论文部分内容阅读
遥感技术的发展使得人类获取到的遥感图像具有越来越高的空间分辨率和光谱分辨率,遥感图像数据量也呈指数型增长。然而反映同一场景的单一传感器并不能同时获得具有高空间分辨率和高光谱分辨率的遥感图像,所以将多源遥感图像进行融合得到高分辨率多光谱图像具有重要的科学与应用价值。由于遥感图像数据量大、融合处理过程复杂,传统的单机计算模式难以适应大规模遥感数据的计算需求。云计算强大的存储能力和高效的分布式并行计算能力可以有效地解决单机瓶颈问题。本文基于BP神经网络研究了多光谱遥感图像的Pan-Sharpening方法,并基于TensorFlowOnSpark设计实现了多光谱图像Pan-Sharpening的分布式并行算法。针对融合算法任务关系复杂的特点,提出了基于粒子群的多光谱图像融合云计算任务调度优化方法,通过优化各节点上的任务分配,提高融合算法的计算效率。主要内容包括:1、针对多光谱遥感图像融合问题,研究了基于BP神经网络的多光谱遥感图像Pan-Sharpening方法。该方法通过BP神经网络来对高分辨率遥感图像和低分辨率遥感图像之间的复杂关系进行建模,并利用训练好的网络将低分辨率多光谱图像前向传播生成高分辨率多光谱图像。实验表明,该方法生成的融合图像质量比较高,在确保多光谱图像高空间分辨率的同时也避免了光谱失真。2、针对多光谱遥感图像Pan-Sharpening方法的运行效率问题,设计实现了基于云平台和TensorFlowOnSpark框架的BP神经网络并行优化方法。该方法结合Spark平台和TensorFlowOnSpark框架对BP神经网络进行了并行优化,通过HDFS分布式文件系统对大规模遥感数据进行有效地存储,充分利用Spark基于内存计算的特性提高算法的运行效率,在保证算法精度的同时也能有效缩短神经网络训练时间。3、为了进一步提高分布式多光谱遥感图像融合算法的运行性能,基于粒子群算法提出了多光谱图像融合的云计算任务调度优化方法。该方法在利用云平台对基于BP神经网络的Pan-Sharpening方法进行并行优化的基础上,深入分析融合算法的任务流程,利用有向无环图来描述任务之间的相互制约关系,通过粒子群任务调度算法优化任务分配,显著缩短算法的运行时间。4、在上述研究基础上,设计实现了多光谱遥感图像融合系统,给出了系统框架和功能模块设计,包括用户管理、图像输入、参数输入和融合结果展示等模块,并进行了融合精度和任务调度优化方法性能的分析。