毕业论文移动版

上世纪末伊始，国内外的一些机构就着手对高光谱目标检测算法进行研究。目前，国外比较著名的研究机构主要有：美国空军实验室、美国卡耐基梅隆大学、美国乔治梅森大学等。而我国在高光谱图像目标检测领域研究稍稍晚于国外。D。 C。 Li[5]等人利用高光谱图像空间同质性，根据整体变分（TV）提出了一个新的监督目标，即使用一个单一的目标频谱作为检测算法的先验知识。他们提出的算法使用TV保持检测输出空间的光滑性，同时，附加一个约束用于保证目标的光谱特征未抑制，最后采用的L1范数凸优化问题D 检测模型。王毅挺[6]等人提出了一种名为多尺度分析为基础的目标检测（MATD）的新方法，该方法首先应用多尺度小波分析技术提取特征高光谱数据，然后，将这些特征转换成张量形式，并通过使用分析张量分析方法处理，基于这个方法可以获得一个更好的目标检测结果。Zhao c[7]等人使用了在高光谱图像目标检测的空间支持（ICRTD-MTL[8]）多任务学习改进的协作表示模型。首先，多个特征是从高光谱图像中的不同角度提取的像素代表，将这些功能集成到统一的CRTD-MTL获取各功能的协作向量。一旦获得了协同向量，测试样品可以通过在重建协作矢量的特性来确定。将相邻的相邻像素的空间相关性和光谱相似度纳入每个功能，提高了检测的精度。

图1。1  高光谱目标检测算法分类图

按照不同的角度，目标检测的算法可以分为不同的类别，依据先验信息多少，高光谱目标检测的技术流程和分类[9]如下图1。1。

在已知目标、已知背景端元的时候，可以利用简单的整波形匹配算法，如交叉相关光谱匹配技术（CCSM）,光谱角填图法（SAM），最小距离匹配法，二值编码匹配算法等；已知目标、未知背景光谱的情况下，可以用以上任一种方法，但更常见的是利用一组正交基底做背景，然后光谱解混，如奇异值分解法（SVD）,约束能量最小化法（CEM）；若未知目标端元，且未知背景端元时，重要的步骤就是如何提取端元了，在这里端元提取的算法很丰富，如纯净像元指数法（PPI），最小体积变换（MVT）。

虽然高光谱图像的目标检测算法考虑的情况以及对映算法的角度不同，但它们基本都从了以下三种方法为着眼点：一是抑制背景和噪声，同时保留目标信号，提高目标信号相对于杂波信号的对比度；二是在进行统计决策前先提高目标信号相对于杂波信号的对比度；三是直接使用决策进行判别。

1。2。2  高光谱图像处理的GPU/CUDA并行优化

GPU 是图形处理单元的简称，自2007年6月，NVIDIA 公司推出了采用了统一处理架构的CUDA后，CUDA 架构被广泛应用于GPU通用计算[10]。

Sánchez S [11]等开发了一个只使用一个GPU的完全统一的光谱分离链的高光谱图像分析，降低了在成本和尺寸方面的限制，在估计遥感任务的有效载荷时非常重要。这在遥感领域是一个显著的成效，因为它满足高光谱数据的高效开发的应用的快速响应要求。J。 Sevilla [12] 为了解决混合像素的存在，提出了基于GPU的SISAL方法，SISAL旨在确定一个场景，使用聚结的方式逐个像素存取存储器，利用共享存储器来存储临时数据，优化内核以尽量减少线程发散，因此获得高的GPU占用率。Xiaojie Li[13]等人对流行的高光谱图像自动目标生成（ATGP）算法，为解决处理数据量过大的问题，提出了一个基于GPU的大规模并行版本，而使用I/O传输的基于GPU的ATGP相对于单线程CPU可以达到362的加速比。

总之，基于GPU的高光谱遥感图像数据处理，在极大加快算法的执行效率同时，让高光谱遥感技术获得了很大的关注与影响。但基于GPU的并行优化算法仍有很多进步的空间，仍然需要不断的探索与前进。 (责任编辑：qin)