高光谱遥感地物识别并行优化和系统实现(3)
高光谱遥感图像具有很高的光谱分辨率，可以提供丰富的有关地球表面的信息，在这其中，地物识别已经是该应用的重要技术之一。地物识别系统的主要原理，便是根据地物光谱和空间的特征的差异，通过地物系统直接互不相同的特征吸收带，使其能识别出地表面不同的物质。近年来，地物识别技术虽然有了较快的发展，但由于高光谱图像自身的特点，例如文度丰富，数据量大等等，使得高光谱数据的处理速度达不到预期的高度，因此也有越来越多的人投入算法的研究，以提高高光谱遥感探测数据的处理速度。
在这个背景下，最近几年，科研人员开始在高光谱图像处理中引入高性能计算（High Performance Computing，HPC）方法，其中以基于GPU的通用技术（GPGPU）为主要研究对象，利用其处理能力强、存储器带宽高等优点进行并行优化计算，实时有效的提升数据处理效率。
因此，本课题在高光谱遥感地物识别原理的基础上，以GPU通用技术为研究对象，在VS平台上，通过PCA、PPI、SAM三个算法来实现对地物识别算法的并行优化和系统设计，提高高光谱数据的处理效率。
1.4 论文研究内容
本文基于GPU通用技术，与CPU相结合进行异构编程，针对地物识别系统中的高光谱遥感数据进行优化处理，提出了基于GPU/CUDA的高光谱遥感数据快速处理的方法，并分别对特征提取、端元提取等步骤给出了具体的并行优化算法，使系统能高效的处理数据。
本文主要内容编排如下：
第一章 绪论。先是阐述了本课题研究的背景，简单介绍了高光谱遥感的一些基本概念；然后进一步讨论了目前国内外的研究状况，在此基础上，提出了此次研究的目的和意义——为了更快速高效的处理高光谱数据。最后进行小结，提出关键的研究技术。
第二章 地物识别系统及其相关概念。由于本次优化是建立在地物识别系统的基础之上，因此对地物识别系统也要有一定的了解。这里用较简短的一章，简单介绍了程序基础。
第三章 GPU与CUDA。并行优化算法是建立在GPU通用算法之上，利用CPU+GPU异构模型，结合CUDA的编程模型来实现完成的。主要对GPU及CUDA的相关概念和技术进行介绍。
第四章 需求分析和具体实现。论述了基于GPU的高光谱地物识别快速处理系统的需求分析和具体设计实现。
第五章 基于CUDA的高光谱地物信息提取算法的并行优化。这一章根据第四章提出的思路，对程序中三个算法进行优化：PCA算法并行优化、PPI算法并行优化、SAM算法并行优化。根据不同的算法特点，提出不同的解决方式和思路，并在VS平台上进行编程，在GPU与CUDA平台上进行了实现。这一章是整篇文章的核心内容。
第优尔章 系统测试。通过对图片的分析和数据采集，得出GPU通用算法是确实有效的，通过数据计算获得加速比，测试成功。并且在最后对高光谱遥感系统提出了展望，总结全文。
2 相关概念与技术
2.1高光谱遥感成像及探测技术
高光谱遥感是具有高光谱分辨率的遥感科学和技术，它的基础是测谱学。它在可见光到短波红外波段其光谱分辨率高达纳米（nm）数量级，通常具有波段多的特点，光谱通道数多达十甚至数百个以上，而且各光谱通道间往往是连续的
下一篇：道路病害检测系统设计+文献综述