论文部分内容阅读
高光谱遥感将光谱技术与成像技术相结合,能有效提取地物图谱特征,对地物进行精确的识别与分类。其成像光谱仪能够利用很多间距较窄的相邻电磁波波段获取上百条波段光谱信息,从而使每个像素都是一个连续的谱向量。虽然高光谱图像具有图谱合一、分辨率高的优势,但由于其特征维数较高,并且受噪声影响,对图像分类过程增加了难度。此外,由于高光谱图像数据量巨大,利用传统的中央处理器(Central Processing Unit,CPU)单线程计算分类效率低下,很难满足实际应用过程中快速分类的需求。鉴于此,本文从高光谱遥感图像的特点出发,针对上述所存在的问题,以稀疏表示理论为基础,对高光谱图像的分类模型进行研究与改进,并使用图形处理器(Graphics Processing Unit,GPU)高性能计算对算法进行并行实现。本文的主要研究内容包括以下三点:1.从信号的稀疏表示理论出发,研究了当前基于稀疏表示理论的高光谱图像分类模型:稀疏表示分类(Sparse Representation Classification,SRC)模型和联合稀疏表示分类(Joint Sparse Representation Classification,JSRC)模型,以及它们的系数求解方法:正交匹配追踪和联合正交匹配追踪算法。此外,基于高光谱图像的特点,针对空间信息对高光谱图像分类的重要性以及JSRC模型未考虑邻域像素点对中心像素点的贡献问题,本文利用高斯核函数相似性距离方法计算局部像元间相似性,对滑动窗口内邻域像素进行加权处理,建立加权机制,使分类模型对空间信息的使用更合理,分类性能更优。2.传统稀疏表示方法为线性分类方法,未考虑高光谱图像的非线性特性。因此,本文引入核映射思想,将加权处理后的JSRC模型拓展到高斯核空间,提出加权核空间联合稀疏表示分类(Weighted Kernel Joint Sparse Representation Classification,WKJSRC)模型。本文利用两幅实测高光谱图像进行仿真实验,通过实验结果表明,WKJSRC模型较其它传统高光谱图像分类器具有更好的分类效果和稳定性。3.高光谱图像结构复杂,数据量巨大,并且由于空间信息的引入,进一步提高了算法的复杂度,利用传统的CPU串行处理数据效率低下。为此,本文基于NVIDIA CUDA框架,利用CUDA C语言,采用CPU/GPU协同计算的方式对本文提出的WKJSRC模型进行并行化设计,充分利用GPU强大的并行计算能力,对算法中高密度、可并行处理的运算过程进行并行实现,实现WKJSRC模型的并行求解算法。从而提高该分类算法的计算效率。