3。1  引言 10

3。2  基于L1/2稀疏性解混的高光谱目标检测算法原理 10

3。3  基于L1/2稀疏性解混的高光谱目标检测算法的GPU并行优化 13

3。4  实验结果 15

3。5  本章小结 17

4  基于VC++的高光谱目标检测并行处理软件系统 18

4。1  系统设计思想 18

4。2  系统总体框架设计 18

4。3  系统模块设计 19

4。4  系统功能实现 19

4。5  系统功能测试 24

4。6  本章小结 32

5  总结与展望 33

5。1  研究总结 33

5。2  研究展望 33

致谢 34

参考文献 35

1  绪论

1。1  课题研究背景及意义

相较于传统遥感图像，高光谱遥感图像数据是通过高的光谱分辨率传感器获取，同一块场景可以包含上百个不同波段的非常窄并且连续的光谱信息，波段宽度通常小于10nm，波长范围涵盖紫外光、可见光、近红外和短波红外[1]。遥感数据波段数的增加、分辨率的提高为科学人员提供了巨大的帮助，如今，在地质、农业、环境、军事、水文、大气、气象、测绘等方面有着巨大的应用前景。

高光谱图像目标检测是高光谱遥感图像处理的一个重要的运用领域[2]。高光谱遥感技术凭借其有丰富的维数，可以将地物在其特征空间的单形体结构、各种目标之间的细微的差别准确地显示出来[2]，这能弥补普通图像处理中用边缘、纹理等属性很难观测到地面目标的缺陷。所以，利用高光谱数据在高维空间的特点可以解决传统的目标检测与识别在影像上无法捕获小像素的问题，而这正是高光谱遥感的巨大魅力与得天独厚。

但是，伴随着光谱仪的空间和光谱分辨率的增强，计算复杂度也越来越大，实时性数据处理很难达到，形成了这一领域的发展瓶颈。比如休斯Danbury光学系统公司制造的超光谱数字图像收集实验仪器 (HYDICE)，波长范围从0。4到2。5μm，涵盖210个波段，数据量大小是GB数量级。

CUDA（Compute Unified Device Architecture，计算统一设备架构）是NVIDIA公司于2007年正式发布的一种利用GPU（graphic process unit）进行通用计算的软硬件体系，是第一种不借助图形学API[3]，采用类C语言进行设计开发的机制。 GPU具有高存储器带宽及多处理核心的特点，可以对已有的复原、分类、识别等算法进行并行优化计算，但GPU架构的发展时间不长，目前人们对它的认识还不够深入，GPU的并行计算能力、算法的并行能力还有很大的开发提升的空间。

1。2  研究现状

1。2。1  目标检测算法

由于高光谱数据包含空间、光谱、辐射三重信息[4]，而传统的目标检测算法并没有考虑图像的光谱信息，已经不能适应高光谱遥感数据新的要求了，因此研究出依据高光谱数据的特别之处的目标检测方法的确有很大的必要。目标检测是一个二类分类问题，是确认某一未知的光谱属于某一个已知光谱的确认概率，最重要的两个环节是建立目标的光谱数据库，以及定量化处理高光谱的图像[1]。