基于GPU的高光譜圖像混合像元分解并行優(yōu)化研究.pdf

1、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(wú)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(shì)來(lái)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(duì)上述科學(xué)問(wèn)題，本文分析了高光譜遙感的成像

2、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(duì)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(duì)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(wèn)題轉(zhuǎn)換為矩陣相乘進(jìn)行并行優(yōu)化，在保證精度的同

3、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(duì)傳統(tǒng)N-FINDR算法進(jìn)行優(yōu)化，也取得了顯著的加速比。
　　其次，對(duì)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(duì)其中代表性的約束非負(fù)矩陣分解算法，通過(guò)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(cè)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)

4、性的要求，針對(duì)基于L1/2范數(shù)的非負(fù)矩陣分解高光譜混合像元分解算法(L1/2NMF)中正則化約束高復(fù)雜度的問(wèn)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，顯著提高了算法處理速度。同時(shí)針對(duì)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(cè)試，測(cè)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