基于GPU的高光譜圖像混合像元分解并行優(yōu)化研究.pdf

1、高光譜遙感由于其較高空間分辨率和光譜分辨率的特點，被廣泛應用于地球科學的各個領域。在整個高光譜圖像處理流程中，混合像元分解技術是其關鍵環(huán)節(jié)和研究熱點。但現(xiàn)有混合像元分解算法執(zhí)行效率低，無法滿足大數(shù)據量遙感圖像的實時處理需求，而GPU/CUDA架構能夠為算法提供接近計算機集群的高計算能力，利用GPU高并行處理能力和高存儲帶寬的優(yōu)勢來提高混合像元分解算法的執(zhí)行效率是一種有效的研究思路。
　　針對上述科學問題，本文分析了高光譜遙感的成像

2、機理與線性光譜混合模型，在研究并行計算發(fā)展現(xiàn)狀、GPGPU異構編程模型和基于CUDA架構的并行優(yōu)化模式的基礎上，結合GPU/CUDA架構，針對傳統(tǒng)高光譜混合像元分解和稀疏性高光譜混合像元分解進行了并行優(yōu)化處理。
　　首先，分析了傳統(tǒng)高光譜端元提取算法的基本原理，結合算法中對不同像元處理的不相關性，設計了基于GPU并行計算的PPI和N-FINDR端元提取算法。將傳統(tǒng)PPI算法中的向量投影問題轉換為矩陣相乘進行并行優(yōu)化，在保證精度的同

3、時，取得了最高百倍的加速比;同時，提出了端元集并發(fā)替換方法對傳統(tǒng)N-FINDR算法進行優(yōu)化，也取得了顯著的加速比。
　　其次，對基于非負矩陣分解的高光譜混合像元分解方法進行了深入研究，針對其中代表性的約束非負矩陣分解算法，通過線程映射、存儲器優(yōu)化等方式設計其并行優(yōu)化方法，然后分別利用模擬和實際高光譜數(shù)據進行實驗測試分析，驗證了其有效性。
　　最后，研究了基于GPU的稀疏性高光譜圖像混合像元分解的并行優(yōu)化方法。為了滿足算法實時

4、性的要求，針對基于L1/2范數(shù)的非負矩陣分解高光譜混合像元分解算法(L1/2NMF)中正則化約束高復雜度的問題，采用合理的任務分配，設計CPU+GPU異構并行計算方法，顯著提高了算法處理速度。同時針對一種新稀疏性約束的非負矩陣分解高光譜混合像元分解算法(CSNMF)，利用大規(guī)模線程并行計算技術，結合算法原理進行了優(yōu)化設計與實現(xiàn)，并在TelsaC2050平臺上進行了實驗測試，測試結果表明基于GPU的并行優(yōu)化方法能為高復雜度高精度的稀疏性高