基于GPU的高光谱图像分类与目标检测
本文选题：高光谱图像 切入点：GPU 出处：《南京理工大学》2017年硕士论文 论文类型：学位论文
【摘要】：随着高光谱遥感技术的不断发展,高光谱遥感已经在许多自然地球科学领域发挥着重要的作用,比如图像识别与分类、地图绘制与修正、灾害侦查与预防等。高光谱图像具有数据量大、波段多等特点,已有的处理算法尽管已经取得了较好的结果,但是时效性不理想,难以满足高光谱图像在实际应用中对于实时性的需求。近年来,GPU(Graphics Processing Unit)技术得到不断的发展。在NVIDA公司的推动下,以CUDA(Compute Unified Device Architecture)统一构架为基础的CPU/GPU异构平台逐渐得到更多研究人员的重视。CUDA构架的平台综合利用了 GPU高并行计算能力与CPU强逻辑控制能力,为提升算法效率开辟了一个新的路径。本文对高光谱遥感领域的分类算法与目标检测算法设计了基于CPU/GPU异构平台并行优化方法。在保证分类和检测精度的基础上,提高算法运行效率,利用Visual Studio/MFC设计开发了基于GPU并行优化的高光谱图像分类与目标检测系统软件,并结合实际高光谱图像进行实验测试。主要内容包括:第一,基于GPU针对空谱加权核稀疏表示高光谱图像分类算法(SWGSCI-KSRC)设计 了其相应的并行优化方法。SWGSCI-KSRC 方法在 KSRC(Kernel Sparse Representation Classification,KSRC)模型的基础之上,通过加入空谱加权图(Spatial-Spectral Weighted Graph,SWG)和稀疏聚集度(Sparsity Concentration Index,SCI)规则,实现了鲁棒、高精度的高光谱图像分类。然而处理效率较低,处理100MB左右的高光谱数据至少需要1个小时。为了提高算法时效性,论文在全面分析SWGSCI-KSRC的基础上,对于任务分配进行统筹规划并结合CUDA下核函数进行子任务的划分,在存储器方面考虑更多使用共享存储器达到减少访存延迟。在保持精度的基础上明显提升了算法效率,获得了 41倍的加速比。第二,针对基于低秩分解的空谱联合高光谱图像分类(Low-Rank Decomposition Spectral-Spatial method,LRDSS)设计了并行优化方法。优化后的算法是利用CPU的强逻辑控制能力和GPU高计算能力来实现。在CPU/GPU异构混合平台的应用过程当中,根据实际算法的设计,充分考虑硬件底层结构特点,保证设备间的负载均衡,降低交互开销,实现CPU与GPU的最大化效率,最终取得了较高的加速比。第三,针对基于低秩和稀疏表示的高光谱图像目标检测(Low-Rank And Sparse Representation,LRASR)设计了 GPU并行优化方法。基于LRASR算法,利用GPU的计算带宽高、能力强、能耗低、性价比高的特点,由CPU负责GPU的任务分配,承担管理GPU的工作。在设备端与主机端交互的时候,考虑合并访存的策略来提高程序局部效率,进而达到细粒度并行化的目的。同时,在底层库函数的基础上优化,实现LRASR中的SVD(singular value decomposition)分解。最终实现了精度不变的情况下时间开销得到了大大减少的目的。第四,在上述算法的基础上,利用Visual Studio/MFC设计开发了基于GPU并行优化的高光谱图像分类与目标检测系统软件HICDTS(Hyperspectral Image Classification and Target Detection System based on GPU Parallel Computing),给出了系统框架、主要流程设计,以及高光谱图像显示、光谱库操作、空谱联合分类、目标检测等核心模块的详细设计、开发实现和相应的测试分析。
[Abstract]:......
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP751
【相似文献】
相关期刊论文 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
相关会议论文 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
相关博士学位论文 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 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年
4 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年
5 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年
6 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年
7 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年
8 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年
9 高放;高光谱图像无损预测压缩技术研究[D];吉林大学;2016年
10 曲海成;面向光谱解混的高光谱图像快速处理技术研究[D];哈尔滨工业大学;2016年
相关硕士学位论文 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
，本文编号：1580265
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/1580265.html
