基于网格环境的遥感图像并行分类

随着遥感技术的发展,高分辨率大容量遥感数据的应用,对图像处理效率提出了更高的要求。网格计算因具有分布式、高性能和充分的资源共享性,为海量遥感图像的处理提供了有效的解决途径。针对遥感图像分类,提出基于网格环境的遥感影像并行模型,分析构建此模型的网格服务机制,设计网格服务及任务调度的算法流程。搭建网格实验测试平台,采用封装的SVM分类服务,实现了遥感图像并行分类处理。实验结果及分析表明,测试平台实现了网格环境下的遥感图像并行分类的架构,有效提高大容量遥感数据的分类效率,为分布式并行处理遥感图像提供了有效的途径。     

基于遥感数据访问与集成的网格中间件

借助数据网格强大的数据管理功能，可以整合分散复杂的遥感数据，为遥感数据处理提供一致的存取环境。遥感数据访问与集成网格中间件的研究目的是为访问分散的、异构的遥感数据提供统一的网格服务接口，使孤立的遥感数据之间实现资源共享。该文利用OGSA-DAI设计，实现了遥感数据访问和集成网格服务，构建了一个高性能遥感数据共享系统，分析了系统的关键性技术及实际应用。     

基于网格的遥感图像快速处理

海量遥感图像快速处理是遥感图像处理与分析的重要任务之一，它既是数据密集型，也是计算密集型的工作。针对海量遥感图像的快速处理问题，构建了基于网格计算的图像处理网格平台，开发了针对遥感图像处理的网格计算中间件，用于遥感图像的清晰化处理。应用结果表明，海量遥感图像处理计算效率得到大幅度提高，取得了满意的结果。     

新的分布式遥感图像分类器系统开发*

为实现分布式的遥感图像分类,达到计算的高性能,提出一种利用决策树SVM和网格技术实现遥感图像分类的解决方案。通过共享计算资源,将经预处理后的遥感数据切割成块并分别分配到网格计算节点进行并行计算。针对比例尺为1∶50 000的TM遥感图像的实验表明,此方案提高了分类效率,并为海量遥感数据的分类开辟了一条新的途径。     

遥感图像复原网格处理*

在遥感图像应用中,为了满足海量数据快速处理和图像清晰化的需求, 设计了遥感图像复原网格平台的处理流程和框架,使用有约束去卷积算法对图像进行复原,采用块处理和Neumann边界条件解决了网格复原中的海量数据快速处理和边界效应等问题,并基于中间件技术开发了应用软件。实验结果表明,开发的遥感图像复原网格处理平台能极大地提高海量数据的处理效率并得到满意的复原结果。     

网格环境下分布式SVM遥感图像分类器模型研究

为了充分利用网格技术分布式、高性能、协同共享的能力,设计了一种基于网格和支持向量机的分布式图像分类器模型,采用网格计算技术,统筹网络运算资源,结合支持向量机在有限样本统计分类中的优势,探索网格技术在图像分类中的应用。以对遥感图像目标物体的特征提取为例,实现基于分布式计算的图像分类过程,基于.net环境的实验结果表明,该模型提高了数据密集型图像分类速度和处理效率。     

网格技术在遥感图像监督分类中的应用

在遥感图像监督分类中经常遇到在单独PC下使用复杂的遥感图像分类算法来实现对大数据量遥感图像监督分类的情况。在这种情况下,由于遥感图像监督分类算法的复杂性与单独PC计算能力的限制导致处理效率低下,并有可能出现内存溢出等状况。经过对网格技术与遥感图像监督分类的研究,给出基于网格环境的遥感图像监督分类算法处理该类问题的解决方案,并使用B/S结构为该应用创建可扩展测试与实验结果查看平台。实验结果表明,此方案有效提高大数据遥感图像分类的效率。     

基于网格环境的遥感图像并行处理

对于海量遥感数据处理而言,关键是如何处理大量的网络计算,借助网格整合异构计算资源的优势,设计开发适合遥感图像处理的网格计算环境和算法。本文结合实际研究,以Globus为网格中间件,CSF4为元调度器构建网格环境,依据MPICH-G2编程模式,以遥感图像增强中的平滑处理为例,在网格环境下实现遥感图像并行化处理,并处理效率进行了对比分析。     

网格计算在遥感图像地学处理中的应用

以空间信息网格技术在遥感影像处理与理解方面的应用为主线,设计了适合遥感影像处理与理解的网格处理架构,并结合中间件技术进行了具体实现。在分析其图像处理应用的基础上,对面向网络的智能化网格处理系统进行了评价,实验结果显示了网格计算技术在遥感地学处理中的实际应用价值。     

TITAN软件在网格中的服务构建研究

传统桌面遥感图像处理系统虽说功能日益强大且被广泛使用,但是这种集中式的软件缺乏有效的共享,从而限制了图像处理系统本身的发展。TITAN Image是我国自主研发的功能强大且算法新颖的优秀遥感图像处理软件,但它仍然是一个桌面遥感图像处理软件包。因此,利用网格开放式的资源共享模型,针对TITAN软件包的特点,研究了TITAN软件在空间信息网格中的服务构建方法。从而将TITAN软件包有机地整合到网格中,实现了图像处理算法的跨平台、跨区域的共享和互操作。     

遥感影像的高性能并行处理技术研究

随着空间遥感技术和对地观测技术的不断发展,光学、热红外和微波等不同技术手段可以获取同一地区的多种遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率等）,每天获取的遥感数据量越来越大。同时,大量的遥感应用需要快速地对这些遥感数据进行处理与分析,提供辅助决策信息。因此,如果不能及时进行数据处理,这些数据就会失去时效性,甚至失去数据本身的价值。高性能计算与并行处理技术,加速了遥感影像数据处理与信息提取的进度,如大规模多处理系统、网格与云计算技术、通用图形处理器（GPGPU）等。文中综述了高性能计算、并行处理及云计算技术应用于遥感领域的最新进展,给出了一些研究与应用范例,并提出了当前高性能遥感影像处理所面临的一些挑战。     

Distributed computing model for processing remotely sensed images based on grid computing

With advances in remote-sensing technology, the large volumes of data cannot be analyzed efficiently and rapidly, especially with arrival of high-resolution images. The development of image-processing technology is an urgent and complex problem for computer and geo-science experts. It involves, not only knowledge of remote sensing, but also of computing and networking. Remotely sensed images need to be processed rapidly and effectively in a distributed and parallel processing environment. Grid computing is a new form of distributed computing, providing an advanced computing and sharing model to solve large and computationally intensive problems. According to the basic principle of grid computing, we construct a distributed processing system for processing remotely sensed images. This paper focuses on the implementation of such a distributed computing and processing model based on the theory of grid computing. Firstly, problems in the field of remotely sensed image processing are analyzed. Then, the distributed (and parallel) computing model design, based on grid computing, is applied. Finally, implementation methods with middleware technology are discussed in detail. From a test analysis of our system, TARIES.NET, the whole image-processing system is evaluated, and the results show the feasibility of the model design and the efficiency of the remotely sensed image distributed and parallel processing system.     

面向剖分面片模板的遥感影像并行处理方法

空间数据特别是遥感影像数据的快速增加和应用需求的扩大,其组织效率和处理速度已经成为制约技术应用的瓶颈,地球剖分理论和高性能计算为上述问题解决提供了一种可能途径。针对上述问题,在遥感影像剖分面片数据模型的研究基础上,提出了剖分面片模板并行计算模式,设计并实现了一种面向剖分面片模板的遥感影像并行处理方法;该方法基于MPI（Message Passing Interface）与OpenMP（Open Multi-Processing）混合并行计算框架,构建算法并行处理模型,形成算法并行化类库,通过调用其内部方法实现计算任务的并行执行。通过一个遥感影像剖分化并行分割处理实例,验证了该方法的有效性。实验结果表明,该方法具有较好的分割效果和加速比,有一定的示范意义,为进一步提高遥感影像应用能力提供了借鉴。     

适合遥感影像处理的网格计算环境研究

网格计算是近几年来发展迅速的一种网络资源共享模型,其目的是网络资源的完全共享。网格计算相对于传统的C／S及Web GIS来说,它在网络计算、数据处理、资源共享、任务协同等方面都有了进一步的发展。在适感影像处理与理解应用方面,由于涉及大量的网络计算及网络传输等耗时操作,应用网格计算思想进行适感图像处理就更有实际意义。结合网格计算的网络计算及资源共享的优势,设计并开发适合适感影像处理的网格计算环境及软件,是解决当前适感影像海量数据处理的有效途径之一,同时也是适感图像处理软件的一个发展趋势之一。本文结合实际研究成果,首先给出了基于网格计算思想的适感影像处理的设计流程,并对其具体实现技术进一步进行了讨论。在分析其在图像处理方面应用的基础上,对面向网络的智能化适感图像网格处理系统进行了分析与设计,并给出了其实现的一些关键技术。     

基于GPU的遥感图像配准并行程序设计与存储优化

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 M2050GPU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.     

基于集群的海洋遥感图像融合并行计算策略

集群体系下的大规模并行计算,是高性能计算的基础。遥感图像处理效率的提高,有赖于并行计算技术的应用。在分析已有网格计算环境下分布式任务分配方法的基础上,针对海上遥感图像目标物数量相对较少的特点,首先利用四叉树结构理念对目标区域进行划分,同时采用动态负载均衡的任务分配策略与并行计算思想,提出对目标区域图像进行融合处理的集群体系任务分配算法处理模型。通过对比验证,表明该集群体系下算法模型能有效地提高图像融合的速度。     

基于GPU的遥感图像IHS小波融合并行算法设计与实现

遥感图像融合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融合算法计算复杂度的增大,遥感图像融合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,面向通用计算的应用得到了快速发展。本文基于GPU编程模型和硬件特性,深入研究了遥感图像融合的并行加速算法,提出了适合融合执行流的并行映射模型。本文选取计算量大、计算精度高的IHS增强小波融合算法进行GPU并行设计,并针对主流的GPU平台在数据传输、循环优化、线程设计等方面进行了优化,最后在nVIDIA GTX 460 GPU上进行了实验。实验结果表明,本文设计的并行映射模型及优化策略能够很好地适用于遥感图像融合应用,最大加速比达到了114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。