面向光谱解混的高光谱图像快速处理技术研究
本文选题：光谱解混 切入点：降维 出处：《哈尔滨工业大学》2016年博士论文
【摘要】：高光谱传感器空间分辨率、光谱分辨率的不断提高以及对同一地物场景的连续观测,产生了大量宝贵的高精度数据,为高光谱数据的处理及应用带来更多机会。然而其巨大的数据量及算法复杂性的增加,也给其应用带来不少挑战。当前大部分高光谱图像处理算法要求计算系统具有快速的数据分析与处理能力,以及模块化的业务处理模式。光谱解混是高光谱图像处理研究的重要分支,也同样需要高效的并行处理算法和高性能的硬件加速技术来支持系统运行。基于CPU/GPU协同的细粒度线程级并行计算技术为加速光谱解混处理带来新的途径。本文围绕高光谱解混相关的快速处理技术开展了一系列研究工作,为进一步挖掘高光谱数据的应用潜能,拓展其应用研究领域奠定了基础;高光谱特有的快速图像处理理论的研究,具有一定的理论意义和研究价值。论文首先进行了高光谱解混算法可并行分析及细粒度并行化设计。研究从高光谱图像数据自身存储结构特点、典型解混算法处理过程中任务依赖和数据依赖关系入手,从算法并行化设计和硬件加速实现两个层面进行分析研究,研究了不同粒度下,硬件自身属性、算法特性和数据规模及存取方式等因素对高光谱图像解混处理算法并行化实现性能影响规律。为解决特定算法性能优化空间不明确问题,引入PCAM(划分-通信-组合-映射)设计思想,将高光谱数据存储结构、数据传输方式(同步/异步)、细粒度线程分配、算法计算复杂度等因素联合考虑,提出了CPU/GPU协同计算模式下基于小波神经网络的高光谱数据、算法和硬件“三位一体”算法加速性能分析评估模型,为取得全局最佳加速比提供了科学依据。接着重点研究了高光谱解混预处理及相似度量算法快速处理。前者用于高光谱数据快速降维处理,后者在解混精度分析中采用。高光谱数据降维处理中,重点研究了基于主成分分析的高光谱数据快速降维处理技术,采用基于CPU和GPU混合并行技术进行算法并行化设计和实现。针对主成分分析算法中最耗时部分,分别采用QR迭代和NIPALS法进行特征值和特征向量的求取,当提取主成分数目较少时,NIPALS法效率较高。为保证提取的主成分间的正交性,提出了一种基于Gram-Schmidt正交变换的NIPALS-PCA改进算法,在不明显增加计算量的前提下,使得提取主成分间保持正交性。光谱相似度量算法快速处理方面,分别对欧式距离、光谱角匹配、光谱信息散度以及它们之间的组合度量尺度算法进行并行化设计与实现。为提高光谱匹配的精度和速度,提出了基于核变换的KSAM-SID组合光谱度量算法,在保证匹配效果的前提下,采用GPU进行加速实现,提高了算法执行效率。上述工作为高效光谱解混链路快速实现奠定了基础。在上述研究基础上,围绕面向GPU加速的高光谱解混算法及其并行化设计及验证开展研究工作。高光谱解混算法并行化设计中,以伯克利并行设计模式为基础,结合高光谱图像数据三维立方体存储格式、算法处理过程中按像素排列依次处理以及GPU单指令多线程体系结构特点,设计了面向光谱解混处理的GPU加速算法实现框架。重点研究了线性光谱混合模型下基于空间几何结构的端元提取算法以及全约束最小二乘丰度估计算法的并行化设计。将不需要降维的凸面单形体体积计算理论引入N-FINDR和SGA算法中,结合VD和HySime的初始端元数目确定方法,构建了一种新的基于线性光谱混合模型的自动近实时光谱解混算法;同时为加快实际应用中处理速度,提出了满足一定计算精度条件下,基于GPU的细粒度并行优化策略;为降低端元提取算法计算复杂度,从行列式分解计算入手,引入分块行列式计算来降低算法复杂度,实现了快速自动高精度光谱解混。最后,在完成高光谱解混链路快速实现基础上,结合应用评价CPU/GPU协同模式下高光谱图像解混处理算法并行实现的效果。从计算精度、加速效果及硬件性能发挥等方面验证了方法的合理性、有效性,并进一步进行了算法改进和程序优化。
[Abstract]:......
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2016
【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 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年
10 南一冰;星载推扫型高光谱运动成像误差建模与高精度校正技术研究[D];北京理工大学;2015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：1666145
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/1666145.html
