胡冰[1]2006年在《遥感图像融合并行算法的研究及实现》文中研究说明遥感图像融合技术是有效利用多传感器、多平台、多光谱、多时相遥感数据的主要途径。随着传感器、遥感平台等相关技术的发展,遥感信息的获取途径越来越多,信息的样式也是多种多样,通过遥感手段获得的数据量也随之急剧增长。与此同时,许多应用领域对遥感图像处理速度的要求也越来越高。显然,传统的单处理器串行融合处理算法已经无法满足这样的运算需求。并行处理却是解决这一问题的重要技术手段。目前,国内外的研究主要集中在提高融合质量上,而针对海量遥感数据融合的大规模并行算法研究尚处于起步阶段。因此研究遥感图像融合的并行算法,将大大提高融合处理效率,具有广阔的应用前景。本文针对上述需求,重点针对叁类典型的遥感图像融合并行算法及其网络服务软件展开了较为深入的研究和实践工作。本文的主要研究工作和贡献如下:1.基于四种主要的IHS变换模型,根据它们对融合效果的影响,重点针对IKONOS卫星图像融合的特性,选取最为适合该类图像的变换模型设计并实现了并行IHS融合算法——P-IHS,并对融合效果和算法复杂性进行了定性和定量地分析。2.针对经典的PCA融合串行算法,提出并实现了一种新的PCA融合并行算法——P-PCA。算法基于多项式变换进行了通信优化,减少了通信次数,提高了算通比。实验结果表明该算法获得了良好的加速比,可扩展性能好,并行效率较高。3.研究了基于小波变换的遥感图像融合处理的并行计算方法,提出并实现了一种面向MIMD系统结构的基于DWT的并行融合算法——P-DWT,通过冗余划分数据块,解决了负载均衡的问题。4.基于B/S模式开发了RIPPS(Remote-sensing Image Parallel Processing System)软件包,其中的并行算法涵盖了众多的遥感图像处理并行算法。RIPPS的软件系统采用层次化、模块化的设计思想,非常有利于软件的维护和扩展。
张灿峰[2]2010年在《高性能遥感图像融合算法研究与实现》文中研究表明遥感图像融合是一个对多遥感器的图像数据和其它信息的处理过程。它着重于把那些在空间或时间上冗余或是互补的多源数据,按一定的规则进行运算处理,获得比任何单一数据更精确、更丰富的信息,生成一幅新的空间、波谱、时间特征的合成图像。随着传感器、遥感平台等相关技术的发展,遥感信息获取途径越来越多,信息的样式也是多种多样,通过遥感手段获得的数据量也随之急剧增长。与此同时,许多应用领域对遥感图像处理速度的要求也越来越高。显然,传统的单处理器串行融合处理算法已经无法满足这样的运算需求。并行就是解决这一问题的重要技术手段。因此研究遥感图像融合的并行算法,将大大提高融合处理效率,具有广阔的应用前景。本文针对上述需求,重点针对叁类典型的遥感图像融合并行算法展开了较为深入的研究和实践工作。本文的主要研究工作和贡献如下:1.从叁类融合算法中各选择了几种典型的融合算法进行研究,对这些算法的并行化加以研究和实现,同时使用真实的遥感图像对这些并行算法进行正确性验证和性能分析。2.并行图像融合算法的性能优化,并将并行融合算法集成到遥感图像并行处理系统中。性能优化主要是改进算法的通信和融合结果回写的方式,减少通信时间,提高加速比和并行效率,减少I/O时间占程序总运行时间的比例。3.能效兼顾的融合算法评价体系研究。本文深入分析现有的基于统计量或基于信息量的各项指标对评价结果的影响,在现有的融合算法评价标准中增加性能因素,提出能够合理反映融合质量和计算效率的定量的综合评价模型,建立能效兼顾且易于量化的新的融合算法评价体系。
陶卫中[3]2007年在《MODIS数据预处理的并行算法设计》文中提出现代空间遥感技术的发展将导致传感器空间分辨率、光谱分辨率的大幅度提高,这些传感器投入运行的结果将使卫星图像的数据量和计算机处理运算量大幅度增加,传统的依靠单机系统的遥感图像处理正面临着新的挑战。主要针对MODIS遥感图像并行处理技术进行研究,涉及到图像处理原理、并行结构以及具体的并行算法等内容,分析和探讨了Modis遥感图像预处理并行算法中的主要研究问题和若干关键技术,包括并行处理模型、支撑环境、并行处理中数据划分以及负载平衡与节点通信等。为此,我们进行了大量调研,在研究并行计算理论和集群体系结构的基础上,结合Modis遥感数据的特点,较深入地研究了并行计算技术在Modis数据预处理中的应用。首先讨论并行计算的基本知识,介绍并行计算机集群的体系结构、并行计算的软件环境和并行算法设计和性能优化方法;接着介绍MODIS遥感图像预处理的知识,从研究遥感图像直方图统计和系统几何校正的串行算法出发,通过分析串行算法的计算密集部分和可并行部分,采用串行程序并行化方法设计了并行算法,重点从负载平衡和通信量的角度讨论了提高并行效率的方法,并对算法进行理论分析;接下来是试验结果部分,介绍了衡量并行算法效率的方法,给出了实验结果并对结果进行了分析;最后对全文的工作进行总结,针对目前的缺点和不足之处,提出了进一步的工作方向。本文研究的内容对相关领域的研究和进展具有十分重要的意义。
赵进[4]2011年在《基于GPU的遥感图像并行处理算法及其优化技术研究》文中研究说明随着遥感技术的快速发展,遥感图像出现了高时间分辨率、高空间分辨率和高光谱分辨率的叁高特点,这使得遥感图像数据量呈现快速海量增长趋势。与此同时,随着现实应用需求的精度要求不断提高,遥感图像处理算法也不断向着计算更复杂、处理更精确的方向发展。而在实际应用中,有些应用又需要实时或者接近实时的处理速度。因此,遥感图像数据处理速度面临着巨大的挑战。在高性能计算领域,CPU-GPU异构混合执行模式是体系结构方向最新的研究成果。GPU(Graphic Process Unit)具有计算单元众多等优点,在计算处理能力方面比CPU具有优势,但在逻辑控制等方面不如CPU。CPU-GPU就是结合CPU与GPU各自的优点而提出的一种新的处理模式。已有的加速处理遥感图像的研究主要集中在使用多核CPU并行处理方式上,本文从新的CPU-GPU异构执行模式出发,选取遥感图像处理过程中配准与融合两个重要步骤,研究其基于GPU的遥感图像并行处理算法及其优化技术。一方面,通过研究通用的并行模型、合理的数据划分,将标准的串行处理程序在保证有效性的前提下移植到GPU上高效执行,另一方面,结合CPU-GPU体系结构特点,研究特定的面向遥感应用的GPU优化技术。具体说来,本文主要工作与贡献有以下几点:1.深入研究了CPU-GPU异构执行模式。新发展的CPU-GPU异构模式有多种执行平台,相比较而言, NVIDA公司GPU编程语言是基于C语言的扩展,更利于程序员快速掌握并充分的发挥GPU的执行性能。因此本文选取了NVIDIA GPU为开发平台,对应的NVIDA CUDA编程语言为开发工具。2.深入研究了遥感图像配准与融合理论。基于小波分解的全局配准算法计算精度高,但耗时较长,因此本文选取了分别基于相关系数与互信息两种相似性测度的小波分解全局配准算法进行并行设计与实现;融合算法种类多,每种算法都在某方面有优势,耗时少的精度不高,精度高的耗时长,因此本文选取了直接融合算法、HPF融合算法、BROVEY变换融合算法、YIQ变换融合算法与IHS变换小波增强融合算法五种计算精度不断提高耗时逐渐增长的典型融合算法进行并行设计与实现。3.研究并设计实现了配准与融合的GPU高性能并行处理算法。对选取的这些配准与融合算法,结合GPU并行执行数据的模式与特点,从通用的并行映射模型、合理的数据划分方式与并行实现的正确性等方面进行并行设计,开发出了高效率的并行算法。实验结果表明,实现的并行算法执行性能得到了显着提升,取得了良好的并行加速比。4.研究并实现了遥感图像GPU高性能处理算法程序面向存储级的优化策略。GPU具有多层次的存储结构,对其合理有效的利用可以进一步提升执行性能。本文结合GPU体系结构特点与处理数据方式,研究了遥感图像应用面向GPU存储级的优化策略,同时研究了这些策略的可扩展性与适应性。实验结果表明,这些优化策略能够很好的适应遥感图像GPU高性能处理领域,对其他领域的应用优化也提供了借鉴。
罗耀华[5]2013年在《高性能计算在高光谱遥感数据处理中的应用研究》文中进行了进一步梳理高光谱遥感是遥感技术的前沿，其蕴含的丰富波谱数据使得地物的定量检测成为可能[1]。在“遥感找矿面临的新挑战”为主要议题的第302次香山科学会议上，一致认为高光谱遥感技术增强了遥感的对地观测能力和地物识别能力，极大的提高了遥感技术的定量化处理能力[2]。高光谱遥感技术使遥感从对地物的鉴别发展到可对地物的直接识别阶段，利用高光谱遥感数据进行矿产探测是遥感技术应用的主要方向之一，已经广泛地应用于资源勘查、灾害监控和环境监测等方面。随着我国“高分”专项的实施以及“资源一号”02C卫星的成功发射和在轨运行，高光谱数据源获取的瓶颈问题将逐步得到解决。高光谱遥感数据包括了空间、辐射和光谱叁重信息[3]，行业应用中的数据量已经达到TB级，已经达到海量数据级别。数据的海量特性严重制约了应用的拓展和实际工程应用效率的提高。如大小为30000*30000的卫星遥感图像，如果采用传统的串行方式进行校正，其运算量将达到数百亿次浮点乘加操作；大量数据操作和处理的复杂性决定了高光谱遥感图像数据处理具有很强的计算性，普通计算机和价格昂贵的专用硬件系统远远无法满足遥感数据处理日益增长的需求。此外，高光谱遥感图像的预处理、校正、分类、填图等应用算法十分复杂，这些因素都严重制约了实际行业应用中矿产勘查工作开展的效率。高性能计算是计算机发展的重要技术之一，也是解决海量数据处理效率低的有效方法，在很多大数据量计算领域已经得到了运用，但是对于海量高光谱遥感数据的高性能计算而言，由于高光谱遥感数据对应几百乃至上千波段不等的数据，波段之间的数据具有关联性，需要将光谱维数据和空间维数据综合使用[4]，进行并行处理时，简单的追求计算速度在应用端反而会造成约束。此外，由于计算机内存限制，读取海量数据时的分块操作也必须考虑光谱维和空间维的统一。本文研究了海量高光谱遥感数据处理方式，并针对高光谱遥感图像特点提出适合CUDA（Compute UnifiedDevice Architecture）和MPI（Message Passing Interface）两种并行环境下并行处理的模型，形成适用于并行环境的高光谱遥感高性能计算优化策略。同时以高光谱遥感混合像元分解以及降维处理算法为例，进行算法的高性能并行化改写，分别构建了基于CUDA和MPI的并行开发架构，设计开发了高性能高光谱遥感混合像元分解处理算法及相应程序，集成了计算机软件及高光谱遥感处理的方法技术，是进一步开展高光谱遥感其他处理方法的高性能计算研究的基础，可以为社会经济可持续发展和矿产资源勘察工作提供技术支撑。最后，对基于MPI/CUDA混合并行模式下的数据处理方式进行了理论研究，建立了混合并行环境下的数据计算模型。主要研究工作如下：（1）研究了适用于并行环境下的海量高光谱遥感数据金字塔模型。（2）研究海量高光谱遥感数据的优化读写算法，突破了商业化软件对海量数据源提取方法源代码的保护。（3）研究并设计了基于GPU的高光谱遥感数据处理并行模式，并以混合像元分解处理方法的并行算法为例程序实现并测试，包括：无约束最小二乘法、和为1的部分约束最小二乘法、端元投影向量法。（4）研究并设计了基于MPI的高光谱遥感数据处理并行模式，以降维处理的并行算法为例进行了验证，包括主成份分析（PCA）以及最小噪声分离（MNF）算法。（5）对于CUDA+MPI混合并行环境下的算法设计和数据计算模型进行了理论研究，为深入研究高性能计算在高光谱遥感中的应用打下了坚实基础。
蒋艳凰[6]2004年在《遥感图像高精度并行监督分类技术研究》文中研究表明遥感作为近几十年迅速发展起来的一门综合性技术学科，因其具有观测范围广、采集信息量大、获取信息速度快等特点，已经在民用和军用的众多领域发挥了重大作用。遥感图像处理是遥感科学与具体应用相结合的重要技术途径。遥感图像分类是遥感图像处理的一个重要内容，其中监督分类作为一种先学习后分类的机器学习策略，是对遥感图像进行定量分析的主要手段，应用领域十分广阔。 随着传感器、遥感平台、数据通信等相关技术的发展，通过遥感手段获取的数据量急剧膨胀，迫切需要快速遥感图像处理技术的支持。同时，各应用领域对遥感图像的处理速度和分析结果的量化程度要求越来越高。高精度、快速的遥感图像监督分类技术是遥感科学走向实用化、产业化的一个重要突破口。 遥感图像监督分类处理包括分类预处理、分类判别和分类后处理叁个阶段。分类判别阶段的学习算法是影响监督分类精度的关键因素。分类预处理阶段的几何校正和分类判别阶段的学习与分类计算复杂度高，是导致遥感图像监督分类处理速度慢的主要原因。本文针对上述应用需求展开深入研究，首先提出几种学习算法用于提高监督分类的预测精度；然后采用并行处理技术，提高遥感图像监督分类的处理速度；最后设计并实现了一个遥感图像并行处理系统。本文的主要创新如下： 1、提出一种通用性好的纠错输出编码方法——搜索编码法。 有效地将多类分类问题转化为多个两类问题，可以拓展众多机器学习算法在遥感领域中的应用。纠错输出编码不仅可将多类问题两类化，而且能够提高监督分类的精度。但是目前没有一种编码算法适用于含任意类别数的监督分类任务。为解决这个问题，本文提出了一种搜索编码法SCM，该算法将二进制位串与非负整数对应起来，通过对整数空间的顺序搜索，获得满足任意类别数和最小汉明距离要求的输出码。将SCM用到多种监督学习算法后，实验结果表明该编码方法不仅适用范围广，而且能够有效地提高预测精度。 2、提出基于搜索编码的结构化神经网络。 Serpico和Roli根据遥感领域中多传感器图像的分类问题，提出了具有特殊结构的神经网络。本文将这两种神经网络结构分别扩展为结构化神经网络SNN和组合式结构化神经网络k-SNN。SNN的网络结构容易确定、网络行为易于理解，但是预测精度较低。k-SNN虽然可以提高SNN的预测精度，但是学习时间过长。为此，本文进一步提出基于搜索编码的结构化神经网络CSNN，并提出一种解释结构化神经网络分类行为的方法。CSNN在保持可理解性的同时，大大提高了结构化神经网络的预测精度。 3、提出基于属性变换的动态离散化方法RCAT，设计并实现了二分决策树系统Btrees。 不同光谱波段的像元灰度值是遥感图像监督分类的基本数据源，属于连续属性。由于国防科学技术大学研究生院学位论文一些重要的监督学习算法只能处理离散属性，对于连续属性的处理需要将连续属性离散化，因此离散化方法的优劣直接关系到监督分类的预测精度。为此，本文提出基于属性变换的动态多区间离散化方法RCAT。RCAI，将待处理的连续属性转化为一个概率属性，通过对概率属性的二分离散化处理，获得原连续属性的一个多区间划分。在RCAT算法的基础上，设计并实现了二分决策树系统BtreeS。与其它离散化方法相比，采用RCAT算法的BtreeS系统生成的决策树不仅预测精度高，而且可理解性强。4、针对分布存储的并行环境，提出两种基于不规则区域计算的并行图像扭曲算法。 分类预处理阶段的几何校正属于数字图像处理领域中的大图像扭曲问题，计算复杂度高、处理时间长，是影响遥感图像监督分类性能的一个关键因素。通过分析现有研究中相关算法的缺陷，本文提出两种基于不规则区域计算的并行图像扭曲算法PIWA一LOC和PI认叭一LIC。PIWA一LOC算法对输入图像进行规则划分，各计算结点通过局部输出区域计算确定本地负载，从而获得很好的数据局部性。PI场rA一LIC算法对目标图像的计算负载进行均衡分配，并通过局部输入区域计算，确定各计算结点所需的输入数据，算法不仅数据局部性好，而且能够实现负载均衡。实验结果表明，对于遥感图像的几何校正问题，这两种并行图像扭曲算法均能获得很好的并行性能，显着提高了分类预处理的速度。其中，PIWA一LIC算法具有更好的通用性。5、针对分布存储的并行环境，对几种监督学习算法进行并行化处理。 对于遥感图像的监督分类问题，一般训练样本和待分类样本的数目庞大，导致学习与分类速度缓慢;另一方面，人们在追求高精度的分类结果的同时，不可避免地增加了学习和分类的复杂度。为此，本文针对分布存储的并行环境，对最近邻法的分类过程、以及论文中所研究的四种神经网络算法的学习过程进行并行化处理。实验结果表明，监督学习算法的并行化能够有效地提高分类判别阶段的处理速度。 基于上述研究成果，结合我国遥感应用领域对高性能遥感图像处理软件的迫切需求，设计并实现了一个遥感图像并行处理系统YH一PRIPS。YH一P租PS采用基于B/S结构的叁层应用模型，并运用高性能并行手段实现遥感图像处理。由于系统采用层次结构与模块?
夏辉宇[7]2014年在《基于MapReduce的遥感影像并行处理关键问题研究》文中研究说明随着传感器技术的高速发展,遥感影像数据规模在近年来呈现出了爆炸式的增长。给传统遥感影像处理领域提出了极大的挑战。如何高效地处理大规模遥感数据,挖掘隐藏在其中的信息和知识,为气候、农业、生态和环境监测等实际应用领域提供决策支撑,是遥感信息科学面临的重要挑战,也是遥感应用研究中急需解决的重要问题。为了满足日益增长的遥感影像数据计算处理需求,获得实时或准实时的处理结果,越来越多的研究开始关注结合高性能并行计算技术对海量遥感影像进行并行处理。面向大规模遥感影像,可扩展性是遥感并行处理算法必备的特性之一。尽管现有遥感影像并行处理研究工作中常用的MPI、 CUDA和OpenMP等并行计算模型在小规模实时性较高的遥感应用中取得了良好的效果,但是这些模型普遍存在扩展性不足的缺陷,无力面对更大规模的准实时遥感处理需求。而近年来,MapReduce并行模型以其良好的可扩展性、高容错性以及编程简单等优点,在遥感并行处理中得到了越来越广泛的应用。本论文从算法及系统两个角度关注MapReduce遥感影像并行处理,针对其中存在的关键性、挑战性问题展开研究。尽管现有基于MapReduce并行模型的遥感并行算法在大规模遥感影像处理中取得了不错的效果,但是由于模型设计上的特点,MapReduce很难实现遥感全局型算法,典型的包括遥感聚类初始化算法的并行化；此外,MapReduce在迭代式遥感算法如遥感聚类算法的并行化中亦存在性能瓶颈。另一方面,现有研究工作中MapReduce遥感处理实验系统的部署方式还存在难以管理和难以快速扩展的问题。本文围绕这些关键问题展开论述,提出一系列具有创新性的解决思路及方法。首先,本文对现有MapReduce遥感并行处理算法研究工作进行高度总结和提炼,在此基础上提出了MapReduce遥感并行算法设计模式。MapReduce遥感并行处理算法设计模式主要包括独立式MapReduce遥感并行算法设计模式和组合式MapReduce遥感并行算法设计模式两种。遵循这些设计模式,大部分自动化程度较高的遥感算法都能够实现MapReduce并行化。其次,本文针对全局型遥感算法MapReduce并行化难点问题,以遥感影像聚类初始化Kaufman算法为具体对象,设计它的并行方案。从传统遥感并行计算数据划分方法的局限性角度分析,提出一种新的基于系统采样的数据划分方法GS3(Grid-based Sequential Systematic Sampling),解决了并行算法执行过程中全局信息的维护的难题,并在GS3的基础上进一步提出基于MapReduce的Kaufman聚类初始化并行算法MPK(MapReduce-based Parallel Kaufman)。实验证明MPK在不损失原有算法精度的前提下,有效减少了处理时间,且具有良好的可扩展性然后,本文针对迭代式遥感算法MapReduce并行化难点问题,选择遥感影像非监督ISODATA聚类算法为具体对象,研究算法的并行化方案。通过分析现有基于MapReduce的遥感ISODATA聚类算法并行化方法中存在的性能瓶颈,以及形成该瓶颈的根本原因,提出一种并行化全局子采样方法PGSS(Parallel Global Sub-Sampling)。再以PGSS全局样本数据块为基础,提出一种改进的并行ISODATA聚类算法SPI(Scalable Parallel ISODATA).实验结果表明,相比传统ISODATA聚类算法,SPI在处理大影像文件时具有更高的精度；同时,SPI还有效解决了现有并行方案中存在的瓶颈问题。此外,本文针对大规模遥感影像并行处理时间受限于影像数据网络传输的问题,提出了一种基于对等网络(P2P)并行传输协议BitTorrent的遥感影像并行流式传输模型BTI-Stream(BitTorrent-based Image Stream)。通过模拟实验,表明BTI-Stream模型在实现高效并行影像流式传输的同时,能够有效保证大量节点并发访问时系统的稳定性,而且在控制对等网络平衡性方面也较同类算法有了较大改进。最后,本文针对现有研究中MapReduce遥感处理(实验)系统部署方式难以管理和快速扩展的问题,设计并构建了一种基于私有云平台的MapReduce遥感并行处理原型系统。得益于云平台OpenStack资源虚拟化技术的优点,运行在虚拟机实例上的MapReduce遥感并行处理原型系统能够快速灵活的扩展节点规模。在此原型系统中开展大规模NDVI时间序列分析处理并应用于遥感植被覆盖分类及水体提取,取得了良好的效果。
杨靖宇[8]2008年在《遥感影像GPU并行化处理技术与实现方法》文中指出可编程图形处理器(GPU)具有强大的并行处理能力,可被看作为一个单指令流多数据流(SIMD)的流式处理器。本文针对遥感影像并行化处理的迫切需求,结合GPU强大的并行处理能力,提出了一种基于GPU的遥感影像并行化处理思路和实现方法。本文的研究既充分挖掘了现有计算机显卡可编程GPU的计算能力,提高了图像处理速度;又为我们提供了一个低成本的并行机编程试验平台。本文主要内容包括:1.在综述遥感影像并行化处理的迫切性、可能性和研究现状的基础上,总结了并行化处理的模式和主要的并行化处理系统;并对GPU的发展历史、体系结构、编程模型及通用计算的主要应用领域进行了论述。2.在深入分析GPU并行化处理特点的基础上,提出了一种GPU并行化处理的基本流程,设计并实现了一个遥感影像GPU并行化处理框架,并对其中的关键技术、优化措施和性能评价等问题进行研究。3.针对GPU自身的设计特点和图像处理算法的复杂程度,重点研究了遥感影像像素级处理算法的GPU并行化实现方法,并结合部分典型操作(监督分类、卷积运算、几何变换和离散小波变换)分别对像素级处理的点运算、局部运算和全局运算进行GPU并行化处理实验,验证了GPU并行化处理能力。4.设计并实现了一个基于GPU的遥感影像并行化处理原型系统GPUParImage。通过本文的研究可以得出结论:GPU对于细粒度的像素级数据并行问题具有明显的计算优势,特别是对计算密集型的算法(如监督分类等)并行加速效果更加明显。但是,其编程灵活性还需要进一步提高。
徐如林[9]2014年在《基于GPU的遥感图像配准并行算法研究及应用系统实现》文中研究表明图像配准在许多遥感应用中是一个重要的、不可缺少的步骤。遥感图像的规模随着数据分辨率的不断提高而日渐增大;同时,图像配准是一个典型的计算和访存密集型过程,计算复杂度较高,采用传统串行处理模式已无法满足军事、农林等高端应用的实时性处理需求。随着GPU计算性能和可编程性的不断提升,GPU通用计算已成为计算机技术领域的研究热点,这为加快遥感图像的处理速度提供了新的思路。本文针对基于区域和基于特征两类配准中的两种典型方法,深入研究了基于GPU的遥感图像配准并行算法及优化策略,并面向实际应用设计实现了相应的并行处理软件原型系统。本文的主要工作和贡献体现在以下几个方面:1.研究理解了CPU-GPU异构执行模式。研究了以n VIDIA公司GPU为代表的GPU体系结构和相应的CUDA编程模型,系统掌握了使用CPU-GPU异构模式开发并行算法的基本技能。2.研究并提出了基于GPU的遥感图像全局配准并行算法。选取一种基于相关系数全局配准算法作为GPU并行算法设计和优化的基础,给出了适合该类方法的GPU并行设计,并从数据加载、线程访存、通信与同步等几个方面给出了针对性的优化实现策略。实验结果表明,GPU并行程序获得了良好的性能加速比。3.研究并提出了基于GPU的遥感图像控制点匹配并行算法。搜索控制点和基于控制点的匹配参数计算是该类配准方法的核心步骤,该步骤涉及不规则数据访问、多重分支、循环迭代等数据相关问题,并行设计和优化更为困难。选取一种基于互信息的控制点匹配算法作为研究对象,在数据流分析的基础上,重点针对互信息计算和最小二乘匹配过程设计了两种GPU并行实现方案。实验结果表明,在难以消除迭代相关的情况下,通过优化利用本地存储、原子操作等方法使得GPU程序仍然获得了10倍以上的加速效果。4.设计实现了一个基于Web的遥感图像并行处理原型系统。系统采用B/S模式,基于Java语言开发,在Spring、Hibernate、Struts框架基础上提供图像处理服务,集成了包括上述配准算法研究成果在内12类共49种遥感图像并行处理算法。系统提供了友好的交互界面并具有良好的可扩展性。
郑友华[10]2010年在《并行计算技术在遥感震害分析处理中的应用研究》文中提出地震是一种突发性的自然灾害,给人类社会和文明带来巨大的灾难。由于地震预报是世界性科学难题,震前防御和震后救援工作,是目前减轻地震灾害损失最有效的方法。遥感是20世纪60年代发展起来的对地观测综合性技术,与传统观测手段相比,具有独特的优势:观测范围大、综合、宏观等;影像信息量大,技术手段多,多方位和全天候的观测能力;获取信息快,更新周期短。长期以来,地震灾害信息的获取主要依靠人工实地勘测,存在着工作量大、效率低、费用高等不足之处。采用遥感技术可以快速获取震后灾区的宏观灾情信息,为灾害快速调查与损失评估、应急救援和恢复重建提供重要依据。随着遥感技术的发展,遥感图像的分辨率逐渐增高,数据量随之急剧增长,单机处理能力已不能满足海量的遥感图像数据快速处理要求。遥感图像的处理速度在很大程度上成为制约遥感技术应用的瓶颈,给遥感图像处理技术带来了新的挑战。本论文以并行计算技术在海量遥感图像数据处理和震害提取中的应用作为研究选题,以期大幅度提高遥感震害分析处理的速度和精度。本论文首先介绍了遥感技术应用于震害信息提取的现状,对并行计算的相关概念、并行计算机发展历程、当今主流并行编程环境等进行了概述,以及并行计算技术的发展趋势——CPU+GPU异构集群以及MPI、OpenMP、CUDA和OpenCL的混合并行编程环境。在此基础上,分析了遥感图像处理中并行计算技术应用的现状;叙述了基于Windows和MPI的Beowulf集群构建过程;以相关系数法和比值法这两个常用的变化检测法作为遥感震害信息提取方法,在所构建的集群上实现了基于主从模式的并行算法,并采用汶川8.0级地震北川县城区震前和震后遥感资料进行了变化检测并行计算实验,通过并行计算的加速比和运算效率分析,对并行计算的效果进行了讨论。综合以上研究,本文得到如下结论:(1)采用相关系数变化检测法得到相关系数大小与震害程度具有较好的对应关系。相关系数较小的区域震害严重,反之震害较轻。同样,采用比值法变化检测计算的结果与目视解译法所得的结果具有较好的对应关系。这些结果说明了本文所给出的并行化处理方法的可靠性以及可行性。(2)相关系数法(以9×9窗口为例)并行计算的加速比和效率分析结果表明,并行计算中在每个计算节点上所启动的进程数不大于该节点上处理器核心数时,利用并行计算实现的相关系数法获得了较好的性能;在不考虑非计算进程的影响情况下,加速比是进程数的0.9倍以上,而效率都维持在90%以上;原则上,计算进程数与节点的处理器核心数一致时,该节点的加速比和效率是最优的;计算进程数超过节点的处理器核心数时,该节点的加速比和效率反而会下降。(3)对比值法并行计算所得到的加速比和效率分析结果表明,仅考虑节点计算进程时,并行计算仍然具有很好的加速比和计算效率。但由于比值法的计算量较小,数据读写与通信时间所占比例较高,导致各从进程等待主进程接收结果或者等待主进程发送待处理的数据块,造成总体上加速比和效率不太理想。这与本文采用的主从模式的并行算法有关,该模式适用于大计算量的情形,而比值法计算量相对很小,因此主从模式设计的比值计算法难以体现并行计算的优势。(4)对相关系数法不同窗口大小下的加速比和效率分析表明,同等情况下,窗口越大则加速比和效率越好。这是由于不同窗口下,非计算进程(主要是数据存取、数据划分和数据通信)执行所消耗的时间变化不太大,但大窗口时计算时间占总运行时间的比例有较大的增加。可见主从模式比较适合于具有大计算量的情形。在遥感震害信息提取并行化计算实验中,也存在着一些问题与不足:(1)震后遥感图像上地物变化较大,使得震前震后图像配准的精度难以达到亚像元级,因而对变化检测的结果有所影响。但并不影响本文并行算法性能分析的结果。(2)本文采用的数据划分策略以及数据缓冲区大小固定的方案,没有把参与计算的进程数量考虑在内,在一定程度上造成各节点间负载平衡效果不是很理想,从而影响了并行计算性能的提升。(3)本文采用的主从设计模式以及节点间进程分配方法在计算量相对较小时会导致数据存取和通信时间所占比例相对较大,从而导致并行计算性能的下降。(4)本文对相关系数法的串行算法进行了初步的优化,但并行程序还有可优化的空间,通过对算法和程序进一步研究,预期将得到实用化的遥感震害变化检测并行计算程序。综上所述,本论文的研究工作成果达到了预期目标,有望将该成果应用到进一步的研究与实践中。
参考文献：
[1]. 遥感图像融合并行算法的研究及实现[D]. 胡冰. 国防科学技术大学. 2006
[2]. 高性能遥感图像融合算法研究与实现[D]. 张灿峰. 国防科学技术大学. 2010
[3]. MODIS数据预处理的并行算法设计[D]. 陶卫中. 华中科技大学. 2007
[4]. 基于GPU的遥感图像并行处理算法及其优化技术研究[D]. 赵进. 国防科学技术大学. 2011
[5]. 高性能计算在高光谱遥感数据处理中的应用研究[D]. 罗耀华. 成都理工大学. 2013
[6]. 遥感图像高精度并行监督分类技术研究[D]. 蒋艳凰. 国防科学技术大学. 2004
[7]. 基于MapReduce的遥感影像并行处理关键问题研究[D]. 夏辉宇. 武汉大学. 2014
[8]. 遥感影像GPU并行化处理技术与实现方法[D]. 杨靖宇. 解放军信息工程大学. 2008
[9]. 基于GPU的遥感图像配准并行算法研究及应用系统实现[D]. 徐如林. 国防科学技术大学. 2014
[10]. 并行计算技术在遥感震害分析处理中的应用研究[D]. 郑友华. 中国地震局地震预测研究所. 2010
标签：工业通用技术及设备论文; 自动化技术论文; 遥感影像论文; 并行计算论文; 并行处理论文; mapreduce论文; 遥感图像处理论文; 图像融合论文; 监督分类论文; 数据融合论文; 分类数据论文; cpu时间论文; 时间计算论文; 图像处理论文; 高光论文; 算法论文;