基于GPU的高光谱遥感图像PPI并行优化

合集下载

基于GPU的遥感图像融合并行算法研究

２．ＰＬＡｏｆ６８３１０，Ｘｉａｎ７１０６００，Ｃｈｉｎａ；
３．ＰＬＡｏｆ９１７３１，Ｂｅｉｊｉｎｇ１０２２００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＢａｓｅｄｏｎｔｈｅＧＰＵｐａｒａｌｌｅｌｃｏｍｐｕｔｉｎｇｔｅｃｈｎｏｌｏｇｙ，ｔｈｉｓａｒｔｉｃｌｅｃｏｍｂｉｎｅｄｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄａｔａｆｕｓｉｏｎｐｒｏｃｅｓｓｉｎｇ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｕｓｉｎｇＮＶＩＤＩＡＳＣＵＤＡ（ＣｏｍｐｕｔｅＵｎｉｉｆｅｄＤｅｖｉｃｅＡｒｃｈｉｔｅｃｔｕｒｅ）ｐｒｏｇｒａｍｍｉｎｇｆｒａｍｅｗｏｒｋｗｉｔｈＢＲＯＶＥＹａｎｄＹＩＱｆｕｓｉｏｎ
中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：１６７４ — ７７２０（２０１３）０６ — ００３５ — ０３
ＳｔｕｄｙｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｆｕｓｉｏｎｐａｒａｌｌｅｌａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎＧＰＵ
Ｋｅｙｗｏｒｄｓ：ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｆｕｓｉｏｎ；ＧＰＵ；ｐａｒａｌｌｅｌ；ＣＵＤＡ；ｏｐｔｉｍｉｚａｔｉｏｎ

基于GPU的高光谱遥感MNF并行方法研究

基于GPU的高光谱遥感MNF并行方法研究
罗耀华;郭科;赵仕波
【期刊名称】《四川师范大学学报（自然科学版）》
【年(卷),期】2013(036)003
【摘要】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(CPU)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遂提供了思路.
【总页数】4页(P476-479)
【作者】罗耀华;郭科;赵仕波
【作者单位】成都理工大学网络与教育技术中心,四川成都610059;成都理工大学数学地质四川省重点实验室,四川成都610059;成都理工大学数学地质四川省重点实验室,四川成都610059;成都理工大学管理科学学院,四川成都610059;成都理工大学网络与教育技术中心,四川成都610059
【正文语种】中文
【中图分类】TP75
【相关文献】
1.基于GPU的高光谱遥感图像PPI并行优化 [J], 宋义刚;叶舜;吴泽彬;韦志辉
2.基于GPU的高光谱遥感主成分分析并行优化 [J], 柳家福;李欢;贺金平;刘天石;王启聪;吴泽彬
3.基于GPU的信息融合并行方法研究 [J], 邓婕;张兴浦;陈世友
4.基于GPU的加锁并行化非结构网格生成方法研究 [J], 蔡云龙;肖素梅;齐龙
5.基于GPU的并行人脸检测方法研究 [J], 龚强;谢凯;贺建彪;阮宁君
因版权原因，仅展示原文概要，查看原文内容请购买。

基于集群和GPU的高光谱遥感影像并行处理

遥感工程化应用快速处理重要的技术手段。
关键词：高光谱遥感；高性能计算；集群；ＧＰＵ
中图分类号：ＴＰ７５１．１文献标志码：Ａ文章编号：ｌ００７ — ２２７６（２０１３）ｌｌ一３０７０ — ０６
ＷａｎｇＭａｏｚｈｉ，ＧｕｏＫｅ，ＸｕＷｅｎｘｉ
（ＧｅｏｍａｔｈｅｍａｔｉｃｓＫｅｙＬａｂｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ，ＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｃｈｅｎｇｄｕ６１００５９，Ｃｈｉｎａ）
ｄａｔａｐｒｏｃｅｓｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ，ａｎｄｉｔｓｈｏｕｌｄｂｅａｎｉｍｐｏｒｔｎｔａｔｅｃｈｎｉｑｕｅｆｏｒ
Ｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｐａｒａｌｌｅｌｐｒｏｃｅｓｓｉｎｇｂａｓｅｄ
ｏｎｃｌｕｓｔｅｒａｎｄＧＰＵ
第４２卷第ｌ１期
Ｖ０１．４２Ｎｏ．１１
红外与激光工程
ＩｎｒａｆｒｅｄａｎｄＬａｓｅｒＥｎｇｉｎｅｅｒｉｎｇ

基于GPU的高光谱遥感图像PPI并行优化

基于GPU的高光谱遥感图像PPI并行优化宋义刚;叶舜;吴泽彬;韦志辉【期刊名称】《航天返回与遥感》【年(卷),期】2014(000)004【摘要】传统高光谱遥感信息处理算法的执行效率较低，无法满足海量遥感数据的实时处理需求。

文章对基于图形处理器（graphic processing unit, GPU）的高光谱遥感信息处理并行优化方法进行了研究，针对高光谱遥感图像混合像元分解中广泛使用的纯净像元指数算法，提出了一种基于矩阵乘法的 GPU并行优化算法，并给出了实验比较和性能测试数据。

实验表明，该优化方法在保证结果准确性的同时，运行效率显著提升，算法加速比最高达到634倍，验证了基于GPU的高光谱数据处理并行优化算法的有效性，能够较好地满足高光谱遥感信息实时处理的应用需求。

【总页数】7页(P74-80)【作者】宋义刚;叶舜;吴泽彬;韦志辉【作者单位】南京理工大学计算机科学与工程学院，南京 210094;南京理工大学计算机科学与工程学院，南京 210094;南京理工大学计算机科学与工程学院，南京 210094; 南京理工大学连云港研究院，连云港 222006;南京理工大学计算机科学与工程学院，南京 210094【正文语种】中文【中图分类】TP751.1【相关文献】1.基于CPU-GPU异构并行的MOC中子输运计算并行效率优化研究 [J], 宋佩涛; 张志俭; 梁亮; 张乾; 赵强2.基于ARM GPU的机载SAR成像算法并行优化策略 [J], 李威;梁军;张桢;李青3.基于GPU并行优化的网格参数化算法 [J], 吴璇;张举勇4.基于GPU并行优化的网格参数化算法 [J], 吴璇;张举勇5.基于GPU的并行置信传播算法优化加速研究 [J], 孙诗慧;侯骏腾;王海平因版权原因，仅展示原文概要，查看原文内容请购买。

基于GPU的高光谱遥感影像数据处理

基于GPU的高光谱遥感影像数据处理作者：汤媛媛周海芳方民权申小龙来源：《信息安全与技术》2015年第04期【摘要】高光谱图像在以超多波段、光谱分辨率高、信息量丰富等优点给人们提供便利的同时，也带来了实时处理难、计算量大等难题。

近年来，基于GPU的通用计算以其强劲计算能力、高性价比和低能耗等优势席卷了高性能计算领域，国内外学者纷纷针对GPU展开高光谱数据的并行处理研究。

文章对高光谱遥感和GPU研究现状进行了简要介绍，总结了近几年国内外基于GPU的高光谱数据研究现状，指出存在问题和进一步研究的方向，力求为领域科学家进行高光谱图像并行处理研究提供一定参考。

【关键词】高光谱遥感；GPU；国内外研究现状1 引言上世纪80年代遥感科学发展史上出现了一座新的里程碑——高光谱遥感。

高光谱遥感以数以百计的波段数、纳米级的光谱分辨率以及“图谱合一”的特点成为一门新型的综合对地观测技术，受到广大遥感学者的青睐。

自诞生以来已经在国民经济和军事应用等领域得到广泛的推广和应用。

然而，高光谱遥感在为人们提供海量、高质数据的同时，也给大家带来了一系列的难题，如数据的冗余度高、存储量大、计算量大、实时处理难等。

针对高光谱遥感存在的问题，不少学者展开了相关研究，开发新的算法、转向并行计算、利用加速平台等。

如苏红军提出了一种基于正交投影散度（OPD）的波段选择方法；谭琨等建立了一个基于支持向量机的高光谱分类器；刘春等完成了基于Matlab的高光谱遥感数据降维并行计算分析；何广林等研究基于FPGA的高光谱遥感图像奇异值分解降维技术。

上述研究虽然在一定程度上改善了高光谱遥感的瓶颈，但还不能满足实际工程需要。

随着计算机硬件技术的进步，图形处理器GPU（Graphic Processing Unit）在通用计算领域的迅猛发展，如一缕春风让高光谱遥感又生机勃勃。

本文将分别介绍高光谱遥感和GPU通用计算的研究现状，以及基于GPU的高光谱遥感影像数据国内外研究现状，带您浅探遥感科学与计算机科学的交叉领域。

基于GPU的高性能遥感图像解码方法研究

基于GPU的高性能遥感图像解码方法研究基于GPU的高性能遥感图像解码方法研究摘要：近年来，随着遥感技术的快速发展和大数据时代的到来，高性能遥感图像解码方法受到了广泛关注。

其中，基于GPU的高性能图像解码方法以其卓越的并行计算能力和良好的图像处理效果备受研究者青睐。

本文以高性能遥感图像解码方法为研究对象，重点探讨了基于GPU的高性能遥感图像解码方法的研究现状和发展趋势，并提出了一种基于GPU的高性能遥感图像解码方法。

通过实验验证，该方法能够有效提高遥感图像解码的效率和精度，具有较好的应用前景。

关键词：遥感图像解码；GPU；高性能；并行计算；效率1. 引言遥感图像解码是将数字遥感图像转换为可视化图像或可用于分析处理的图像的过程。

解码的目标是保持图像的准确性和细节，并提高解码的速度和效率。

传统的遥感图像解码方法通常依赖于CPU进行计算，但随着计算需求的快速增长，CPU的计算能力逐渐成为瓶颈。

相比之下，GPU具有突出的并行计算能力，在图像处理方面具有独特的优势。

因此，基于GPU的高性能遥感图像解码方法成为研究的热点之一。

2. 基于GPU的高性能遥感图像解码方法研究现状目前，针对基于GPU的高性能遥感图像解码方法的研究已取得了一定进展。

从数据并行和任务并行两个角度出发，研究者提出了一系列基于GPU的解码方法。

2.1 数据并行解码方法数据并行解码方法是将遥感图像划分为多个子区域，每个子区域由GPU的一个计算单元负责解码。

此方法能够充分利用GPU的并行计算能力，加速解码过程。

例如，研究者通过将遥感图像划分为多个区域，每个区域由不同的线程负责解码，实现图像的快速解码。

2.2 任务并行解码方法任务并行解码方法是指将解码过程划分为多个独立的任务，每个任务在不同的GPU计算核心上并行执行。

这种方法可以同时解码多个像素点，快速提取图像特征。

例如，研究者通过将解码过程划分为多个任务，利用GPU计算核心的多线程能力，并行执行解码任务，从而提高解码速度。

基于GPU的数字图像并行处理方法

ＧＰＵ并行化。因此，本文重点研究各种像素纹理的形式传输给ＧＰＵ。在打包的过程中应
级图像处理操作的ＧＰＵ并行化实现方法。充分利用纹理图像所具有的Ｒ、Ｇ、Ｂ、Ａ四
数字图像ＧＰＵ并行化处理的基本流程与关键技术
个通道。计算结果的反馈、保存应用程序是通过调用３ＤＡＰＩ绘制带纹
部运算，通过选择不同的卷积核，可以实现５１２、２５６ × ２５６、１２８ × １２８的试验数据。
不同的图像处理效果。图像卷积运算定义
以经过预处理的１０幅不同大小的图像
为：
进行卷积运算对比试ቤተ መጻሕፍቲ ባይዱ，分别运行卷积平滑
和卷积锐化的ＣＰＵ和ＧＰＵ程序，并记录处
l =0
{I' (i , j ),0 ≤i ≤ M ,0 ≤ j ≤ N}为卷积运算以后的图像；{I (i , j ),0 ≤i ≤ M ,0 ≤ j ≤ N}为待处理的图像；{h (k ,l ),0 ≤k ≤ p,0 ≤l ≤q}为卷积核；
［４］黄红斌．抑制ＥＤＦＡ瞬态效应方法的研究［Ｊ］，激光与光电子学进展，第７期，２００５年，３１￣３４
［５］于岭．ＥＤＦＡ增益控制技术［Ｊ］，光器件，第６期，２００４年，２８￣３０
上接４０率对比图。
从图４可以看出：随着图像的增大，特
别是卷积核的变大，ＧＰＵ的加速效果更加明
参考文献：
［１］杨智．ＥＤＦＡ瞬态增益特性控制方法［Ｊ］，光通信研究，第２期，２００７年，６３￣６６
［２］廖先炳．ＥＤＦＡ及其发展动向［Ｊ］，光纤光缆传输技术，第１期，２００３年，３０￣３３
［３］丁炜．ＥＤＦＡ光线放大原理及应用［Ｊ］，有限电视技术，第１６期，２００５年，２１￣２４

基于GPU的高光谱遥感主成分分析并行优化

基于GPU的高光谱遥感主成分分析并行优化柳家福;李欢;贺金平;刘天石;王启聪;吴泽彬【摘要】主成分分析（principal component analysis, PCA）是高光谱遥感图像特征提取的重要方法。

为了在保证精度的同时，提高高光谱遥感PCA算法的计算效率，文章提出一种基于图形处理器（graphic processing unit，GPU）+中央处理器（central processing unit，CPU）异构系统的PCA并行优化方法。

该方法利用GPU的并行计算能力实现PCA中复杂的协方差矩阵计算与维数缩减过程，优化了像元去均值的计算流程；解决了GPU内核计算像元累加和非合并访问问题；利用共享内存机制，提高了访存效率。

此外，该方法采用改进的Jacobi快速迭代法在CPU中进行特征分解，保证了算法的精度。

实验结果表明，该方法在保证精度的同时能够有效提高计算效率，在Quadro600平台上的加速比达到141倍，满足了高光谱遥感图像实时应用的需求。

%Principal component analysis (PCA) is an important method for feature extraction of hyperspectral remote sensing image. In order to improve the computational efficiency of PCA, a novel parallel optimization method of PCA is proposed based onGPU+CPU heterogeneous platform. It tak es the advantage of GPU’s parallel computing ability to implement the complex calculation of covariance matrix and dimensionality reduction process of PCA. And it also optimizes the decentralized flow of image data, solves the non-consolidated access of summation on GPU and uses the shared memory mechanisms to improve the efficiency of memory access. Furthermore, the modified Jacobi iterative solution is proposed for eigen-decomposition on CPU to ensure the accuracy of the algorithm. Experimental results showthe efficiency of proposed method is achieved, and the maximum speedup is up to 141X at Quadro 600 platform, which can meet the requirement of real-time hyper spectral remote sensing image applications.【期刊名称】《航天返回与遥感》【年(卷),期】2014(000)006【总页数】8页(P99-106)【关键词】高光谱遥感;主成分分析方法;处理器异构系统;并行优化【作者】柳家福;李欢;贺金平;刘天石;王启聪;吴泽彬【作者单位】南京理工大学计算机科学与工程学院，南京 210094;北京空间机电研究所，北京 100094;北京空间机电研究所，北京 100094;北京航空航天大学电子信息工程学院，北京 100191;南京理工大学计算机科学与工程学院，南京210094;南京理工大学计算机科学与工程学院，南京 210094; 南京理工大学连云港研究院，连云港 222006【正文语种】中文【中图分类】TP751.10 引言高光谱遥感具有较高的光谱分辨率，能够获取丰富的地表信息，是继多光谱遥感技术之后的一种新型遥感技术。

基于GPU加速的新一代遥感数据处理技术

基于GPU加速的新一代遥感数据处理技术随着技术的不断发展，遥感技术在现代社会中得到了广泛应用。

遥感数据处理技术对地理信息系统、环境保护、资源开发等领域起着至关重要的作用。

然而，随着遥感数据的不断增长，传统的数据处理方式已经不再能够满足实际需要，需要采用更加先进的技术手段来提高数据处理的效率和精度。

基于GPU加速的新一代遥感数据处理技术，正是近年来遥感数据处理技术的一个重要突破。

GPU作为一种低成本、高性能的计算平台，具有强大的并行计算能力，能够大大提高遥感数据处理的效率。

同时，GPU技术还能优化数据压缩、分类、图像处理等方面，使得遥感数据的处理更加精确和可靠。

首先，GPU技术可以加速数据压缩的处理。

在传统的遥感数据处理中，压缩是节省存储空间的一种重要手段。

但是，传统的压缩算法运算速度较慢，压缩后的数据处理需要很长的时间才能完成。

基于GPU加速的数据压缩技术可以大大提高压缩算法的处理速度，同时避免压缩后的数据丢失和质量下降。

其次，基于GPU加速的遥感数据处理技术还可以优化遥感数据分类。

遥感数据的分类在遥感应用中起着至关重要的作用。

传统的遥感数据分类中，样本数量较大，计算量较大，常常需要较长的时间来进行计算。

但是，基于GPU加速的遥感数据分类技术可以大大缩短分类计算时间，提高分类的精确度和效率。

并且，GPU技术实现的遥感数据分类，在面对大规模遥感数据处理时依旧具有较好的性能表现。

最后，GPU技术可以优化遥感数据的图像处理。

由于遥感数据量通常都很大，因此，处理遥感数据的图像处理算法必须具有高效率和较快的速度。

在传统的遥感数据图像处理中，图像处理通常需要大量的计算时间，导致处理速度较慢。

但是，基于GPU加速的遥感数据图像处理技术可以大幅度缩短处理时间，同时还能保证处理结果的准确性和可靠性。

总之，基于GPU加速的新一代遥感数据处理技术是一种颠覆性的技术手段，可以极大地提高遥感数据处理的效率和精度。

利用GPU技术，可以优化遥感数据的压缩、分类和图像处理等方面，解决遥感数据处理过程中遇到的许多问题。

基于GPU并行技术的图像处理算法优化研究

基于GPU并行技术的图像处理算法优化研究近年来，GPU并行计算架构在图像处理算法中的应用越来越广泛，对于运算量大、计算密集的图像处理算法来说，GPU并行计算已成为提高处理效率的重要手段。

如何在利用GPU并行计算架构优化图像处理算法，提高图像处理速度，已成为当前图像处理领域的研究热点之一。

一、GPU并行计算技术的优势和应用GPU并行计算技术是指通过利用GPU和CPU的计算资源，将计算任务分配到GPU和CPU上并行计算，以提高计算效率的技术。

与CPU相比，GPU并行计算技术在处理大规模数据时有较大优势。

GPU拥有更多的计算核心，可以同时进行大量的并行计算，从而快速完成计算任务。

在图像处理领域中，GPU并行计算技术主要应用于图像处理和计算机视觉领域的算法优化。

比如，深度学习中的卷积神经网络、图像分割、图像识别、图像去噪等算法，在GPU并行计算下可以显著提高计算速度和精度。

二、图像处理算法在GPU并行计算下的优化研究1.图像滤波算法优化图像滤波算法是常用的图像处理算法之一，它可以通过去除噪声、平滑图像、锐化图像等多种方法来改善图像质量。

在GPU并行计算下，一些传统的图像滤波算法可以得到有效的优化。

以均值滤波为例，均值滤波的计算量较大，但每个像素的计算是独立的，因此可以将其分配到不同的GPU核心上进行并行计算。

通过利用GPU并行计算技术，可以在不影响滤波质量的前提下，显著提高滤波速度。

2.图像处理中的形态学算法优化形态学算法在图像处理中应用广泛，主要是用于图像分割、目标检测、形状比对等领域。

形态学算法的主要优化方法是基于膨胀和腐蚀操作的优化。

在GPU并行计算下，可以将膨胀和腐蚀操作分配到不同的GPU核心上进行并行计算。

通过并行计算，可以使用更快的运算速度完成形态学操作，从而节省计算时间。

3.深度学习算法在GPU并行计算下的优化深度学习算法需要大量的计算资源，因此利用GPU并行计算的优势进行深度学习算法的优化也是当前的研究热点之一。

基于GPU的高光谱遥感主成分分析并行优化

基于GPU的高光谱遥感主成分分析并行优化随着遥感技术的不断发展，高光谱遥感数据成为了获取地面信息的不可或缺的技术手段之一。

而主成分分析（PCA）则是一种常用的数据降维方法，可以将高维度的数据转化为低维度的信息，从而方便数据分析和处理。

然而，PCA存在一定的计算量和复杂度，对于大规模的高光谱遥感数据的处理会导致运算时间较长，甚至无法处理。

为了解决这一问题，本文提出了一种基于GPU的高光谱遥感PCA并行优化的方法。

首先，我们通过CUDA编程将PCA算法转换为并行计算模式。

接着，通过对遥感图像的像素点逐一计算，进而将优化后的PCA算法实现在GPU上。

最后，我们设计了一套和GPU相适应的高光谱遥感数据并行处理的算法流程，以实现高效的处理效果。

为了证明我们的方法的有效性，我们使用了针对高光谱遥感的标准数据集进行了测试。

结果表明，我们的方法在处理高光谱遥感数据时具有较高的处理效率和稳定性，且相较于现有的方法而言，计算时间显著缩短。

同时，我们也进行了比较实验，证明了我们所提出的并行优化方法可以比串行运行更快地处理大规模的高光谱遥感数据，具有较高的实用价值。

本文提出的基于GPU的高光谱遥感PCA并行优化方法为高光谱遥感数据处理提供了一个新的方向。

通过优化PCA算法并在GPU上实现，我们为高光谱数据处理提供了高效的解决方案，同时也为大规模高光谱数据处理提供了新的思路和方法，具有重要的研究意义和实用价值。

在实际应用中，高光谱遥感数据处理往往需要处理大规模数据，如卫星遥感图像数据，由于数据量大，数据维度高，需要大量的计算和存储资源，常常成为计算密集型任务。

传统的基于CPU的遥感数据处理方法通常由多线程实现并行计算，但是由于CPU的计算速度相对较慢，算法运行时间较长。

此时，GPU的计算能力优势就显现出来。

GPU是专门针对并行计算的设备，其计算核心可以同时处理大量数值计算，且具有高效率、可靠性和灵活性的特点。

本研究的核心思路便是将高光谱遥感数据处理转换为GPU并行计算问题。

基于GPU并行计算的遥感图像处理技术研究

基于GPU并行计算的遥感图像处理技术研究遥感图像处理技术是对宇宙中各种自然现象进行研究的重要手段。

在人类社会的现代化进程中，遥感图像处理技术被广泛应用于土地利用、资源管理、气象预测、城市规划、环境保护、林业、农业等领域，成为了各项工程和科学研究的重要基础。

然而，随着遥感数据的不断增长，如何快速、高效处理海量的遥感图像数据成为了一个亟待解决的问题。

在此背景下，基于GPU并行计算的遥感图像处理技术应运而生。

GPU并行计算技术是近年来计算机技术领域的重要突破之一，它能够充分利用GPU高并发计算的特性，将运算任务分解成多个子任务来并行处理，从而大大提高运算效率。

GPU并行计算技术的应用可以极大地加速遥感数据处理的速度，实现大规模遥感数据的高效处理。

不过，基于GPU并行计算的遥感图像处理技术研究并不简单。

首先，遥感图像处理应用涉及到大量的矩阵、向量运算和像素级数据处理，而这些运算过程对算法的精度和效率要求相当高。

其次，GPU的运算架构与CPU有很大的差异，在并行计算过程中需要对GPU硬件的特性有深入的理解和应用。

此外，可扩展的算法设计和高效的数据读取技术也是基于GPU并行计算的遥感图像处理技术研究需要解决的技术难题。

在实际研究中，基于GPU并行计算的遥感图像处理技术主要包括图像压缩、图像分割、特征提取、分类识别、监督学习、无监督学习等内容。

其中，图像压缩是基于GPU并行计算的遥感图像处理技术中的核心部分，它可以通过对遥感图像的数据进行压缩来减少存储和传输所需要的带宽和时间，从而实现对遥感图像数据的高效利用。

同时，基于GPU并行计算的图像分割和特征提取技术也能够较好地对遥感图像数据进行处理和分析，从而得出可靠的图像分类和识别结果。

总的来说，基于GPU并行计算的遥感图像处理技术是一项高新技术，可以有效解决遥感图像数据处理中的数据量大、计算化和高精度等难题，对于实现地球资源的自然环境研究和精准农业等问题都具有十分重要的意义。

基于GPU的高光谱遥感编程模型研究

基于GPU的高光谱遥感编程模型研究随着空间分辨率和波谱分辨率的不断提高，高光谱遥感的数据量己经达到海量级别，其处理方法过程复杂，数据计算密集，可以进行并行性的优化。

本文对基于CUDA框架下的高光谱遥感数据GPU并行应用模型进行研究，在并行设计时，尽可能地减少循环次数和执行指令，减少通信时间，提高GPU的利用率。

标签：GPU；高光谱遥感；并行设计GPU是计算机中显卡的核心组成部件，不仅具备高质量、高性能图形图像处理能力，而且随着技术的发展，GPU己经可以用于通用计算。

特别是在在浮点数计算、并行处理等方面，GPU的性能要比CPU高出数十倍甚至上百倍。

原因在于计算核心的数量，CPU的核心数量一般为是2至4个，目前己经出现8核或者16核，但是在一般的使用還是很少，而且价格昂贵，而GPU己经发展到超过240个计算核心。

1 GPU计算模型分析概述1.1 GPU计算模型概念目前针对大数据量高光谱遥感影像的处理主要采用多核CPU或者集群模式，CPU的工作原理是将进入CPU的计算机程序指令，经过控制单元的调度分配后送往指定的逻辑运算单元，根据计算得到处理后的数据，再存放到存储单元中，最后交由应用程序使用，整个过程采用的是单线程的处理模式。

该模式的对于环境配置和硬件要求较高，运算速度的提升空间也不理想，很难实现对于海量数高光谱遥感影像的实时处理。

与之相对的，GPU的设计完全是从指令并行的角度出发的，它包含了大量的执行处理单元，因而能够轻松的加载并行计算。

高性能计算技术是图像处理技术发展的重要方向，可编程图形处理器（GPU）技术发展极为迅速。

从并行的角度来看，现代的多核CPU针对的是指令集并行（ILP）和任务并行（TLP），而GPU则是数据并行（DLP）在同样面积的芯片之上，CPU 更多的放置了多级缓存（L1/L2/LLC）和指令并行相关的控制部件，而GPU上则更多的是运算单元；此外，GPU的显存带宽更大，在大数据量的处理中性能高。

基于GPU的遥感图像配准并行程序设计与存储优化

基于GPU的遥感图像配准并行程序设计与存储优化周海芳;赵进【期刊名称】《计算机研究与发展》【年(卷),期】2012(049)0z1【摘要】遥感图像配准是遥感图像应用的一个重要处理步骤.随着遥感图像数据规模与遥感图像配准算法计算复杂度的增大,遥感图像配准面临着处理速度的挑战.最近几年,GPU计算能力得到极大提升,面向通用计算领域得到了快速发展.结合GPU 面向通用计算领域的优势与遥感图像配准面临的处理速度问题,研究了GPU加速处理遥感图像配准的算法.选取计算量大计算精度高的基于互信息小波分解配准算法进行GPU并行设计,提出了GPU并行设计模型；同时选取GPU程序常用面向存储级的优化策略应用于遥感图像配准GPU程序,并利用CUDA(compute unified device architecture)编程语言在nVIDIA Tesla M2050 GPU上进行了实验.实验结果表明,提出的并行设计模型与面向存储级的优化策略能够很好地适用于遥感图像配准领域,最大加速比达到了19.9倍.研究表明GPU通用计算技术在遥感图像处理领域具有广阔的应用前景.%Remote sensing image registration is an important processing step of the application of remote sensing image. With the scale of remote sensing image data and complexity of remote sensing image registration algorithm increasing, remote sensing image registration is facing a new challenge on processing speed. In recent years, the power of computing of GPU (graphic process unit) has been greatly improved, which results that the general purpose computing has had a rapid development. In this paper we combine the computing power ofGPU for the common computing and the problem of processing speed of remote sensing image registration to study GPU-accelerated processing algorithm. We select a registration algorithm of high accuracy of calculation which is based on mutual information and wavelet decomposition to design the parallel processing, also we propose a parallel model of GPU for the registration algorithm. At the same time we apply the commonly programming optimization strategy of GPU on storage level in remote sensing image registration GPU programming, and we use the CUDA (compute unified device architecture) programming language to realize it based on Nvidia Tesla M2O5O GPU. Experimental results show that the parallel model and optimization strategy of the storage level could be well applied to the field of remote sensing image registration. In our experiment the maximum speedup is up to 19. 9X compared with the serial CPU program. This study also shc;ws that the computing technology of GPU has broad application prospects in the field of remote sensing image processing.【总页数】6页(P281-286)【作者】周海芳;赵进【作者单位】国防科学技术大学计算机学院长沙410073;国防科学技术大学计算机学院长沙410073【正文语种】中文【中图分类】TP317.4【相关文献】1.基于PCM的GPU存储系统设计与优化 [J], 穆帅;单书畅;邓仰东;王志华2.基于GPU的叠前逆时偏移混合粒度数据分割与存储优化 [J], 韩菲;李炜3.基于GPU的叠前逆时偏移混合粒度数据分割与存储优化 [J], 韩菲;李炜;;4.基于GPU的稀疏矩阵存储格式优化研究 [J], 杨世伟; 蒋国平; 宋玉蓉; 涂潇5.基于互信息和随机优化的超光谱遥感图像配准 [J], 罗欣;郭雷;杨诸胜因版权原因，仅展示原文概要，查看原文内容请购买。

主动学习高光谱图像分类算法GPU并行计算优化

ｌ描述了基于主动学习算法的主要计算流程。表中步骤３为主动学习方法，本文采用４种不同方法对高光谱图４实验结果与分析表１主动学习算法的主要计算流程实验数据采用由ＲＯＳＩＳ传感器拍摄的ＰａｖｉａＵｎｉｖｅｒｓＲｙ数据。图像像素大小为６１０行，３４０Ｙｇ，１０３个波段。表２中描述了４种不同的输入：候选集未标记训练样本ＡＬ方法下，ＲＯＳＩＳＰａｖｉａ大学数据的串并行计算时间。从图中可知步骤１：在候选集中选择个样本组成初始切Ｉ练样本集ＤＬ在ＣＰＵ平台上需要执行６ｏｏｏｓ￣右，而在ＴｅｓｔａＣ２０７５平台上只需执行３５０ｓ左右，相对于传统串行算法，加速比最快达到了３４倍。重复一下步骤
步骤２：根据训练样本集Ｄ对分类器Ｃ进行初始分类，获得初始分类结果ｇ步骤３：选择ＡＬ方法训练候选集，获得新的训练样本
＝
５结语
针对高光谱图像数据量大，波段多等特点，传统图像处理技术
：
在执行复杂度高的算法时，其计算效率低，本文研究了基于ＧＰＵ的主动学习高光谱图像分类并行优化方法，并以真实高光谱图像数据
１引言
相似地，Ｄ为新的标记样本，ｔｕ为每次ＡＬ过程中选择新的标记样函数在砍中实现。本文利用一阶邻域，因此每个像元对多对应４个相本的个数。而为主动学习ＡＬ的候选集。因此，Ｄ是的子集。表邻像元，所以每个线程负责每个像元与其邻域之间的计算。

基于GPU的遥感图像快速去噪处理

基于GPU的遥感图像快速去噪处理
张海军;陈圣波;张旭晴;王亚楠
【期刊名称】《城市勘测》
【年(卷),期】2010(000)002
【摘要】遥感图像在数据采集和传输过程中受到各种噪声干扰,影响了图像本身的质量,不利于遥感图像的应用.本文利用最邻近算法(KNN算法),在基于图像处理器(Graphic Processing Unit,GPU)的统一计算设备架构(CUDA)架构下,实现了对遥感图像进行了去噪声的并行处理,并与在CPU下的串行处理做了对比,处理速度平均提高近3 000倍.遥感图像的其他处理也可以基于GPU实现.
【总页数】3页(P96-98)
【作者】张海军;陈圣波;张旭晴;王亚楠
【作者单位】吉林大学,地球探测科学与技术学院,吉林,长春,130026;吉林大学,地球探测科学与技术学院,吉林,长春,130026;吉林大学,地球探测科学与技术学院,吉林,长春,130026;吉林大学,地球探测科学与技术学院,吉林,长春,130026
【正文语种】中文
【中图分类】P237
【相关文献】
1.基于GPU的高光谱遥感图像PPI并行优化 [J], 宋义刚;叶舜;吴泽彬;韦志辉
2.基于GPU的遥感图像前期处理算法研究与应用 [J], 王化喆;魏先勇
3.基于GPU的遥感图像融合并行算法研究 [J], 赵进;刘昌明;宋峰;张丽萍
4.一种基于GPU和内存映射文件的高分辨率遥感图像快速处理方法 [J], 马秀丹;崔宾阁;钟勇;张永辉;费东
5.基于GPU的遥感图像几何校正算法设计与实现 [J], 吴敌; 汪红强; 邹同元
因版权原因，仅展示原文概要，查看原文内容请购买。