基于GPU的高光谱遥感MNF并行方法研究

最小噪声分离变换(MNF)是高光谱遥感影像分类中特征提取和去除噪声的有效方法.MNF算法涉及大量的矩阵运算,在实际工程的海量数据处理中存在计算时间长的问题.在分析MNF算法原理的基础上,运用图形处理单元(GPU)并行框架对该算法进行优化,并通过不同大小的高光谱遥感数据进行计算和分析.结果表明,随着影像数据量的递增,采用并行计算方式的提速比呈明显上升趋势,说明GPU并行方式对于计算密集型的大数据量处理具有良好的提速效果,为解决海量高光谱遥感数据处理速度慢的问题提供了思路.     

基于Atrous-HIS变换的多光谱遥感影像多核并行融合方法

为适应遥感影像高效融合的应用需求，提出了一种基于Atrous-HIS变换的多光谱与全色影像并行融合方法.首先设计了一种结合了Atrous和HIS变换的遥感影像串行融合算法，分析了它的详细处理步骤.随后在该算法中引入OpenMP并行技术，并且制定了并行策略，优化了处理流程，最终实现了一种高效的并行影像融合算法.实验结果表明，该方法可以实现多光谱与全色影像的快速融合，具有良好的加速比，可扩展性好，并行效率高.     

基于IDL的高光谱遥感图像的矿物信息提取

针对矿区的高光谱遥感图像,在IDL平台下,设计开发了一套矿物组合填图软件,该软件主要采用光谱角度填图法（SAM）和光谱相关系数填图法（SCM）从高光谱遥感图像上提取出各种矿物的蚀变矿物信息,完成对各种矿物进行不同的颜色填充并加以区别,最后进行有选择的查看．     

基于SAM遥感影像的分类技术研究

目的以混合像元提纯为突破口,研究遥感影像高分类精度的方法,以减少由于地物波谱的复杂性、传感器空间分辨率的局限性导致混合像元普遍存在而引起的影像信息不确定性和分类精度低指标性。方法利用光谱角（SAM）分类法,经过混合像元辨别和提纯、端元样区的定义等步骤,对影像进行分类。结果与传统最大似然分类法比较实验结果表明,SAM方法对地表覆盖比较复杂的零散地区遥感影像分类具有较高的精度。结论因选择合适的方法消除了混合像元,SAM是一种有效的遥感影像智能分类方法,对提高影像分类精度具有极为重要的实践意义。     

基于CUDA的卫星影像快速Mask匀光方法研究

针对大数据量的卫星遥感影像进行匀光处理的过程计算量大,效率低的情况,本文提出了一种基于CUDA平台的卫星影像快速匀光并行处理方法,根据现有算法结构上的特点,将处理过程中的主要运算部分交由GPU完成。实验通过对资源三号卫星所得影像做匀光处理,对比了GPU与多核CPU运行速度和效果,分析了该方案的加速性能和实用性。实验表明,在保持原处理质量的同时,该方法构建的并行处理模型有效地提高了原有匀光算法的处理速度。     

基于多线程归并排序算法设计

为解决传统递归方式的归并排序算法串行执行效率低的问题, 使用数据依赖关系分析方法对归并排序算法进行并行性分析。通过分析发现算法本身具有并行的特征, 在多核处理器下使用OpenMp编译制导语句对算法进行直接并行化处理。在数据量较大的情况下, 为了使算法执行的速度更快, 在多核处理器系统中设置多个线程, 并将序列分成多个组, 每个线程操作一组数据, 最后对多个局部有序的结果进行逐一合并。实验验证结果表明, 该并行化算法可使执行速度提高50%以上。     

WCDMA系统上行扰码算法的优化及其实现

针对WCDMA系统上行扰码中信号处理能力弱的问题,提出一种将1位串行输出电路转化为8位并行输出电路的算法,并与1位串行输出、2位并行输出和4位并行输出在资源面积、处理速度等方面进行比较,数据比较表明8位并行输出电路可以显著提高系统的信号处理能力.通过与文献(王文焕.用FPGA实现WCDMA下行扰码[J].现代电子技术.2002(2):62-63)在硬件及软件仿真两个方面的对比发现,该文算法的处理速度提高到原来的8倍.使用FPGA板实现该算法的硬件电路,且对此电路进行测试,结果表明该电路可以实现预期功能.     

基于均匀驱动计算架构的卫星影像快速Mask匀光方法研究

针对大数据量的卫星遥感影像进行匀光处理的过程计算量大,效率低的情况,提出了一种基于均匀驱动计算架构(compate unified device architecture,CUDA)平台的卫星影像快速匀光并行处理方法。根据现有算法结构上的特点,将处理过程中的主要运算部分交由GPU完成。实验通过对资源三号卫星所得影像做匀光处理,对比了GPU与多核CPU运行速度和效果,分析了该方案的加速性能和实用性。实验表明,在保持原处理质量的同时,该方法构建的并行处理模型有效地提高了原有匀光算法的处理速度。     

开放式计算语言加速的分段前缀和并行算法

针对数值计算中前缀和运算数据量大、耗时巨大这一难题,提出了一种基于开放式计算语言（Open Computing Language,OpenCL）的分段式前缀和并行算法。首先进行了分段式前缀和算法的并行性分析,对任务进行了层次化分解与组合,设计了两级并行的分段式前缀和算法;然后通过OpenCL编程将前缀和并行算法映射到CPU+GPU系统平台上,实现了层次化并行前缀和处理;最后,根据计算单元（Compute Unit,CU）的资源条件,增加CU中本地存储器的分配,通过改进工作节点的访问模式来降低bank冲突,提高访存速度。实验结果表明,与基于AMD Opteron 2439 SE CPU的串行算法、基于OpenMP（Open Multi-Processing）并行算法和基于统一计算设备架构并行算法性能相比,前缀和并行算法在OpenCL架构下NVIDIA Tesla C2075计算平台上分别获得了33.51倍、6.26倍和2.41倍的加速比。验证了提出的并行优化方法的有效性和性能可移植性。     

基于GIS的BP神经网络遥感影像分类研究

传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布且难以加入地理辅助数据．通过分析BP网的分类原理与学习算法，采用了融合遥感影像光谱数据和GIS产生的地理辅助数据进行土地利用类型分类的方法．选择最能反映实验区土地利用信息的光谱数据，结合DEM数据和坡度数据，通过归一化处理后进行BP网的训练分类．将分类结果与采用最大似然法所得的结果综合比较，结果表明，该方法优于最大似然法．     

形态梯度重构的标记分水岭高光谱影像分割

传统分水岭算法通常对梯度图像做无标记分割,其结果是容易造成过度分割。为了克服过分割的缺陷,进而应用于复杂的高光谱遥感图像分割,结合形态学预处理方法,在对图像实施平滑处理的同时,利用形态学开闭重构技术对梯度图像进行重建,在此基础上对高光谱遥感梯度重建图像进行标记分水岭分割。实验证明,这种处理技术对高光谱遥感图像的分割效果良好,能够满足高光谱遥感图像分类与信息提取的需要。     

SAM和决策树结合的Hyperion数据分类方法

在地面实测波谱分析的基础上，采用决策树对波谱角（SAM）分类方法进行改进，自动地进行波谱角阂值选择，提出一种新的基于SAM和决策树相结合的综合分类模型。该模型用于云南鹤庆地区土地覆被信息提取，并与最大似然分类法（MIC）的分类结果进行比较。结果表明，就每一类型而言，SAM结合决策树分类的分类精度较高；最大似然法监督分类总体精度为79．4％，SAM结合决策树分类的综合分类模型总体精度为88．5％，比监督分类精度高9．9％。     

用于高光谱遥感图像分类的空间约束高斯过程方法

高光谱遥感图像分类是遥感图像处理的一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征的变化将使得仅从标记训练样本得到的分类器分类精度不会太高.为了提高分类的精度,一方面应对光谱信息的合理利用;另一方面,对空间信息的利用也非常重要.高斯过程(Gaussion process,GP)是一种贝叶斯统计学习方法,能够建立概率模型,并且使得分类结果更易于解释.传统GP分类方法中核函数的构造仅利用光谱信息.本文提出了一种加入空间关系的新分类方法.利用遥感图像空间相关性,在GP分类方法中通过构造新的核函数(spatial Gauss kernel,SGK)来实现空间约束,部分消除了同物异谱和同谱异物造成的分类错误.实验结果表明,该方法对于提高高光谱遥感图像的分类精度具有积极意义.     

运用EO-1 Hyperion数据和单类支持向量机方法提取岩性信息

将扩展的单类支持向量机方法运用到高光谱岩性识别中, 并分析和评价该方法的性能。利用单类支持向量机分别提取各个感兴趣的岩性类别, 对于被识别为多个岩性类别的像元, 根据该像元与每个单类支持向量机所确定的分类超平面的距离来确定属于哪一类别, 这样, 利用扩展的单类支持向量机来可提取多个感兴趣的岩性类别。将该方法运用到新疆准噶尔地区的EO-1 Hyperion高光谱数据岩性分类中, 并与传统的光谱角制图方法进行比较。结果表明, 扩展的单类支持向量机方法的岩性分类精度显著高于光谱角制图方法, 是一种新的可用于高光谱数据的岩性分类方法。     

植被高光谱遥感分类方法研究

结合具体的OMISI高光谱遥感数据，对各种常用植被高光谱遥感分类方法进行分类训练，通过比较分类性能，得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上，提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。     

基于深度残差卷积神经网络的高光谱图像超分辨方法

卷积神经网络由于其强大的非线性表达能力在自然图像的处理问题中已经获得了非常大的成功。传统的稀疏表示方法利用精确配准的高分辨率多光谱图像,从而限制了实际应用。针对传统方法的不足,本文提出了一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应的多光谱图像。我们构建深度残差卷积神经网络挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系。构建的深度学习网络串联多个残差块,并去除一些不必要的模块,如批标准化层,每个残差块只包含两个卷积层,这样在保证模型效果的同时又加快模型的效率。此外,因为遥感图像训练数据缺乏,我们充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上,解决了训练样本缺乏问题。最后,基于实际的遥感数据超分辨实验结果表明,本文所提出的方法具有良好的性能,能得到较好的超分辨效果。     

基于最小体积约束的非负矩阵分解模型的高光谱解混算法探究

高光谱遥感图像中,遥感影像的分类精度和地物识别会因混合像元的存在而受到影响,从而限制了遥感科学向定量化发展.基于最小体积约束的非负矩阵分解方法,不仅不需要假定纯像元的存在,而且在自动提取端元的同时获取对应的丰度图,这种非监督的光谱解混技术克服了传统方法的限制条件,为高光谱图像中混合像元问题的解决提供了新的思路和方法.     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

陕西丰镐地区航空高光谱遥感数据预处理研究

目的对获取的丰镐地区航空高光谱遥感数据进行前期数据处理和校正。方法通过辐射校正、噪音去除、航带间差异调整、几何校正等图像处理方法对畸变和误差较大的遥感数据进行校正。结果获得了高质量、高精度的数据,为后续光谱定标、分类识别及信息提取提供了理想的图像。结论本方法对校正航空高光谱图像存在的较为严重的辐射畸变和几何畸变有良好效果。