基于GPU的高光谱图像混合像元分解并行优化研究

《基于GPU的高光谱图像混合像元分解并行优化研究》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、声明尸明本学位论文是我在导师的指导下取得的研究成果，尽我所知，在本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均已在论文中作了明确的说明。研究生签名：卑了Jf牛年3月f9日学位论文使用授权声明南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对于保密论文，按保密

2、的有关规定和程序处理。研究生签名：二舡l。峄年多月厂夕日硕士论文基于GPU的高光谱图像混合像元分解并行优化研究摘要高光谱遥感由于其较高空间分辨率和光谱分辨率的特点，被广泛应用于地球科学的各个领域。在整个高光谱图像处理流程中，混合像元分解技术是其关键环节和研究热点。但现有混合像元分解算法执行效率低，无法满足大数据量遥感图像的实时处理需求，而GPU／CUDA架构能够为算法提供接近计算机集群的高计算能力，利用GPU高并行处理能力和高存储带宽的优势来提高混合像元分解算法的执行效率是一种有效的研究思路。针对上述科学问题，本

3、文分析了高光谱遥感的成像机理与线性光谱混合模型，在研究并行计算发展现状、GPGPU异构编程模型和基于CUDA架构的并行优化模式的基础上，结合GPU／CUDA架构，针对传统高光谱混合像元分解和稀疏性高光谱混合像元分解进行了并行优化处理。首先，分析了传统高光谱端元提取算法的基本原理，结合算法中对不同像元处理的不相关性，设计了基于GPU并行计算的PPI和N．FINDR端元提取算法。将传统PPI算法中的向量投影问题转换为矩阵相乘进行并行优化，在保证精度的同时，取得了最高百倍的加速比；同时，提出了端元集并发替换方法对传统N

4、．FINDR算法进行优化，也取得了显著的加速比。其次，对基于非负矩阵分解的高光谱混合像元分解方法进行了深入研究，针对其中代表性的约束非负矩阵分解算法，通过线程映射、存储器优化等方式设计其并行优化方法，然后分别利用模拟和实际高光谱数据进行实验测试分析，验证了其有效性。最后，研究了基于GPU的稀疏性高光谱图像混合像元分解的并行优化方法。为了满足算法实时性的要求，针对基于Ll／2范数的非负矩阵分解高光谱混合像元分解算法(LI／2NMF)中iEN化约束高复杂度的问题，采用合理的任务分配，设计CPU+GPU异构并行计算方法

5、，显著提高了算法处理速度。同时针对一种新稀疏性约束的非负矩阵分解高光谱混合像元分解算法(CSNMF)，利用大规模线程并行计算技术，结合算法原理进行了优化设计与实现，并在TelsaC2050平台上进行了实验测试，测试结果表明基于GPU的并行优化方法能为高复杂度高精度的稀疏性高光谱图像混合像元分解技术带来极大的效率提升，为此类算法在实时性要求较高的遥感信息处理中应用带来可能。关键词：高光谱遥感，混合像元分解，端元提取，稀疏性，GPU，CUDAAbstract硕士论文Duetoitshighspatialresolut

6、ionandspectralresolution，HyperspectralRemoteSensingiswidelyusedinvariousfieldsofEarthscience．Throughoutthehyperspectralimageprocessing，theunmixingtechniqueisthekeylinkandresearchfocus．Theexistingunmixingalgorithmswithlowefficiencycan’tmeettheneedsofreal-timep

7、rocessingoflargeamountsofremotesensingimagedata，whileGPU／CUDAarchitectureCanprovidenearlycomputerclusteralgorithmforhighcomputingpower．UsingthehighmemorybandwidthandpowerfulparallelprocessingabilityofGPUtoimproveunmixingalgorithm’Sefficiencyisaneffectiveresea

8、rchidea．Inresponsetothesescientificissues，thispaperanalyzestheimagingmechanismandlinearspectralmixturemodelofhyperspectralremotesensing，theresearchdevelopmentstatusofparallelcomputing，GPG