遥感影像高性能分类系统设计与实现

面向遥感影像解译需求,针对遥感图像数据量大,时间分辨率高的特点,基于AOI样本数据库及遥感影像并行处理技术,设计实现了一套快速、自动、稳定的分类系统。应用AOI样本数据库有效提取、管理AOI信息,自动生成训练样本文件,提高环境卫星影像分类的自动化程度及解译精度;并行化分类方法在保证计算精度的情况下有效提高了分类速度。实验结果证明,本系统提高了分类执行效率,实现了对遥感影像的快速分类。     

数据分配策略优化的全条带遥感影像流水线并行处理

如何快速处理大区域覆盖的高分辨率全条带遥感影像是遥感应用急需解决的问题。提出分布式环境下全条带遥感影像并行处理模型。该模型采用了数据并行和流水线并行两级并行方法。首先综合考虑遥感数据及其处理算法的特殊性和分布式环境的异构性,提出一种新的数据分配策略,然后在计算节点引入流水线并行技术。实验结果显示,该模型不仅可以灵活进行复杂的数据处理,还能有效提高数据处理效率。在7个计算节点的环境下,相较于传统的串行处理方法,可获得24.32的加速比。     

多时相遥感影像变化检测系统设计与实现

针对遥感卫星影像数据量大,计算时间长等特点,在高性能集群并行处理环境下,研究了长时间序列遥感卫星影像变化信息快速提取技术,设计并实现了一体化变化检测工艺流程及系统框架,为多时相遥感卫星影像变化检测提供了高精度、快速的方法与平台。以广东某地区为试验数据,研究表明,与传统变化检测方法相比,进一步提高了变化信息提取精度,并可以获得良好的并行加速比,并行效率高,能够满足大规模遥感数据的变化检测。     

遥感图像K-Means并行算法研究

K-Means算法是对遥感图像在没有先验知识情况下进行无监督分类的重要算法之一,在遥感影像的分析中得到了广泛的应用.针对K-Means算法复杂,处理过程中计算时间长的缺点,人们试图寻求快速的并行处理方式.在这种并行化的探索过程中,由于K-Means算法独特的流程结构,使其并行化处理方式难以顺利进行.本文在分析K-Means算法特点的基础上,对其并行化方式进行了深入的研究.针对K-Means算法并行化在处理速度和分类精度方面存在的问题,提出了一种基于分块逼近的算法并行模型,可兼顾并行效率和分类精度之间的综合要求,实现某种精度可控的并行处理.最后,根据实验结果讨论并提出了迭代算法并行化的有效途径.     

简单要素模型多边形拓扑检查并行算法

将并行计算应用到大数据量简单要素模型多边形拓扑检查中,设计实现了简单要素模型多边形拓扑检查并行算法。算法针对拓扑检查的计算特点,改进了主从式并行策略,在主进程中进一步划分线程以实现任务并行,从而隐藏拓扑错误提取和结果写入时间。采用MPI和PThread实现进程与线程的结合。利用苏南五市土地现状调查地类图斑数据对算法进行测试。经测试,该算法能够对大数据量简单要素模型多边形进行准确、快速的拓扑检查。算法提出的进程与线程结合的任务并行策略相对于传统主从式策略加速比提高约20%。     

遥感卫星图像系统几何校正多级并行算法

针对遥感卫星图像数据量大、系统几何校正计算复杂的问题,提出了基于SMP机群的系统几何校正多级并行算法。该算法利用MPI+OpenMP并行编程技术,节点间实现进程级粗粒度的并行,节点内实现线程级细粒度的并行。采用基于冗余存储的数据划分方式,保证了各个节点的负载均衡,减少了数据定位的复杂度;利用并行文件系统进行数据分配,避免了节点间的数据搬移,实现了数据并行读写,节点内部的并行,进一步细化了算法的并行粒度。在SMP机群系统上对资源三号卫星正视相机图像进行算法验证。结果表明,该算法充分利用了SMP机群的计算资源,具有良好的并行性能。     

基于线程集成的系统设计方法

实现嵌入式系统任务的并行性是改善系统性能的基本手段.通过分析影响嵌入式系统性能的主要因素,采用了基于线程概念的嵌入式系统并行设计方法,利用指令级并行来改善系统性能.主要论述了线程集成的实现方法,通过编译技术在指令级代码中融合多个线程,从而实现任务的并行性,并将该方法应用于仪器仪表显示模块的设计.     

一类大规模稀疏矩阵特征问题求解的并行算法

本文提出一种求解大规模稀疏矩阵特征问题的并行共轭梯度算法.为了提高算法的并行效率,设计了负载平衡的行划分方式,实现了计算和通信重叠的稀疏矩阵重排序方法,通过预处理减少计算过程中各进程间消息传递的通信量.另外,基于多核处理器高性能并行计算,实现了MPI和细粒度(线程级)OpenMP混合并行算法.在深腾7800并行计算机上对并行算法进行了测试,结果表明在进程数增多时并行算法可保持通信时间稳定性,在并行计算机上有很好的扩展性,适合大规模稀疏特征问题的求解.     

多核同时多线程处理器的线程调度器设计

多核同时多线程处理器(SMT_PAAG)是用于图形、图像及数字信号处理的一种多核处理器。基于这种处理器提出了一种硬件线程调度器,该调度器采用同时多线程技术,最多可同时执行四个线程,支持八个线程阻塞模式下的快速上下文切换。这样避免了因阻塞带来的等待问题,能够有效提高处理器的工作效率和资源利用率。通过在处理器上运行图形处理算法进行性能评测。结果表明,SMT-PAAG处理器通过挖掘指令级并行和线程级并行,将处理器的性能提高了69.25%。     

面向Spark的遥感影像金字塔模型的并行构建方法

随着遥感技术和摄影测绘的发展,遥感影像的分辨率不断提高,数据量日益增长,这对快速、高效地处理海量遥感影像数据提出了更高的要求,如何有效、智能地存储和处理海量遥感数据成为研究的热点。在分析现有金字塔模型的并行构建的基础上,设计一种面向Spark计算框架的影像金字塔模型。模型给出了影像金字塔构建算法及影像数据的分布式存储组织结构,实现了海量遥感影像数据在Spark中的并行处理,为Spark增加了计算处理空间数据格式的能力。实验结果表明,利用该方法能够在Spark云平台上实现快速、高效的解决海量遥感影像金字塔的并行构建,特别是在面对海量遥感影像数据时,无论从金字塔构建性能上还是遥感影像的计算效率上,Spark都更具优势。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

改进的基于深度学习的遥感图像分类算法

针对传统的基于深度学习的遥感图像分类算法未能有效融合多种深度学习特征，且分类器性能欠佳的问题，提出一种改进的基于深度学习的高分辨率遥感图像分类算法。首先，设计并搭建一个七层卷积神经网络；其次，将高分辨率遥感图像样本输入到该网络中进行网络训练，得到最后两个全连接层输出作为遥感图像两种不同的高层特征；再次，针对该网络第五层池化层输出，采用主成分分析（PCA）进行降维，作为遥感图像的第三种高层特征；然后，将上述三种高层特征通过串联的形式进行融合，得到一种有效的基于深度学习的遥感图像特征；最后，设计了一种基于逻辑回归的遥感图像分类器，可以对遥感图像进行有效分类。与传统基于深度学习的遥感图像分类算法相比，所提算法分类准确率有较高提升。实验结果表明，该算法在分类准确率、误分类率和Kappa系数上表现优异，能实现良好的分类效果。     

基于蚁群优化与独立特征集的遥感图像实时分类算法

为了提高遥感图像的实时分类准确率与效率,提出了一种基于蚁群优化算法与独立特征集的遥感图像集实时分类算法。首先,提取遥感图像的小波域特征与颜色特征,并且组成特征向量;然后,采用蚁群优化算法对特征空间进行优化,独立地选出每个分类的显著特征集,从而降低每个子特征空间的维度;最终,每个分类独立地训练一个极限学习机分类器,从而实现对遥感图像集的分类。基于公开的遥感图像数据集进行了仿真实验,结果显示本算法实现了较高的分类准确率,并且实现了较高的计算效率。     

像素级遥感图像融合并行算法研究与实现

本文针对遥感图像IHS、HPF、DWT等典型的像素级融合算法,提出并实现了相应的基于数据并行的并行融合算法P-IHS、P-HPF、P-DWT,并在算法时空复杂度分析的基础上进行了通信、I/O优化。针对IKONOS卫星遥感图像在机群系统上的测试结果表明,我们提出的并行算法可获得良好的并行加速比,并行效率较高。这三类算法适合于对实时性要求比较高的遥感应用领域。     

基于多项式变换的遥感图像几何校正并行算法的研究与实现

研究和实现高效的几何枝正并行算法，能够有效地提高遥感图像预处理的工作效率。本文首先研究了基于多项式变换的几何校正算法，然后提出了新的并行几何校正算法。该算法通过局部边界计算达到延迟通信的目的，很好地解决了计算局部性问题；在机群系统上实现后，对多幅大小不同的G比特遥感数据集进行了测试，获得了正确的结果和良好的并行性能。     

遥感图像波谱角并行分类算法

针对海量遥感数据处理提出了一种遥感图像波谱角并行分类算法.该算法是基于单机波谱角算法.针对其处理遥感图像数据速度慢、效果差、内存不足等缺点,提出了在集群环境下遥感图像波谱角并行分类算法的同步、互斥和负载均衡等策略,以及在多台设备上并行处理的方法.通过对算法的时间复杂度、加速比进行分析,并在集群环境下进行实例验证,将分类图像与知名软件ENVI进行对比,验证了算法的优越性和有效性.     

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。     

基于松弛因子的快速独立分量分析算法的遥感图像分类技术

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。M-FastICA算法同FastICA算法一样,它们的收敛依赖于初始权值的选择。通过在M-FastICA算法中引入松弛因子,使算法可以实现大范围收敛,得到更稳定的收敛效果。应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度较原始遥感图像的精度均高,并且三种独立分量分析算法的分类性能也相当。     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于半监督模糊C均值算法的遥感影像分类

遥感影像数据因其固有的不确定性与复杂性,导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性,其中二型模糊集能更好地刻画类间多重不确定性,而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题,因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法（SS-AIT2FCM）。首先,结合半监督和进化论思想,提出一种新的模糊权重指数选取方法,以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性,使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类;然后,通过对少量标记样本的软约束监督,对区间二型模糊算法迭代过程进行优化指导,来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据,对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明,SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界,且有较好数据泛化能力。