-
随着GPU通用计算技术的不断发展，基于GPU的并行计算在科学计算领域广受关注[10]。NVIDIA公司在2006年正式发布的CUDA（Compute Unified Device Architecture）[11]，是利用NVIDIA公司GPU进行通用计算的一种软硬件体系。CUDA能够采用类C语言进行GPU并行计算程序的设计与开发。自从推出以来，CUDA已在石油、金融、流体力学、天文学、电磁仿真、信号处理、图像处理、模式识别等领域取得了突破[12]。因此，基于GPU对高光谱图像分类算法进行并行优化，是非常有必要的。28896
- 上一篇：脉冲激光测距系统国内外研究现状
- 下一篇：国内外图像检索技术研究现状
如今，遥感技术进入了能够快速、动态的提供多种对地观测数据的新阶段。怎么去快速并且高效地处理大量的遥感数据，是遥感处理技术需要应对的关键问题。通用计算GPU不但具有规模非常大的并行处理能力，同时在功耗和性价比方面也有优势。GPU通用计算技术提供了新的技术手段，来提升高光谱遥感图像处理的效率。当前基于GPU的高光谱图像处理并行优化研究，集中在地物识别与目标探测、混合像元分解、高光谱图像压缩等方面。
高光谱图像处理的重要内容之一是地物识别与目标探测，文献[13]利用了GPU的存储器带宽和大规模并行线程，实现了基于神经网络的高光谱图像检测算法的两个目标，通过实验验证了该算法的效率和有效性。文献[14]利用存储器合并访问、GPU共享内存等GPU并行程序底层优化方式，深入开发GPU计算能力，实现了基于GPU的实时自动目标探测与分类算法（Automatic Target Detection and Classification Algorithm, ATDCA）。文献[15]基于GPU实现自动大规模并行目标的生成过程，而且达到了性能的实时性。文献[16]把GPU应用到LRX和RX高光谱图像异常检测算法当中，而且对算法的功耗和性能进行了分析，并采用大小不同的高光谱图像进行了实验，并且验证了GPU实现方案更为稳定的性能。论文网
混合像元的分解一直以来都是高光谱图像处理中的关键环节，高光谱图像处理的精度受到混合像元的极大影响。中外专家基于GPU对高光谱图像混合像元的相关分解问题进行了深入的研究。文献[17]基于GPU实现了三种端元提取算法：纯净像元指数、基于核的PPI和自动形态学端元提取，同时也提出了一种全约束型的线性光谱解混算法。文献[18]基于GPU实现了用于混合像元分解的PPI算法，分别利用实际和合成的高光谱图像进行了实验，该实验验证了算法的高效性。文献[19]联合端元提取的高光谱图像复原技术，基于GPU实现了并行的N-FINDER算法，相对于串行版本取得了8倍的加速比。文献[20]基于GPU对一种高光谱解混算法进行并行优化，同时和CPU上串行算法和多核算法进行对比。文献[21]就不同层次对最小体积单纯形法进行了深度优化，先利用数学运算减小算法的内存需求，再利用GPU求解二次最优化方案，最后把基于一个GPU的并行MVSA算法推广到几个甚至多个GPU系统，将计算任务分发给每个GPU节点，得出的结果相对CPU串行的算法来看，得到10倍的加速比。
压缩技术能提高数据存储和传输效率，实时压缩技术新的难题就是高光谱图像巨大的数据量。有的科学家经过GPU通用计算技术发展的启发，通过GPU来提高高光谱图像压缩处理的效率。文献[22]基于GPU实现了Fast Lossless机载无损高光谱图像压缩算法，在NVIDIA GeForce GTX580上获得了583.08 Mb/s的吞吐量，相对Intel Xeon(3.47GHZ) CPU上的串行算法得到6倍左右的加速比。文献[23]基于GPU对Lossy Compression for Exomars压缩算法进行优化，同时和CPU上串行算法针对不同空间和光谱纬度的高光谱图像做了对比实验，该实验验证了算法的高效性。
基于以上研究表明在高光谱图像处理方面，GPU虽然已经有了十分深入的应用研究，高光谱图像分类在高光谱图像处理中也扮演着举足轻重的角色，但是如今基于GPU的高光谱图像分类并行优化仍然不完善。因此，基于GPU对高光谱图像分类进行并行优化研究，具有很高的可行性和重要的理论及现实意义。