一种高分辨率遥感图像分类算法时空效率优化方法

摘要

本发明涉及计算机图像处理和遥感技术领域，公开了一种高分辨率遥感图像分类算法时空效率优化方法，采用了对图像进行分块处理的策略，引入了CUDA并行化计算和内存映射文件技术，避免磁盘的读写操作从而极大节省了算法的运行时间，经过合理优化的算法，保留了分块处理方法内存占用少的优点，而且提高了图像文件访问速度，提高遥感图像处理的时间效率和空间效率。

说明书

技术领域

本发明涉及计算机图像处理和遥感技术领域，特别是一种高分 辨率遥感图像分类算法时空效率优化方法。

背景技术

随着卫星遥感技术的快速发展，遥感图像的数据量越来越大。比 如，SPOT-5卫星图像存储了5.76*108个像素，WorldView-2卫星图 像存储了2.62*108个像素。如此大的数据量给遥感数据处理带来极 大的压力和挑战，主要表现在程序运行时间过长、计算机内存不足。 当前计算机CPU主频和内存容量增长比较缓慢，因此依靠硬件性能的 提高解决遥感图像处理时间过长和内存不足的问题比较困难。如何提 高遥感图像处理的时间效率和空间效率，已成为遥感图像处理领域面 临的最紧迫的问题之一。

发明内容

本发明的目的在于提供一种高分辨率遥感图像分类算法时空效 率优化方法，保留了分块处理方法内存占用少的优点，而且提高了图 像文件访问速度，提高遥感图像处理的时间效率和空间效率。

为实现上述技术目的，达到上述技术效果，本发明公开了一种高 分辨率遥感图像分类算法时空效率优化方法，优化算法具体步骤为：

A:图像数据分成若干像素块；

B:使用GDAL函数库中的RasterIO函数逐块加载图像的像素集， 并利用内存映射文件技术逐块像素数据转存到新的磁盘文件中；

C:随机选取K个像素作为初始聚类中心；

D:利用内存映射文件技术从磁盘文件中读取第一个分块的像素 数据，并传输到设备端；

E：在设备端计算分块的各个像素与每一个聚类中心的距离，按 相近原则进行分类；

F：将分类结果传回主机端，并利用内存映射文件技术将结果数 据转存到磁盘文件；

G：如果步骤D中读取的数据是最后一个分块数据，则转至步骤 H，否则读取下一个分块数据并转至步骤E；

H：计算每一类中各个像素的平均值，并以此平均值作为新的聚 类中心；

I：比较新的聚类中心与旧的聚类中心是否相同，比较结束后用 新聚类中心替换旧聚类中心，比较结果不同则转至步骤D，相同则转 至步骤J；

J：将每一个聚类中心的像素值赋值给该类的每一个像素。

其中，图像数据分成若干像素块中,像素块大小为128*128、 256*256、512*512和1024*1024中的一种。

其中，比较新的聚类中心与旧的聚类中心，可采用绝对距离、欧 氏距离、马氏距离、曼哈顿距离、夹角余弦距离度量公式进行相似性 评价。

本发明具有以下有益效果：

1.本发明采用了对图像进行分块处理的策略，引入了CUDA并行化计 算和内存映射文件技术，避免磁盘的读写操作从而极大节省了算法的 运行时间。

2.经过合理优化的算法，保留了分块处理方法内存占用少的优点，而 且提高了图像文件访问速度，提高遥感图像处理的时间效率和空间效 率。

附图说明

图1为本发明的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合 附图及实施例，对本发明进行进一步详细说明。

实施例1

本发明公开了一种高分辨率遥感图像分类算法时空效率优化方 法，优化算法具体步骤为：

A:图像数据分成若干像素块，每块像素块为512*512；

B:使用GDAL函数库中的RasterIO函数逐块加载图像的像素集， 并利用内存映射文件技术逐块像素数据转存到新的磁盘文件中；

C:随机选取K个像素作为初始聚类中心；

D:利用内存映射文件技术从磁盘文件中读取第一个分块的像素 数据，并传输到设备端；

E：在设备端计算分块的各个像素与每一个聚类中心的距离，按 相近原则进行分类；

F：将分类结果传回主机端，并利用内存映射文件技术将结果数 据转存到磁盘文件；

G：如果步骤D中读取的数据是最后一个分块数据，则转至步骤 H，否则读取下一个分块数据并转至步骤E；

H：计算每一类中各个像素的平均值，并以此平均值作为新的聚 类中心；

I：比较新的聚类中心与旧的聚类中心是否相同，比较结束后用 新聚类中心替换旧聚类中心，比较结果不同则转至步骤D，相同则转 至步骤J；

J：将每一个聚类中心的像素值赋值给该类的每一个像素。

其中，比较新的聚类中心与旧的聚类中心，夹角余弦距离度量公 式进行相似性评价。

实施例2

实验目的及方法：为了评价本申请可行性和有效性，本实施例以 K-Means算法为例，使用了一幅裁切后的小图像(600*600像素)和 整景图像(6000*6000像素)进行了实验，对于600*600像素的图像， 对比了“CPU+内存”、“CUDA+内存”和“CUDA+MMF”三种策略单次迭 代花费的时间；对于6000*6000像素的SPOT-5整景图像，“CUDA+内 存”、“CUDA+MMF”和“CUDA+分块”三种策略单次迭代花费的时间。

实验结果：如表1所示：

表1K-Means聚类算法四种实现策略的执行时间(单位：ms)

可以看出，“CUDA+内存”和“CUDA+MMF”策略花费的时间远远小 于“CPU+内存”策略花费的时间，只有后者的3％左右，其中“CUDA+MMF” 策略花费的时间略高于“CUDA+内存”策略花费的时间。

可以看出“CUDA+内存”和“CUDA+MMF”策略花费的时间基本相 同，并且远远小于“CUDA+分块”策略花费的时间，也只有后者的3％ 左右。由此可见MMF技术确实能够极大地提高K-Means聚类算法的时 间效率。

实施例3

实验目的及方法：为了评价本申请可行性和有效性，本实施例以 K-Means算法为例，对于600*600、3000*3000和6000*6000像素的 图像进行“CUDA+内存”、“CUDA+MMF”和“CUDA+分块”三种策略时内 存占用数量进行比较评测。

实验结果：

如表2中显示，对于600*600像素的小图像，“CUDA+MMF”和“CUDA+ 分块”策略占用的内存略小于“CUDA+内存”策略占用的内存；对于 3000*3000像素的中等大小图像，“CUDA+MMF”策略和“CUDA+分块” 策略占用的内存明显小于“CUDA+内存”策略占用的内存，只有后者 的25％左右；对于6000*6000像素的大图像，“CUDA+MMF”和“CUDA+ 分块”策略占用的内存远小于“CUDA+内存”策略占用的内存，只有 后者的10％左右。由此可见，遥感图像的尺寸越大，使用分块处理方 法的“CUDA+MMF”和“CUDA+分块”策略对内存数量的节省越明显。

表2K-Means聚类算法各种实现策略占用的内存数量(单位：KB)

实施例4

实验目的及方法：为了评价本申请可行性和有效性，本实施例以 K-Means算法为例，研究了瓦片大小对“CUDA+MMF”实现策略执行时 间的影响，总共做了5组对比试验。每一组实验中瓦片的大小分别设 定为128*128、256*256、512*512和1024*1024四种尺寸

实验结果：如表3所示：

表3各种瓦片大小下CUDA+MMF策略的执行时间(单位：ms)

可以看出，随着瓦片尺寸变大，“CUDA+MMF”策略的执行时间呈 下降趋势，但是下降幅度很小，通常情况下瓦片大小设定为512*512 像素或256*256像素即可。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范 围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围 之内。