱遥感图像分类技术研究[D];国防科学技术大学;2011年

中国硕士学位论文全文数据库 前10条

1 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年

2 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年

3 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年

4 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年

5 王坤;高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D];南京理工大学;2015年

6 王启聪;高光谱图像分类的GPU并行优化研究[D];南京理工大学;2015年

7 程凯;无先验信息的高光谱图像小目标检测算法研究[D];苏州大学;2015年

8 李秩期;基于高光谱及多信息融合的马铃薯外部缺陷无损检测研究[D];宁夏大学;2015年

9 王健;基于高光谱图像的马铃薯形状及重量分类识别建模研究[D];宁夏大学;2015年

10 吴蓓芬;偏振高光谱图像场景仿真及分类方法研究[D];哈尔滨工业大学;2015年

  本文关键词：高光谱图像分类的GPU并行优化研究，，由笔耕文化传播整理发布。

本文编号：364975