【摘要】：高光譜遙感是觀測地球的一種重要手段,但礙于傳感器精度的限制,通常情況下探測器檢測到的數(shù)據(jù)中往往包含了多重地物信息,這些混合在一起的信息就組成了混合像元�；旌舷裨拇嬖谥萍s了高光譜圖像處理中分類精度的提高及目標(biāo)探測的準(zhǔn)確性�；诰�性光譜混合模型解混中最重要的一步就是端元提取。傳統(tǒng)的端元提取算法如N-FINDR,VCA等算法,都無法適應(yīng)數(shù)據(jù)量巨大以及噪聲較大的高光譜圖像,并且缺乏信息反饋機(jī)制。離散粒子群端元提取算法可以解決上述問題,但離散粒子群端元提取算法仍具有計(jì)算效率太低的缺點(diǎn)。近年來,GPU被應(yīng)用到了高光譜圖像處理上,并表現(xiàn)出了良好的性能。因此,我們可以將基于GPU的并行設(shè)計(jì)用于離散粒子群端元提取算法。本文結(jié)合GPU/CUDA架構(gòu),采用了基于離散粒子群的高光譜端元提取的并行處理算法。針對DPSO算法中含有大量矩陣運(yùn)算,例如矩陣乘法、矩陣求逆、矩陣求和等在CPU上耗時(shí)較高的部分借助CULA庫、CUBLAS庫以及編寫相應(yīng)的核函數(shù),進(jìn)行了并行化處理。通過實(shí)驗(yàn),對比個(gè)人PC端上串行和并行的版本,加速比可以達(dá)到2倍。與此同時(shí),進(jìn)一步研究了影響算法迭代收斂次數(shù)的因子,通過實(shí)際實(shí)驗(yàn)研究,找到既能滿足時(shí)間要求又能保持良好提取精度的參數(shù)優(yōu)化策略,并加上了預(yù)處理步驟。通過Tesla K20平臺基于GPU/CUDA架構(gòu)的G-DPSO實(shí)驗(yàn)表明,基于GPU的并行優(yōu)化方法能復(fù)雜度高、數(shù)據(jù)量大的高光譜圖像端元提取技術(shù)效率,可以達(dá)到準(zhǔn)實(shí)時(shí)應(yīng)用級別。
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751
【圖文】：

圖 1.1 光譜混合模型常見的混合像元分解模型主要有：線性混合光譜模型（Linear Spectral MixtureModel, LSMM）和非線性混合光譜模型的模糊監(jiān)督分類模型、神經(jīng)網(wǎng)絡(luò)模型等。其中，線性混合光譜模型更為常用。混合像元分解算法主要包括三步：端元數(shù)量確認(rèn)、數(shù)據(jù)降維、端元選取和豐度反演，如圖 1.2。確認(rèn)高光譜圖像中的端元數(shù)量就是確認(rèn)圖像中所包含的地物的種類的數(shù)量。端元的數(shù)量往往是通過 Neyman-Pearson 檢測理論得到圖像的虛擬維度[3]（VirtualDimensionality, VD）或稱為有效維度，以此來作為該高光譜圖像的端元數(shù)量的。數(shù)據(jù)降維（Dimensionality Reduction）是將高維圖像識別問題轉(zhuǎn)化為特征表達(dá)向量的識別問題的過程。假設(shè)某個(gè)具有 L 個(gè)波段的高光譜圖像，那么它的每個(gè)像元也都是 L 維，所在的向量空間通常被稱為 L 維特征空間。波段數(shù)量的減少也就是 L 維

重慶郵電大學(xué)碩士學(xué)位論文 第 1 章 引言干擾等問題。這些多余的信息不僅會(huì)干擾計(jì)算過程而且也會(huì)加大計(jì)算的壓力。常用的數(shù)據(jù)降維方法包括主成分分析[4]（Principal Components Analysis, PCA）、 最大噪聲分?jǐn)?shù)[5]（Maximum Noise Fraction, MNF）等。端元提�。‥ndmember Extraction）是本文的主要目的，將在后續(xù)章節(jié)中進(jìn)行闡述。豐度反演（Abundance Estimation）是用端元提取后得到的目標(biāo)端元組去估計(jì)原始圖像每個(gè)像元中各個(gè)端元所占的比例，這個(gè)比例就稱為豐度。

重慶郵電大學(xué)碩士學(xué)位論文 第 1 章 引言中 SM-EEA 包括 PPI，N-FINDR，MVT，CCA，SPCA-EEA，F(xiàn)CLS-EEA 和 AMEEA，而 SQ-EEA 包括 IEA，VCA，SGA，UFCLS-EEA 和 HOS-EEA。從技術(shù)上講，最佳的端元提取算法必須是 SM-EEA，因?yàn)樗械亩嗽獞?yīng)該同時(shí)被選擇，而不是由SQ-EEA 強(qiáng)制順序選擇。一般來說，由于窮舉搜索的結(jié)果，同時(shí)搜索到所有的端元會(huì)產(chǎn)生巨大的計(jì)算量。另一方面，一般來說 SQ-EEA 的提取效果可能不如 SM-EEA好。相比而言，SQ-EEA 最大的優(yōu)勢是可以顯著減少計(jì)算量[31]。

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 李楊;;基于CUDA的三維數(shù)據(jù)場可視化加速技術(shù)研究[J];電子技術(shù)與軟件工程;2015年12期

2 章浩;龐振山;姚長利;張明華;;基于CUDA技術(shù)的礦產(chǎn)儲量計(jì)算[J];地質(zhì)通報(bào);2009年Z1期

3 遲學(xué)斌;趙毅;;高性能計(jì)算技術(shù)及其應(yīng)用[J];中國科學(xué)院院刊;2007年04期

4 李曉磊,邵之江,錢積新;一種基于動(dòng)物自治體的尋優(yōu)模式:魚群算法[J];系統(tǒng)工程理論與實(shí)踐;2002年11期

相關(guān)博士學(xué)位論文 前1條

1 孫偉東;CUDA計(jì)算技術(shù)在生物序列數(shù)據(jù)處理中的應(yīng)用研究[D];東北大學(xué);2011年

相關(guān)碩士學(xué)位論文 前5條

1 胡俊;基于CUDA的RAR密碼恢復(fù)系統(tǒng)的研究[D];中山大學(xué);2014年

2 崔曉燕;基于CUDA的指紋識別加速算法的研究[D];大連海事大學(xué);2013年

3 胡博;基于CUDA的遙感圖像運(yùn)動(dòng)目標(biāo)檢測[D];西安電子科技大學(xué);2013年

4 金曉麗;基于CUDA的分子動(dòng)力學(xué)非鍵作用計(jì)算方法的研究[D];蘇州大學(xué);2012年

5 鄒有;基于CUDA的穩(wěn)定流模擬[D];湖南師范大學(xué);2011年

本文編號：2801159