论文部分内容阅读
高光谱遥感技术在地球科学领域应用广泛,并取得了巨大的成功,矿产资源探测是其在地质勘测领域重要的应用之一。但高光谱遥感数据规模大、计算复杂度高,实际应用中的数据处理效率是一个很大的挑战。近年来GPU(graphics processing unit)通用计算技术快速发展,GPU具有处理核心多、处理能力强以及存储器带宽高的特点,能有效提高海量数据处理的效率。同时,GPU硬件体积小、重量轻、花费少,具有较大的应用潜力。本文在分析CPU+GPU异构编程模型的基础上,研究了高光谱遥感岩矿信息提取原理,基于特征提取、端元提取、光谱匹配等提出了基于GPU/CUDA的矿产资源高光谱遥感探测数据快速处理方法,给出了具体的并行优化算法,并利用实际高光谱遥感探测数据实验验证了方法的有效性和快速处理能力。论文工作主要包括:首先,在研究遥感探测数据岩矿信息提取理论的基础上,提出了一套基于GPU的高光谱遥感数据岩矿信息快速提取方法。详细分析了地物的光谱特性以及矿物光谱反射和吸收机理,结合高光谱数据的特点,基于GPU/CUDA设计了以特征提取、端元提取、包络线去除以及光谱匹配为关键步骤的高光谱岩矿信息提取快速处理流程与算法。其次,针对岩矿信息快速提取流程中的关键步骤分别进行了GPU的并行优化设计与实现,提出了相应的性能优化策略,包括优化算法流程、提高访存效率和减少数据访问冲突等。(1)采用PCA(principal component analysis,主成分分析)算法进行特征提取,对PCA中协方差矩阵计算方法进行改进,优化了像元去均值计算流程,并合理分配GPU/CPU计算任务;(2)采用PPI(pixel purity index,纯净像元指数)算法进行端元提取,对该算法计算流程进行优化,并在该算法中将传统向量投影问题转换为矩阵相乘进行并行优化;(3)采用包络线去除与SAM(spectral angle match,光谱角匹配)相结合的算法进行地物光谱匹配,利用像元间计算独立性强、并行程度高的特点,将像元集并发计算,并通过线程映射、存储优化等方式进行并行优化。然后在GPU/CUDA平台上利用实际的高光谱数据进行了岩矿信息提取填图实验,实验结果表明提出的并行设计模型与优化方法,能够快速有效地利用高光谱遥感数据进行岩矿信息提取,在保证提取精度的基础上最大加速比达到81倍。最后,基于CPU+GPU异构平台研究了基于组合核的支撑向量机高光谱遥感图像并行快速分类方法。矿物识别分类是矿产资源探测中重要环节,传统分类方法对样本依赖大、分类精度低,基于组合核的支撑向量机分类方法(SVMCK)联合像元的光谱信息以及空间信息作为SVM的核函数,能够取得较好的分类精度,但是串行算法计算耗时长,不能满足实时性要求较高的遥感应用。本文深入分析了SVMCK串行算法运算过程和性能瓶颈,基于GPU平台针对耗时最多的预计算核部分设计了并行优化策略,包括将谱域中核函数的计算在设备端运行、合理分配空域核函数计算任务、优化算法流程提高访存效率等。通过实际高光谱数据的实验验证了优化算法的有效性和快速分类处理能力。