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。     

一种高效通用的QC-LDPC译码器架构

基于软、硬件结合的方法,本文提出了一种高效通用的QC-LDPC译码器架构。该架构可以对不同码长、码率和校验矩阵结构的规则或非规则QC-LDPC码进行译码,支持Min-Sum近似及其改进译码算法,而且可以实现多种消息传递调度策略。通过将部分复杂的信息更新交由硬件加速器来完成,提高了译码吞吐量。针对QC-LDPC码校验矩阵：仁循环的结构,以块为单位对信息进行存储和处理。该架构还可以实现信息的并行处理,而译码器复杂度只有略微增加。     

海量遥感数据处理架构与并行算法研究

为了有效提高海量遥感数据处理效率,在对IO、任务协调损耗和多核多CPU等影响并行计算性能等关键因素分析的基础上,提出计算单体、任务分配管理器等七大模块构成的三层架构的并行计算体系结构(OssSinvoParallel)。从宏观层面给出并行计算算法,对算法时效性进行分析。试验结果证明该体系架构可有效提高并行处理速度,在当前遥感数据处理需求迫切增长的形势下,可有效解决遥感影像处理时效性瓶颈问题。     

遥感数据集群处理作业调度管理系统研究

高性能遥感数据集群处理技术提高了遥感数据处理的速度和精度。作业调度管理是集群处理系统的核心组成部分,有助于提高系统的吞吐率和资源使用率。常用调度管理系统通用性强,但针对性差,自动化程度低,资源使用存在盲目性。针对遥感数据集群处理,基于集群作业调度管理系统Open PBS,提出一种最优资源自动分配的"双级调度策略";应用分层架构和面向服务的软件开发思想,采用ICE中间件的网络通信技术,使用XML格式作为数据交换模式,研究并实现C/S(Client/Server)架构的灵活、友好、高效的遥感数据集群处理作业调度管理系统。     

飞行器多学科设计与仿真的HPC体系架构研究

通过分析飞行器总体多学科设计与仿真分析软件的高性能并行计算HPC特性,提出了适应复杂飞行器总体并行协同设计、大规模计算分析与多学科联合仿真验证等任务的HPC体系架构.首先分析了当前高性能计算(HPC)体系结构分类及特点;明确了各种主流计算系统的适应面,其次详细地分析了常用飞行器总体多学科设计与仿真求解器的算法特点及对高性能计算资源的系统要求.最后,提出了一种能够解决飞行器气动力/热、结构、电磁、控制等学科协同设计、计算、仿真验证的HPC体系架构;为相关领域构建适应性及可用性良好的HPC系统起到很好的参考作用.     

一种新的大型通用分布式服务器架构

目前许多大型应用如电子商务系统、电子邮件系统、企业信息系统等都是基于大型分布式服务器系统。给出了一种新的大型分布式服务器系统架构的设计与实现,该分布式服务器体系结构为各种大型应用系统提供了一个统一的服务器架构和开发模型。它能够高效处理大量并发业务,容易随着系统业务规模扩大而扩展,并且适用于目前所有操作系统和硬件平台。     

面向E级计算的高性能处理器核心运算架构研究进展

高性能计算(HPC)已经进入后E级时代。作为超算系统核心器件,高性能处理器通过核心运算架构为HPC提供超强算力。核心运算架构的研究进展代表了高性能处理器体系结构的发展方向。以面向E级计算的先进高性能处理器为目标,从运算资源组织结构、数据和指令级并行方式、领域专用加速结构、支持数据类型和算力等方面对核心运算架构研究进展进行分析和探讨,并展望了高性能处理器核心运算架构的发展趋势。超宽向量SIMD和SIMT、领域专用加速结构加速矩阵运算、支持多种低精度运算以加速HPC和AI融合,将是未来高性能处理器核心运算架构研究和发展的主要方向。     

基于神经网络注意力架构搜索的光学遥感图像场景分类

针对光学遥感图像场景分类存在类别变化、样本数量变化,场景图像中背景与重要物体变换大、尺度变化多的问题,提出基于神经网络注意力架构搜索的光学遥感图像场景分类方法,由算法自适应在神经网络中搜索卷积、池化、注意力等操作,构建能完成光学遥感图像场景分类任务的神经网络。为保证搜索神经网络过程稳定性,提出两段式贪婪策略网络搜索方法,分阶段丢弃无用操作,减少搜索算法负担、提高搜索速度。最后为了关注各物体与场景关联信息,提出自上而下的网络连接策略,充分复用各阶段多尺度特征图的语义。实验结果证明：该方法相较于手工设计的经典深度学习方法具有更好的性能。在AID、NWPU、PATTERNET 3个遥感图像标准数据集上总体精度均超过经典方法。在AID数据集上准确率达到94.04%;在PATTERNET数据集上准确率达到99.62%;在NWPU数据集上达到95.49%。     

一种可支持不同CPU架构的仿真器

为特定指令集进行软件移植通常以某典型架构（如AArch64）为模板进行重构,然而理解并运用不同平台架构的计算机,进行软硬件协同开发较为困难。从计算机架构的基本概念入手阐述了一种可支持不同类型CPU的软件仿真器框架,该框架可模拟不同指令集的运行结果,在一定程度上提高了移植效率。     

Fermi架构下的时域高斯滤波并行算法

为提高图形图像处理中高斯滤波算法模块的计算速度,将高斯滤波与Fermi平台相结合,设计了一种高斯滤波时域的并行算法。数据测试结果显示,与基于CPU的实现相比,采用Fermi架构的GPU处理不仅可以得到误差精度小于0.0001的计算结果,而且可以取得较大的加速效果。在数据规模为512×112×128和滤波窗口大小为11的情况下能够达到约210倍的加速效果。     

分布共享存储的遥感图像并行预处理系统结构研究

随着遥感技术的发展,遥感图像的分辨率和采样率越来越高,对遥感图像预处理系统性能的要求也日益提高。本文介绍一种能高效实现遥感图像预处理的分布共享存储并行处理系统结构。     

支持QoS的异构并行交换结构研究

不同类型的交换结构具有不同的交换性能。为此,提出一种支持QoS的异构并行交换结构(HPSA),该结构支持3种类型的业务：保障带宽(GB)业务,保障时延(GD)业务和保障丢包(GL)业务。各业务通过HPSA的不同类型平面被交换,从而实现对各类业务的QoS支持。仿真结果表明,HPSA中的GB业务带宽性能、GD业务时延性能及GL业务丢包率性能,均优于它们在基于iSLIP算法的IQ交换结构和基本PPS结构中的性能。     

自适应的遥感纹理并行压缩解压算法

为了降低实时地形绘制任务中遥感纹理图像的装载时间,提出一种基于矢量量化的自适应遥感纹理压缩解压算法.基于人类视觉特性优化设计了量化器的纹理块相似度函数,并根据图像特性设计了基础阈值的自动计算方法,可通过自动调节局部阈值来适应遥感图像纹理复杂、局部差异性大的特点;对码字在逻辑邻域内进行优化处理,提高了码书的质量;对索引信息设计了支持随机访问的压缩方法,保证对压缩后索引信息的随机访问.为提高压缩解压速度,充分考虑图形硬件的并行特性,设计了高效的并行算法.实验结果表明,该算法能够在保证压缩率的基础上形成重构质量较好的压缩数据,并且对不同图像都能取得较好的压缩效率;利用图形硬件大幅提高处理速度,完全满足绘制对纹理解压的实时性要求.     

遥感图象处理的并行计算模式研究

在遥感图象快速并行处理系统中,传统算法的并行化模式是直接影响计算性能的关键.为此,在系统地讨论其并行化模型的基础上,先详细研究了消息传递、共享内存、并行文件系统3种主要模式,然后指出了在遥感图象处理领域中它们的优势和缺点,最后提出了多层次并行的概念,并建议采用分层次实施的并行策略来综合这些模式,以得到比较好的并行效果.     

高分辨率遥感图像配准并行加速方法

基于SIFT算法的遥感图像配准精度高、稳定性强,但图像幅宽大、提取特征点数量多使得配准过程耗时长。提出了一种高分辨率遥感图像配准的并行加速方法。该方法在特征点提取时利用GPU实现了高斯金字塔建立过程中的并行加速,并对提取出的大量特征点使用共享内存来进行局部极值高速缓存,降低了特征点提取所需的运算时间;同时通过分块处理以及OpenMP多线程技术实现了特征点匹配及仿射模型计算过程的CPU并行处理。实验表明:本方法相对于传统的SIFT算法平均加速3倍,并且对于固定大小的图像,本方法的特征点提取时间和特征点个数具有线性关系,加速比随着提取出特征点数量的增加而增大。     

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.     

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.     

利用Beamlet变换算法提取遥感图像直线

遥感图像处理中,直线特征是一种极为重要的特征,能够提供重要的视觉感知线索。本文利用一种Beamlet变换算法来提取遥感图像中的直线特征,通过对遥感图像按二进、递归进行划分,利用灰度信息,积分计算每一小块图像中的Beamlets,结合梯度信息,通过广义似然比检验GLRT（Generalized Likelihood Ratio Testing）来检测判断符合条件假设的Beamlets,重建目标直线。此算法可以克服图像中的干扰及噪声,适应复杂、低信噪比遥感图像环境,准确地定位出直线。实验结果表明,这种算法具有较好的性能,可以应用到实际的遥感图像处理中,具有实用价值。     

遥感影像并行处理中基于优先级的任务分配策略

对集群环境下大规模遥感影像并行计算中任务分配效率低、负载不均衡的问题进行分析讨论,在此基础上建立多机任务分配模型,提出一种基于计算节点优先级的任务分配算法。该算法综合考虑计算节点的负载和性能,在任务分配时实时地收集各个节点的信息,计算出各个计算节点的优先级,按照优先级的高低分配任务,保证在满足集群间负载均衡的前提下能合理地将任务分配到计算节点。实验结果表明,该算法能快速实时地进行任务分配,任务的分布更加合理和均匀,并且当任务个数增多时,算法的执行效率要比轮转调度算法高出约2倍。