高光谱遥感蚀变矿物填图算法并行设计与实现

摘要

高光谱遥感影像分类方法的研究一直在高光谱技术研究领域占据着十分重要的地位。随着高光谱成像技术的进步，遥感影像的空间分辨率和波谱分辨率不断提高，高光谱遥感影像的数据量变得越来越大。数据量庞大的遥感影像严重制约了高光谱遥感影像分类技术在实际生产生活中的应用，提高遥感影像分类算法性能的需求变得越来越迫切。高光谱遥感影像分类并行技术成为遥感影像处理技术的发展趋势。
　　 可编程图形处理器(GPU)具有强大的并行处理能力，基于GPU的通用计算是近年来并行计算领域的热点。本文首先介绍了CUDA架构的一些基本知识，包括CUDA的配置、CUDA编程模型、CUDA架构下GPU内线程的分布方式、CUDA内核函数的调用方式和一些基本的CUDA函数。然后介绍了四种常用的高光谱遥感影像分类算法:光谱角度填图算法、光谱相关系数填图算法、光谱信息散度填图算法、光谱波形匹配填图算法，并结合CUDA编程模型完成了四种算法的并行化设计工作。本文利用VS2008和CUDA完成了并行程序的编写，通过实测高光谱遥感数据验证了算法的可行性和有效性。
　　 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（如本文的四种监督分类等）并行加速效果更加明显。

目录

声明

摘要

第1章 前言

1．1 研究背景及意义

1．2 国内外研究现状

1．3 主要研究内容和技术路线

1．4 本文结构框架

第2章 GPU并行计算简介

2．1 GPU计算的发展

2．2 CUDA

2．3 CUDA编程简介

2．3．1 CUDA开发环境配置

2．3．2 CUDA C的一些常用名词及解释

第3章 高光谱遥感影像蚀变矿物填图算法简介

3．1 高光谱遥感图像分类特点

3．2 高光谱影像的分类算法

3．2．1 光谱角度匹配(Spectral Angle Mapping，SAM)

3．2．2 光谱相关系数匹配(Spctral Correlation Mapping，SCM)

3．2．3 信息散度匹配(Spectral Information Divergence Mapping，SIDM)

3．2．4 光谱波形匹配(Spectral Wave Mapping，SWM)

第4章 蚀变填图算法并行设计

4．1 波普库数据重采样的并行策略设计

4．2 四种算法的并行策略设计

第5章 并行算法实现

5．1 实验数据及环境配置

5．2 算法实现细节

5．2 实验结果分析

总结与展望

总结

展望

致谢

参考文献

攻读学位期间取得学术成果