资源描述：
《基于GPU的遥感图像快速去噪处理.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、2010年4月城市勘测Apr.2010第2期UrbanGeotechnicalInvestigation&SurveyingNo.2文章编号:1672-8262(2010)02-96-03中图分类号:P237文献标识码:A基于GPU的遥感图像快速去噪处理3张海军,陈圣波,张旭晴,王亚楠(吉林大学地球探测科学与技术学院,吉林长春130026)摘要:遥感图像在数据采集和传输过程中受到各种噪声干扰,影响了图像本身的质量,不利于遥感图像的应用。本文利用最邻近算法(KNN算法),在基于图像处理器(Graph
2、icProcessingUnit,GPU)的统一计算设备架构(CUDA)架构下,实现了对遥感图像进行了去噪声的并行处理,并与在CPU下的串行处理做了对比,处理速度平均提高近3000倍。遥感图像的其他处理也可以基于GPU实现。关键词:遥感图像去噪;GPU;KNN;并行处理1引言(单指令多线程)运算时,显卡内存访问的延迟可以忽[7]遥感图像在数据采集和传输的过程中受大气和传略,提高了数据处理的速度。本文即是利用NVIDIA感器等外界因素的影响,产生各种外部和内部噪声,为公司的GPU快速并行计算能力,进
3、行KNN滤波器的了达到应用分析遥感图像的目的,需要对遥感图像做遥感图像去噪声,与完全在单CPU下进行串行的图像各种预处理,噪声处理是其中的一个重要步骤。现有去噪声相比,效率有了很大的提高。图像处理算法一般都是串行算法,随着卫星遥感技术的发展与进步,遥感图像的分辨率也在不断提高,伴随2GPU和CUDA架构着数据量也越来越大,因此在处理稍大图像时,串行处GPU它是显卡的“大脑”。简单来说,GPU相当于理速度显得较慢,如何提高处理速度已是人们亟待解专用于图像处理的CPU。在技术的推动下,GPU的应[1]
4、决的问题。图像处理需要大规模的矩阵运算,因此用领域得到了极大的拓展,可以进行视频转码、图形处[2]可以考虑通过并行处理来提高处理速度。现有的图理加速和各种科学运算,已经成为高性能计算的一个像并行处理方法有基于单指令多数据流(SIMD)技术重要工具。近年来,GPU的性能有了显著的提高,其[3]的并行处理结构,针对SIMD的并行图像处理算法,通用计算能力已经远远超过CPU。为满足消费者对图多集中在底层信号或图像处理过程中,并行粒度小,主像快速处理的需求,可编程GPU已发展成为一种具有要是操作级的并行,
5、不能满足复杂任务需求,也难以掌[8]杰出计算能力的高性能计算机平台。NVIDIA推出握。另一种并行处理方法是基于多指令多数据流CUDA(ComputeUnifiedDeviceArchitecture,统一计算(MIMD)的并行处理技术,典型的MIMD系统由多台设备架构),是一种新型的计算模式,用于将GPU上作处理机、多个存储块和一个互联网络组成,每台处理机[4]为数据并行计算设备在GPU上进行计算的发放和管执行各自的指令处理数据。此外,还有一种应用广[8]理,而无需将其映射到图像API。泛的并行
6、处理技术,即网格技术。网格技术能利用广CUDA的基本思想是支持大量的线程级并行,并域范围内闲置的高性能并行计算机、集群和工作站,以充分满足图像处理应用中对高性能计算资源的需在硬件中动态的调度和执行这些线程。进行CUDA编求[5]。程时,将GPU看作可以并行执行多个线程的计算设这些并行计算都是基于集群和工作站,体系庞大,备,它作为CPU的协处理器或者主机来运作。在CPU不便于操作。伴随着集成电路和计算机技术的进步,上运行的应用程序中数据并行的、计算密集的部分卸新一代的图形处理器(GPU)以其优越的并
7、行计算性能载到此设备上,运行在GPU上的函数称为内核函数,和出色的可编程特性,成了图像计算和处理的新利即kernel函数,一个完整的程序由若干个内核函数以[6]器。GPU具有强大的数据并行计算能力,特别适合及运行在CPU上的串行处理共同组成。做运算相同而运算数据不同的运算,当执行具有SIMT3收稿日期:2009—09—10作者简介:张海军(1984—),男,硕士研究生,研究方向:地图学与地理信息系统。第2期张海军等1基于GPU的遥感图像快速去噪处理973KNN算法图像,KNNh,ru(x)是在参数
8、h、r下经过KNN滤波后的KNN(K-NearestNeighbor,k-最邻近算法),就图像,Ω(p)是在像素p的一个N×N邻域,这里N=是取未知样本x的k个近邻,判断k个近邻中多数属2M+1。M为整数,以保证p为Ω(p)的中心像素。1
9、y-x
10、2
11、u(y)-u(x)
12、2于哪一类,就将x归于哪一类。具体说,在N个已知样--KNNh,ru(x)=u(y)er2eh2dyC(x)∫本中,来自ω1类的样本有N1个,来自ω2类的样本有Ω(x)N2个,来自ωc类的样本有Nc个,若k1,k2
