云計(jì)算在高光譜圖像分類中的應(yīng)用研究.pdf

1、遙感技術(shù)中，高光譜遙感技術(shù)非常有利于深入挖掘地物的理化特性及不同地物的精細(xì)識別，因此其在圖像分類和識別等方面具有獨(dú)特的優(yōu)勢。
　　但是由于高光譜技術(shù)在不同的時間，空間以及光譜波段所采集到的遙感圖像的不同，產(chǎn)生了龐大的遙感圖像數(shù)據(jù)，而且采集到的數(shù)據(jù)具有多波段，維度大的特點(diǎn)，因此遙感進(jìn)入大數(shù)據(jù)時代。本文主要基于分布式云計(jì)算架構(gòu)Hadoop，設(shè)計(jì)了像素的任務(wù)分配策略、分布式的類間距離求解和類別計(jì)算方法，對高光譜圖像數(shù)據(jù)分類的最近正則子空

2、間算法進(jìn)行并行化設(shè)計(jì)。實(shí)驗(yàn)表明，針對高光譜圖像分類算法的數(shù)據(jù)密集及計(jì)算密集問題，8個計(jì)算節(jié)點(diǎn)可以實(shí)現(xiàn)約6倍加速。與Hadoop相比，在Spark架構(gòu)上并行實(shí)現(xiàn)的算法的加速效果更好，在其基礎(chǔ)上加速了2倍左右，并且研究了分布式Hadoop與高性能計(jì)算GPU的融合，進(jìn)一步提高并行效率。
　　本文的主要內(nèi)容安排如下:
　　1、通過大量的文獻(xiàn)調(diào)研，了解了遙感圖像分類，云計(jì)算平臺以及云計(jì)算技術(shù)在遙感圖像處理上的應(yīng)用。在學(xué)習(xí)了幾種高光譜圖

3、像分類算法基礎(chǔ)上，選擇了最近正則子空間分類算法，并對其進(jìn)行了編程實(shí)現(xiàn)。
　　2、在分析了高光譜圖像數(shù)據(jù)特性的基礎(chǔ)上，對云計(jì)算技術(shù)中常用于分布式批處理計(jì)算的Hadoop架構(gòu)和基于內(nèi)存計(jì)算的Spark框架的相關(guān)技術(shù)和工作流程進(jìn)行了研究。
　　3、將最近正則子空間分類算法應(yīng)用于Hadoop平臺，使用并行編程框架MapReduce編程實(shí)現(xiàn)高光譜圖像數(shù)據(jù)快速分類?？紤]到目前的高光譜圖像數(shù)據(jù)的海量增長以及圖像分類的實(shí)時要求，分析了使用分

4、布式并行架構(gòu)Hadoop來實(shí)現(xiàn)該分類算法的優(yōu)勢，將高光譜圖像數(shù)據(jù)進(jìn)行分塊，分發(fā)到多個節(jié)點(diǎn)上進(jìn)行處理，并行化實(shí)現(xiàn)算法，達(dá)到了良好的加速效果。
　　4、基于內(nèi)存計(jì)算的開源集群計(jì)算系統(tǒng)Spark，結(jié)合最近正則子空間分類算法，研究在使用同一幅高光譜圖像的條件下，與基于Hadoop實(shí)現(xiàn)的并行程序運(yùn)行時間以及分類準(zhǔn)確率進(jìn)行比較，同時探討在運(yùn)行時不同節(jié)點(diǎn)數(shù)對分類效率的影響。
　　5、研究分布式架構(gòu)Hadoop與高性能計(jì)算GPU融合對實(shí)現(xiàn)矩