综上，在云计算平台上实现对高光谱图像解混过程的并行优化，不仅具有重要的理论意义，更有很高的实用价值。端元提取是高光谱图像解混过程中复杂度最高、耗时最长的阶段，实现端元提取过程的优化对提高整个解混过程的效率至关重要。

1。2  国内外研究现状 

1。3  论文的主要内容

1。3。1  论文主要内容

随着高光谱图像的广泛应用，混合像元解混成为了十分重要的环节，端元提取更是混合像元解混过程中的不可或缺的重要步骤，而许多端元提取算法复杂度较高，应用单机处理难以解决内存不足及处理时间过长的瓶颈问题。本文在研究学习Hadoop分布式平台和N-FINDR端元提取算法的基础上，提出在Hadoop平台上实现N-FINDR端元提取算法的并行优化，依靠Hadoop分布式并行计算的优势，提高N-FINDR算法的处理效率。本文研究的主要内容包括：

（1）对遥感技术、高光谱图像、云计算等前沿技术进行研究，归纳在云计算平台上处理高光谱图像的意义；总结国内外众多学者取得的研究成果，提出在该研究领域中面临的相关问题，并总结出本文研究的可行性与必要性。

（2）对高光谱图像处理、云计算领域等相关概念和技术进行介绍，研究端元提取领域的相关算法，并对N-FINDR算法原理和流程进行分析，探究在Hadoop分布式计算平台上实现N-FINDR算法的并行方法。

（3）该课题的高效性进行实验验证，对比研究并行优化前后算法的执行效率，探讨优化后的算法相较于原算法的加速效果；对N-FINDR算法在Hadoop上的并行优化方法进行总结，并对今后的工作和该领域的发展前景进行展望。文献综述

1。3。2  论文组织结构安排

本论文共包含五个章节，每个章节的内容安排具体如下：

第一章：介绍了课题研究的背景和意义，并对高光谱图像处理、云计算及该领域的研究现状进行调研分析。

第二章：对该课题所涉及的高光谱图像及云计算领域的相关概念与技术进行详细的分析介绍，探求本课题的可行性。

第三章：分析了N-FINDR端元提取算法的单机串行的实现方法，研究了在Hadoop上实现其并行化处理的方法，并阐述了并行算法实现的思想以及具体流程。

第四章：介绍了本课题的具体实验，并合理选择高光谱数据进行了实验；实验结束后，比较单机串行和Hadoop并行执行的时间消耗，计算加速比，绘制表格与图形对结果数据进行分析。

第五章：对本课题研究的成果及所遇到的问题进行归纳总结，并根据高光谱图像和云计算的发展趋势对本课题的后续研究做出展望。

2  相关概念与技术

2。1  高光谱图像相关概念与技术介绍

2。1。1  高光谱图像

高光谱图像是通过高光谱遥感技术获取的且光谱分辨率在5~10纳米数量级范畴内的光谱图像，高光谱图像的每个像元都记录着详细的光谱特征值用于描述地物特征，如图2。1是高光谱图像的获取示意图 [3]。

图2。1  高光谱图像示意图

相较于普通的全色、多光谱遥感影像，高光谱图像具有巨大优势，具体如下[4][11]：

（1） 光谱分辨率更高。传统遥感图像的光谱分辨率往往超过了100 nm，而高光谱图像的分辨率达到一般低于10 nm，故而分辨率更高的高光谱图像更能分辨出地物光谱的细微差别，而且不易出现常见的“异物同谱”“同谱异物”的现象。

（2） 高光谱图像将图像数据与光谱信息有机地结合起来。高光谱图像的每一个像元的数据对应于一条光谱曲线，所有的图像数据则描述了光谱维和空间维，因此高光谱数据可以看作是一个数据立方体。实际遥感过程中的客观目标一般包含着多种自身特征，具有其特殊的形状、光谱及纹理等自然特征，而高光谱图像包含各个维度的丰富信息，为从各个自然特征更加全面地分析地物目标准备了大量数据。