基于GPU的遥感影像归一化植被指数算法研究

发布时间：2017-09-28 09:22

  本文关键词：基于GPU的遥感影像归一化植被指数算法研究

  更多相关文章： 归一化植被指数 图形处理单元 直方图 二维线程映射模型 加速比

【摘要】：随着遥感传感器获取数据的技术渐渐成熟,方式也正在多样化,获取的数据分辨率越来越高,因此获取的影像数据量呈指数级地增长,同时也造成了单幅影像的数据大小成倍增加,对处理器计算单元和存储器存储带宽都有了更高的要求,最终造成计算机处理遥感影像数据的负荷急剧增大,产生大量的计算时间。遥感影像处理系统往往要求具有实时或准时处理大规模数据的能力,基于CPU串行架构的植被指数提取算法已经不能满足这种需求。已有的加速提取遥感影像归一化植被指数研究主要集中在使用多核CPU并行处理方式上,或者部分操作过程用GPU来实现加速,整个计算过程没有经过严格的任务划分,也没有制订合理的线程分配方案。因此,研究归一化植被指数并行算法,提高执行效率,就显得尤为重要。为解决以上出现的问题,本文提出了一种基于GPU的遥感影像归一化植被指数研究方法。一方面,通过分析归一化植被指数研究内容,设计了并行算法的详细流程,并对计算任务进行合理的划分,将符合GPU计算特点的任务并行化;另一方面,结合CUDA架构特点,制订最优的线程映射模型、研究特定的GPU优化技术。具体来说,本文主要工作与贡献有以下几点:1.简单介绍了GPU的历史及发展趋势,详细论述了CUDA技术基础。2.通过分析归一化植被指数研究内容,利用ERDAS IMAGINE软件实现多光谱遥感图像波段分离,得到实验所用的红外波段和近红外波段图像数据;基于Open CV实现图像的读取与显示,图像读入内存后以Mat类型数据结构存储;详细论述算法涉及到的遥感图像处理操作,计算图像灰度直方图、直方图拉伸、直方图均衡化、图像二值化(大津法),以便根据图像处理的特点来确定是否能够并行化。3.从算法的基本思想出发,分析算法并行化的想法是否可行,在得知可行的基础上设计算法提取流程;研究CPU与GPU任务划分原则、核函数的维线程映射模型(Two-Dimension);GPU存储方面选择读取速度较快的共享存储器,并通过thread Dim.x+1的行来避免发生bank conflict;最后,根据选用的GPU的技术参数,优化核函数的执行参数,即启动block和thread的数量,使GPU的性能发挥至最大。4.通过验证算法结果和一系列相关测试,得出实验结论:本文提出的研究方法在归一化植被指数信息提取应用上能够获得很好的加速比。
【关键词】：归一化植被指数 图形处理单元 直方图 二维线程映射模型 加速比
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 1 绪论10-16
• 1.1 研究背景及意义10-12
• 1.1.1 研究的背景10-11
• 1.1.2 研究的意义11-12
• 1.2 国内外研究现状12-14
• 1.3 研究内容与结构安排14-16
• 2 GPU通用并行计算与CUDA技术基础16-26
• 2.1 GPU发展简介16-17
• 2.2 GPU与CPU的对比17-19
• 2.3 CUDA架构19-25
• 2.3.1 CUDA软件环境19-20
• 2.3.2 CUDA编程模型20-21
• 2.3.3 CUDA存储器模型21-23
• 2.3.4 CUDA执行模型23-25
• 2.4 本章小结25-26
• 3 遥感影像归一化植被指数研究内容26-34
• 3.1 归一化植被指数研究方法26-27
• 3.2 多光谱遥感图像波段分离27-29
• 3.3 基于OpenCV的图像读取与显示29
• 3.4 遥感图像处理29-32
• 3.4.1 数字图像灰度直方图29-30
• 3.4.2 图像的增强处理（对比度拉伸）30-31
• 3.4.3 基于OTSU算法的图像二值化处理31-32
• 3.5 本章小结32-34
• 4 基于GPU实现遥感影像归一化植被指数算法34-46
• 4.1 算法加速的可行性分析34-35
• 4.2 算法的并行化35-39
• 4.2.1 CPU与GPU任务划分35-37
• 4.2.2 线程映射模型37-39
• 4.3 并行算法的实现流程39-40
• 4.4 算法的准确性验证40-45
• 4.4.1 使用ENVI实现归一化植被指数算法41-43
• 4.4.2 对归一化植被指数并行算法的结果验证43-44
• 4.4.3 归一化植被指数提取结果误差分析44-45
• 4.5 本章小结45-46
• 5 遥感影像归一化植被指数并行算法优化46-54
• 5.1 block和thread数量优化46-48
• 5.2 共享存储器访问优化48
• 5.3 并行算法性能测试48-53
• 5.3.1 测试环境及方法48-50
• 5.3.2 block和thread数量优化后的性能对比50-51
• 5.3.3 共享存储器访问优化后的性能对比51-52
• 5.3.4 归一化植被指数提取算法的性能对比52-53
• 5.4 本章小结53-54
• 6 总结与展望54-56
• 6.1 研究工作总结54
• 6.2 进一步的工作与展望54-56
• 参考文献56-59
• 致谢59-61
• 攻读学位期间发表的学术论文与参加的项目61-62

【相似文献】

中国期刊全文数据库 前10条

1 李小文,高峰,王锦地,A.Strahler,C.Schaaf;二向性归一化植被指数:概念及应用[J];自然科学进展;2001年08期

2 郝晓剑;周汉昌;刘良云;姜三平;;归一化植被指数测量仪的研制与应用[J];中北大学学报(自然科学版);2006年05期

3 韩晶;邓喀中;范洪冬;;基于归一化植被指数的城市热岛效应分析[J];测绘与空间地理信息;2012年09期

4 田野;徐恒力;刘双;李海龙;;基于归一化植被指数变化分级的千山植被变化[J];中国水土保持;2010年01期

5 王今殊;;北京地区陆表温度空间分布特征与下垫面的关系[J];徐州师范大学学报(自然科学版);2009年04期

6 王军德;李元红;张新民;胡想全;;基于RS的石羊河上游归一化植被指数分析[J];人民黄河;2008年11期

7 杜子涛;占玉林;王长耀;宋广智;;基于MODIS NDVI的科尔沁沙地荒漠化动态监测[J];国土资源遥感;2009年02期

8 符思涛;周云;;基于遥感影像的归一化植被指数算法研究[J];江西测绘;2010年03期

9 冯锐;纪瑞鹏;武晋雯;张玉书;王宏博;陈鹏狮;于文颖;张淑杰;;FY3/MERSI和EOS/MODIS归一化植被指数差异分析[J];中国农学通报;2010年19期

10 夏双;阮仁宗;颜梅春;佘远见;王玉强;;洪泽湖湿地类型变化分析[J];南京林业大学学报(自然科学版);2012年01期

中国重要会议论文全文数据库 前2条

1 卓嘎;李欣;罗布;王彩云;;西藏地区近期植被变化的遥感分析[A];第27届中国气象学会年会气候资源应用研究分会场论文集[C];2010年

2 张红卫;陈怀亮;申双和;孙睿;;基于MODIS数据的农田浅层土壤湿度指数的构造与应用[A];第26届中国气象学会年会农业气象防灾减灾与粮食安全分会场论文集[C];2009年

中国重要报纸全文数据库 前1条

1 本报记者 李长青 通讯员 陈鹏狮;风云之眼聚焦东北湿地[N];中国气象报;2009年

中国硕士学位论文全文数据库 前3条

1 孟鹤;基于GPU的遥感影像归一化植被指数算法研究[D];河南大学;2016年

2 冯欣;城市扩展及热岛效应的动态监测与研究[D];东北林业大学;2007年

3 彭丽;基于MODIS和气象数据的陕西省小麦与玉米产量估算模型研究[D];浙江大学;2014年

，

本文编号：935037