資源描述:
《基于GPU的高光譜圖像混合像元分解并行優(yōu)化研究》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、聲明尸明本學(xué)位論文是我在導(dǎo)師的指導(dǎo)下取得的研究成果,盡我所知,在本學(xué)位論文中,除了加以標(biāo)注和致謝的部分外,不包含其他人已經(jīng)發(fā)表或公布過的研究成果,也不包含我為獲得任何教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過的材料。與我一同工作的同事對本學(xué)位論文做出的貢獻(xiàn)均已在論文中作了明確的說明。研究生簽名:卑了Jf牛年3月f9日學(xué)位論文使用授權(quán)聲明南京理工大學(xué)有權(quán)保存本學(xué)位論文的電子和紙質(zhì)文檔,可以借閱或上網(wǎng)公布本學(xué)位論文的部分或全部內(nèi)容,可以向有關(guān)部門或機(jī)構(gòu)送交并授權(quán)其保存、借閱或上網(wǎng)公布本學(xué)位論文的部分或全部內(nèi)容。對于保密論文,按保密
2、的有關(guān)規(guī)定和程序處理。研究生簽名:二舡l。嶧年多月廠夕日碩士論文基于GPU的高光譜圖像混合像元分解并行優(yōu)化研究摘要高光譜遙感由于其較高空間分辨率和光譜分辨率的特點(diǎn),被廣泛應(yīng)用于地球科學(xué)的各個(gè)領(lǐng)域。在整個(gè)高光譜圖像處理流程中,混合像元分解技術(shù)是其關(guān)鍵環(huán)節(jié)和研究熱點(diǎn)。但現(xiàn)有混合像元分解算法執(zhí)行效率低,無法滿足大數(shù)據(jù)量遙感圖像的實(shí)時(shí)處理需求,而GPU/CUDA架構(gòu)能夠?yàn)樗惴ㄌ峁┙咏?jì)算機(jī)集群的高計(jì)算能力,利用GPU高并行處理能力和高存儲(chǔ)帶寬的優(yōu)勢來提高混合像元分解算法的執(zhí)行效率是一種有效的研究思路。針對上述科學(xué)問題,本
3、文分析了高光譜遙感的成像機(jī)理與線性光譜混合模型,在研究并行計(jì)算發(fā)展現(xiàn)狀、GPGPU異構(gòu)編程模型和基于CUDA架構(gòu)的并行優(yōu)化模式的基礎(chǔ)上,結(jié)合GPU/CUDA架構(gòu),針對傳統(tǒng)高光譜混合像元分解和稀疏性高光譜混合像元分解進(jìn)行了并行優(yōu)化處理。首先,分析了傳統(tǒng)高光譜端元提取算法的基本原理,結(jié)合算法中對不同像元處理的不相關(guān)性,設(shè)計(jì)了基于GPU并行計(jì)算的PPI和N.FINDR端元提取算法。將傳統(tǒng)PPI算法中的向量投影問題轉(zhuǎn)換為矩陣相乘進(jìn)行并行優(yōu)化,在保證精度的同時(shí),取得了最高百倍的加速比;同時(shí),提出了端元集并發(fā)替換方法對傳統(tǒng)N
4、.FINDR算法進(jìn)行優(yōu)化,也取得了顯著的加速比。其次,對基于非負(fù)矩陣分解的高光譜混合像元分解方法進(jìn)行了深入研究,針對其中代表性的約束非負(fù)矩陣分解算法,通過線程映射、存儲(chǔ)器優(yōu)化等方式設(shè)計(jì)其并行優(yōu)化方法,然后分別利用模擬和實(shí)際高光譜數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測試分析,驗(yàn)證了其有效性。最后,研究了基于GPU的稀疏性高光譜圖像混合像元分解的并行優(yōu)化方法。為了滿足算法實(shí)時(shí)性的要求,針對基于Ll/2范數(shù)的非負(fù)矩陣分解高光譜混合像元分解算法(LI/2NMF)中iEN化約束高復(fù)雜度的問題,采用合理的任務(wù)分配,設(shè)計(jì)CPU+GPU異構(gòu)并行計(jì)算方法
5、,顯著提高了算法處理速度。同時(shí)針對一種新稀疏性約束的非負(fù)矩陣分解高光譜混合像元分解算法(CSNMF),利用大規(guī)模線程并行計(jì)算技術(shù),結(jié)合算法原理進(jìn)行了優(yōu)化設(shè)計(jì)與實(shí)現(xiàn),并在TelsaC2050平臺(tái)上進(jìn)行了實(shí)驗(yàn)測試,測試結(jié)果表明基于GPU的并行優(yōu)化方法能為高復(fù)雜度高精度的稀疏性高光譜圖像混合像元分解技術(shù)帶來極大的效率提升,為此類算法在實(shí)時(shí)性要求較高的遙感信息處理中應(yīng)用帶來可能。關(guān)鍵詞:高光譜遙感,混合像元分解,端元提取,稀疏性,GPU,CUDAAbstract碩士論文Duetoitshighspatialresolut
6、ionandspectralresolution,HyperspectralRemoteSensingiswidelyusedinvariousfieldsofEarthscience.Throughoutthehyperspectralimageprocessing,theunmixingtechniqueisthekeylinkandresearchfocus.Theexistingunmixingalgorithmswithlowefficiencycan’tmeettheneedsofreal-timep
7、rocessingoflargeamountsofremotesensingimagedata,whileGPU/CUDAarchitectureCanprovidenearlycomputerclusteralgorithmforhighcomputingpower.UsingthehighmemorybandwidthandpowerfulparallelprocessingabilityofGPUtoimproveunmixingalgorithm’Sefficiencyisaneffectiveresea
8、rchidea.Inresponsetothesescientificissues,thispaperanalyzestheimagingmechanismandlinearspectralmixturemodelofhyperspectralremotesensing,theresearchdevelopmentstatusofparallelcomputing,GPG