高光谱图像分类的GPU并行优化研究

摘要

目前，高光谱遥感的应用领域涵盖了地球科学的各个方面，成为对地观测、地图绘制、资源勘探、灾害调查、军事侦察等遥感应用领域的新型技术手段。高光谱图像分类是高光谱图像分析的重要内容之一，由于高光谱图像分类处理具有数据量大、算法复杂度高等特点，现有串行分类算法的执行效率往往较低，很难满足高光谱图像处理中实时分类的需求。近年来，随着高性能计算技术的进步，GPU(Graphic Processing Unit)通用计算技术在科学计算领域得到了迅速发展。与CPU相比，GPU拥有更强的并行计算能力和更高的浮点处理能力等优点，为加速高光谱图像分类处理提供了新的有效途径。
　　空谱联合的高光谱图像分类方法，在利用像元光谱信息的同时，充分考虑高光谱图像空间上下文信息，能够取得较高的分类精度，但空间信息的加入，亦进一步增加了分类算法的计算量。如何在保证分类精度的同时提高算法执行效率，是高光谱遥感信息处理领域一个亟待解决的关键问题。本文在分析高光谱图像分类原理及GPU并行计算基础上，基于GPU/CUDA架构针对空谱联合的高光谱图像分类进行了并行优化研究，并通过对比实验，分析验证了算法的有效性和高效性。论文的主要工作包括:
　　首先，针对基于空间相关性正则化的稀疏表示分类方法，设计了基于GPU的并行优化方法。基于空间相关性正则化的稀疏表示分类方法，在稀疏表示分类模型基础上通过添加空间相关性约束项，有效提高了稀疏表示方法的分类效果，然而该方法需要在训练字典中为每一个测试样本搜索表示该样本的原子，算法复杂度较高。本文在对串行算法性能分析的基础上，通过任务分解和存储器访问优化等，对计算量较大的求解过程进行了并行优化，有效提高了算法的分类效率，并利用实际高光谱数据进行了实验分析验证。
　　其次，设计了基于GPU/CUDA的空谱联合核稀疏表示分类并行优化方法。核稀疏表示适用于非线性可分高光谱数据分类的问题，空谱联合核稀疏表示分类方法，在核稀疏表示分类框架下，利用邻域滤波核来描述相邻像元的空间相似性，进一步提高了分类效果。本文利用GPU上大规模并行线程，加速核矩阵和分类模型的求解过程，并设计访存优化策略减少CPU和GPU间的数据交互。与CPU平台上串行和多核并行算法的实验对比，验证了上述优化方法的有效性和高效性。
　　第三，在CPU+GPU异构平台上设计了基于稀疏表示和马尔科夫场空间先验的有监督分类的并行优化方法。马尔科夫场是对图像空间信息建模的有效工具，在贝叶斯分类框架下，将基于l1/2正则化的稀疏表示方法与马尔科夫场空间先验相结合进行分类，能够进一步提高分类精度。本文根据算法特点，对基于稀疏表示和马尔科夫场空间先验的有监督分类计算过程，进行了合理的任务分配和存储优化，综合利用CPU的逻辑控制能力和GPU的并行计算能力，提高算法执行效率。与串行算法相比，并行优化后的算法取得了较高的加速比。
　　最后，针对高光谱遥感信息处理的实时应用需求，本文在贝叶斯框架下对基于稀疏多项式逻辑回归(SMLR)的高光谱图像分类方法进行了并行优化研究，通过对算法迭代过程的并行化重构，设计实现了一个实时并行分类方法，满足了目标探测、军事侦察、生化监测等遥感实时应用需求。然而，该方法仅利用光谱信息进行分类，分类精度还有一定的提升空间。为了在高分类精度和执行效率间取得平衡，本文进一步研究了基于加权马尔科夫场的SMLR高光谱图像分类方法，设计了相应的并行优化方法。利用多个实际高光谱图像进行的实验表明，该并行优化方法较好地取得了执行效率与分类精度之间的平衡。

目录

声明

摘要

1 绪论

1．1 课题研究背景和意义

1．2 研究现状

1．2．1 空谱联合的高光谱图像分类

1．2．2 高光谱图像处理的GPU并行优化

1．3 论文主要内容及结构安排

1．3．1 论文主要研究内容

1．3．2 论文结构安排

2 基于CUDA的GPU并行计算

2．1 GPU并行计算概述

2．2 GPU并行编程技术

2．3 CUDA并行计算架构

2．3．1 CUDA硬件架构

2．3．2 CUDA软件体系

2．3．3 CUDA编程模型

2．3．4 CUDA存储器模型

2．3．5 CUDA程序性能优化

2．4 论文实验平台

2．5 本章小结

3 稀疏性高光谱分类的GPU并行优化

3．1 引言

3．2 基于稀疏表示的高光谱图像分类

3．3 基于空间相关性正则化的稀疏表示分类并行优化

3．3．1 基于空间相关性正则化的稀疏表示分类算法原理

3．3．2 基于GPU的并行优化设计

3．3．3 实验及结果分析

3．4 基于空谱联合核稀疏表示分类的GPU并行优化

3．4．1 基于空谱联合核稀疏表示分类算法原理

3．4．2 基于GPU的并行优化设计

3．4．3 实验及结果分析

3．5 本章小结

4 基于贝叶斯框架的高光谱图像分类并行优化

4．1 引言

4．2 马尔科夫场空间先验的贝叶斯分类

4．3 CPU+GPU异构平台下基于稀疏表示和MRF空间先验分类的并行优化

4．3．1 基于稀疏表示和马尔科夫场空间先验的监督分类算法原理

4．3．2 CPU+GPU异构平台下的并行优化

4．3．3 实验及结果分析

4．4 基于稀疏多项式逻辑回归的高光谱图像实时分类方法

4．4．1 稀疏多项式逻辑回归方法原理

4．4．2 基于GPU的LORSAL实时分类方法设计

4．4．3 实验及结果分析

4．5 基于加权马尔科夫场的高光谱分类并行优化

4．5．1 基于加权马尔科夫场的高光谱分类算法原理

4．5．2 基于GPU的并行优化设计

4．5．3 实验及结果分析

4．6 本章小结

5 结束语

致谢

参考文献

攻读硕士学位期间发表的论文和出版著作情况